Está en la página 1de 4

Sistema experto para diagn ostico tosanitario del esp arrago

Pedro Shiguihara12
1

Jorge Valverde12

Javier Dioses 2

n Sociedad de Estudiantes de Ciencia de la Computacio


2

Universidad Nacional de Trujillo

p.shiguihara@gmail.com, jorge.carlos14@gmail.com, javier dioses@hotmail.com Resumen En este paper se presenta el dise no de un Sistema Experto que usa una base de conocimiento estructurada mediante redes bayesianas y un algoritmo de propagacio alculo probabil stico de las n de evidencia para el c enfermedades y plagas que afectan al esp arrago para concluir en un diagn ostico y recomendaci on de los hallazgos.

1.

Introducci on

A mediados de 1960 los sistemas expertos fueron desarrollados con la necesidad de cen reas de conocimientos muy concretos. DENDRAL por ejemplo, que deduc trarse en a a estructuras qu micas a partir de su propio an alisis, tambi en MYCIN que estaba en la capacidad de ado en 1970 [Marin, 2005]. Dentro de esta a mbito diagnosticar enfermedades infecciosas, disen n la naturaleza del problema: estoc delos sistemas expertos han sido enmarcados segu astico o terministico [Aznar, 2004]. n del esp Uno de los problemas actuales en la agricultura, es la infeccio arrago por plagas n en la calidad del producto y y enfermedades principalmente, esto ocasiona una disminuci o diculta la comercializaci on y exportaci on de esta hortaliza. Cada plaga y enfermedad puede reconocerse seg un los s ntomas que pueden presentarse en la planta del esp arrago. Dentro de este contexto presentamos un sistema experto bajo el modelo estoc astico, debido a que muchos hechos no pueden ser conocidos con exactitud y un conjunto de s ntomas puede asociarse a varias enfermedades. La t ecnica usada es la Red Bayesiana, la cual hace corresponder los s ntomas a cada enfermedad y plaga. Dichos s ntomas se interpretan como variables o nodos con un grado de probabilidad seg un la enfermedad asociada, denominada probabilidad condicional. La Red Bayesiana n para efectuar el diagn permite una exibilidad en la toma de decisio ostico. Cada vez que un a la redistribuci s ntoma (evento) es declarado como cierto, se efectu on de las probabilidades de todos las variables (nodos) que est an directamente relacionados con el, por ende si el s ntoma es ahora visible, incrementa la posibilidad de que la enfermedad asociada sea la causante. Por tanto la posibilidad que el sistema experto pueda asimilar n-s ntomas (evidencia) y no descartar n de s los s ntomas no evidenciados, muestra la exibilidad por la combinaci o ntomas que puede asimilar para el diagn ostico. n 3 se En la secci on 2 se mencionan los trabajos previos acerca del problema, en la secci o explica brevemente el dise no de SEDFE, en la secci on 4 se detalla las pruebas y resultados obtenidos, en la secci on 5 se muestra la discusi on de los experimentos y nalmente las conclusiones en la secci on 6.

2.

Trabajos Previos

Anteriomente se realiz o el desarrollo de un sistema experto agr cola consultor, aplicado al proceso de control y diagn ostico de plagas y enfermedades en el cultivo del esp arrago para la rboles de decisi costa Liberte na empleando la t ecnica de a on para el motor de inferencia sobre o 2004 por estudiantes graduados de la Universidad la base de conocimiento, publicado en el an Cesar Vallejo. 3. 3.1. del sistema Diseno Subsistema de adquisici on del conocimiento

El sistema facilita la entrada de nuevo conocimiento, hechos y relaciones entre variables, en la base de conocimiento. 3.2. Base de conocimiento

3.2.1. Teorema de Bayes Donde P (x) es la probabilidad a posteriori, la cual se querr a obtener para cada enfermedad, mientras que P(x) y P(y/x) son las probabilidades a priori o de prevalencia, de la enfermedad y el s ntoma condicionado por la enfermedad respectivamente. Sin emn bargo la probabilidad del s ntoma P(y) es un c alculo adicional que es obtenido por la ecuacio 2. [AIC, 2005]. P (x)P (y/x) P (x) = P (x/y ) = (1) P (y ) donde P(x) representa una variable binaria, por tanto tiene dos posibles valores P(+x) la presencia de la enfermedad y la ausencia de la enfermedad P(-x). P (y ) = P (+x)P (y/ + x) + P (x)P (y/ x) (2)

