Está en la página 1de 16

Bases de Datos Relacionales Difusas.

Ing. Marco Antonio Castro Liera Instituto Tecnolgico de La Paz mcastro@marinos.itlp.edu.mx


Dependiendo de la tarea que se le asigne, una misma palabra puede designar un objeto o una persona, una pasin, un deseo o un misterio; pero tambin puede torcer su rumbo, oscurecerse, volverse hermtica y aludir a algo muy distinto de su significacin original -German Dehesa

Introduccin:
Una de las caractersticas del lenguaje natural, que hace difcil su utilizacin en sistemas computacionales es su imprecisin. Por ejemplo conceptos como alto o caro, tienen significados diferentes de acuerdo al contexto en el que se estn utilizando, e incluso dentro del mismo contexto, pueden significar cosas diferentes para diferentes individuos. La teora de los conjuntos difusos desarrollada por Zadeh [1], provee una poderosa herramienta para la representacin y manejo de la imprecisin por lo que actualmente esta siendo utilizada en varios campos para el diseo de sistemas basados en reglas difusas. La teora de conjuntos difusos [2], extiende la teora clsica de conjuntos al permitir que el grado de pertenencia de un objeto a un conjunto sea representada como un nmero real entre 0 y 1 en vez del concepto clsico en el que solo se tiene la posibilidad de pertenecer a un conjunto o no pertenecer al mismo; en otras palabras, el grado de pertenencia a un conjunto en la teora clsica tiene solo dos valores posibles: 0 y 1. En el sentido mas amplio, un sistema basado en reglas difusas es un sistema basado en reglas donde la lgica difusa es utilizada como una herramienta para representar diferentes formas de conocimiento acerca del problema a resolver, as como para modelar las interacciones y relaciones que existen entre sus variables[3]. Debido a estas propiedades, los sistemas basados en reglas difusas han sido aplicados de forma exitosa en varios dominios en los que la informacin vaga o imprecisa emerge en diferentes formas. Actualmente, el modelo relacional no permiten el procesamiento de consultas del tipo Encontrar a todos los gerentes cuyo sueldo no sea muy alto dado que ni el clculo ni el lgebra relacional, que establecen el resultado de cualquier consulta como una nueva relacin, tienen la capacidad de permitir consultas de una manera difusa.

En los ltimos aos, algunos investigadores han lidiado con el problema de relajar el modelo relacional para permitirle admitir algunas imprecisiones; esto conduce a sistemas de bases de datos que encajan en el campo de la Inteligencia Artificial, ya que permiten el manejo de informacin con una terminologa que es muy similar a la del lenguaje natural. [4] Una solucin que aparece recurrentemente en los trabajos de investigacin actuales en esta rea es la fusin de los sistemas manejadores de bases de datos relacionales con la lgica difusa, lo que da lugar a lo que se conoce como sistemas manejadores de bases de datos difusas o FRDBMS (por sus siglas en ingls, Fuzzy Relational Database Management System). El problema de la implementacin de los sistemas manejadores de bases de datos difusas ha sido tratado en dos vertientes principales: 1. Iniciar con un sistema manejador de bases de datos relacionales con informacin precisa y desarrollar una sintaxis que permita formular consultas imprecisas, lo cual da origen a extensiones SQL con capacidades de manejar la imprecisin. 2. Construir un FRDBMS prototipo que implemente un modelo concreto de base de datos relacional difusa en el que la informacin imprecisa pueda ser almacenada. Dentro de esta vertiente existen dos grandes ramas: Los modelos a travs de unificacin por relaciones de similaridad y los modelos relacionales basados en distribuciones de probabilidades. En el presente documento, se trata la representacin de datos difusos en bases de datos relacionales, la forma en que pueden tratarse las dependencias funcionales difusas y las extensiones para lenguajes de consultas difusas. Particularmente me enfocar a los trabajos desarrollados en la Universidad de Granada, Espaa por un grupo de investigadores que se encuentran trabajando en esta rama actualmente.