n de la estructura la cual soportar 3.2.2. Red bayesiana Es la representacio a la base de conocimiento, la podemos denir como un grafo dirigido ac clico conexo m as una distribu n de la base de ci on de probabilidad sobre sus variables [Marin, 2005]. Las fases para la creaci o conocimiento son: Denici on del grafo, representaci on gr aca de las variables y la relaci on entre ellas. n de probabilidades que no dependen Asignaci on de datos cuantitativos, obtencio de otras variables (prevalencia de datos). 3.3. Motor de inferencia

n de probabilidades La forma en que el sistema obtiene 3.3.1. Algoritmo de propagacio n de la evidencia el diagn ostico en funci on de la evidencia se realiza mediante la propagacio [Castillo, 1998]. 3.4. Funci on del Sistema Experto

Algoritmo 1 M etodo general del Sistema Experto 1. Construir Red Bayesiana 1.1 Inicializaci on de probabilidades a priori para cada nodo 2. Lectura de s ntomas presentados (evidencia) 3. Propagaci on de la evidencia en la red bayesiana 4. Interpretaci on de resultados probabil sticos 5. Diagn ostico de enfermedades y plagas evidenciadas 6. Explicaci on de la conclusi on del diagn ostico 7. Recomendaci on de tratamiento 4. Experimentos y resultados

En el experimento se han considerado cuatro s ntomas posibles en la planta del esp arrago: A1. Tallo limitado en crecimiento A2. Tallo con manchas elipticas (pustulas) A3. Tallo de consistencia debil A4. Brotes de turion secos Probabilidad a priori de la enfermedad Roya (+R)= 0.8 enfermedad/s ntoma (+A1/+R) (+A1/-R) (+A2/+R) (+A2/-R) (+A3/+R) (+A3/-R) (+A4/+R) (+A4/-R) Probabilidad condicional 0.65 0.05 0.92 0.001 0.7 0.04 0.7 0.05

Cuadro 1: Asignaci on de probabilidades a priori (prevalencia de variables) En la tabla 2 se muestran los hallazgos (s ntomas) mediante una X. Hallazgo (s ntoma) A1 X X X A2 X X X X X A3 A4 0.531 0.988 0.763 0.728 0.806 Probabilidad a posteriori (Existencia de Roya)

Cuadro 2: Tabla de resultados

5.

Discusi on de los experimentos

La asignaci on de probabilidades a priori, en 1, fueron dadas por un profesional en agronom a. Los resultados indican que dado como hallazgo el s ntoma A2, la probabilidad que aparezca la enfermedad Roya es del 98.8 %, y ya que tal s ntoma (A2) es la principal caracter stica de la enfermedad y por la cual en muchos casos se detecta, sin que hayan otra circunstancias por las que se pueda presentar entonces el valor es aceptado. Para hallazgos de otros s ntomas tales n de tal enfermedad es como A1, A3 y A4 y sus combinaciones, la probabilidad de aparici o n es muy signicativa. Por tanto las probabilidades menor pero en muchos casos la informacio obtenidas est an conforme a los resultados esperados. 6. Conclusi on

n de eventos, brinda La aplicaci on de la t ecnica de red bayesiana y el algoritmo de propagacio stico de las enfermedades, puesto que en ausencia de un alto grado de exactitud en el diagno algunos s ntomas, el modelo de inferencia no descarta la enfermedad y considera cada hallazgo como una mayor posibilidad de aceptar la enfermedad o plaga consecuente, esto permite adem as mantener la b usqueda de m as de una enfermedad o plaga que pueda posiblemente perjudicar a la planta. Referencias n de ingenier [AIC, 2005] AIC (2005). Ampliacio a del conocimiento. http://www.lcc.uma.es/ eva/aic/. [Aznar, 2004] Aznar, G. (2004). Apuntes de sistemas expertos, universidad de alicante. http://personales.unican.es/gutierjm/papers/BookCGH.pdf. [Castillo, 1998] Castillo, E. (1998). Sistemas expertos y modelos de redes probabil sticas. http://www.lcc.uma.es/. [Marin, 2005] Marin, A. (2005). Sistemas expertos, redes bayesianas y sus aplicaciones. http://www.e-ghost.deusto.es/docs/2005/conferencias/Bayes05.pdf.