Tipos de datos:
Para poder almacenar informacin imprecisa en bases de datos relacionales, es necesario agregar a los tipos de datos manejados por las mismas, nuevos tipos que permitan el manejo de datos difusos. Algunos tipos de datos propuestos por Medina et al. [5] Para la construccin de un modelo generalizado difuso de manejador de bases de datos relacionales son: 1. Escalar simple Un valor lingstico para un atributo donde el campo contiene un grado de pertenencia 1 al conjunto asociado con ese valor. Por ejemplo: el campo

comportamiento podra ser instanciado con el valor bueno, donde esto se representa por la distribucin de probabilidades {1/bueno}. 2. Numrico simple Por ejemplo edad = 28 representa la distribucin de probabilidades {1/28}. 3. Conjunto de escalares posibles mutuamente excluyentes Por ejemplo: comportamiento = {bueno, malo} representara la distribucin de probabilidades {1/bueno, 1/malo}, lo cual implica que el valor del atributo instanciado con este tipo, puede pertenecer a uno y solo uno de los conjuntos bueno o malo. 4. Conjunto de Posibles Asignaciones Numricas Por ejemplo: edad = {20, 21} representara la distribucin de probabilidades {1/20, 1/21}. 5. Distribucin de Probabilidad en un Dominio Escalar Por ejemplo comportamiento = {0.4/bueno, 0.7/regular, 0.9/malo} donde se representa como un nmero real entre 0 y 1 el grado de pertenencia a cada conjunto de la tupla instanciada con este valor. O dicho de otra manera, el grado en el que comportamiento contiene a cada uno de los atributos representados en dicho campo. 6. Distribucin de Probabilidad en un Dominio Numrico Por ejemplo edad = {0.3/23, 1/24, 0.8/25} lo que nos da la posibilidad de manejar indistintamente nmeros difusos o valores lingsticos. 7. Un nmero real entre 0 y 1 (referido al grado de pertenencia) Por ejemplo: Calidad_Buena = 0.9 8. El valor Desconocido (unknown) unknown = {1/u : u U}. Que sera cuando no puede determinarse por un solo valor para el atributo, por lo que este podra ser cualquiera de los posibles valores del universo de discusin. 9. El valor no Definido (undefined) undefined = {0/u : u U}. Que sera cuando el valor no puede asignarse a ninguno de los valores del universo de discusin. 10. El valor Nulo (Null) Dado por Null = {1/unknown, 1/undefined}

Estructura de Datos
En GEFRED, (el modelo de base de datos relacional difusa de medina et al) la informacin esta organizada para su manejo de la siguiente forma: El dominio DG subyacente en atributo de una relacin contiene algunos de los datos mencionados en el punto anterior. Los datos estn relacionados mediante una relacin RFG, dada por:

RFG ( DG1 , C1 ),,...,( DGN , Cn )


Donde cada DGj es un dominio del tipo previamente descrito, Cj es un atributo de compatibilidad que toma sus valores en [0,1]. Cada atributo es asociado a un atributo de compatibilidad. En relaciones base, el atributo de compatibilidad no aparece. Estas relaciones representan la informacin inicial as como a la que resulta de las operaciones de lgebra difusa sobre la misma. El manejo de estas relaciones a travs del lgebra relacional difusa podra modificar, para cada tupla, los valores de los atributos de compatibilidad

Manipulacin de los Datos


El lgebra difusa utilizado en estos modelos es una extensin del lgebra clsica; en esta extensin se utilizan operadores especficos de comparacin para manejar la informacin difusa. Las consultas difusas son objeto de un manejo especial, basado en los siguientes puntos: Se define como Seleccin atmica a una consulta, sobre un tipo de relacin RFG, en la que se busca satisfacer una sola condicin simple. Cuando un atributo, un operador y una constante difusa estn involucrados en una Seleccin Atmica, dicha condicin ser satisfecha en un grado para cada valor de atributo, este grado de satisfaccin estar en el rango [0,1]. En una Seleccin Atmica se puede establecer un grado de satisfaccin mnimo conocido como umbral para la condicin. Esto eliminar del resultado aquellas tuplas que no satisfacen al menos en dicho grado mnimo la condicin difusa. El resultado de una Seleccin Atmica con umbral es una relacin del tipo RFG. En dicha relacin el grado de satisfaccin de la condicin aparece en el Atributo de Compatibilidad.

Las condiciones compuestas son aquellas obtenidas mediante la combinacin de condiciones simples a travs de operadores lgicos (conjuncin, disyuncin y negacin). Las condiciones compuestas se resuelven de la siguiente forma: o De cada condicin Simple se obtiene la relacin difusa resultante aplicando la seleccin atmica con el umbral particular de dicha condicin. o De las condiciones simples conectadas con operadores conjuntivos, se hace una interseccin de las relaciones obtenidas de cada condicin. Posteriormente, los valores de los Atributos de compatibilidad asociados a cada atributo involucrado en la condicin simple son recalculados. Dicho clculo consiste en que el Atributo de Compatibilidad de las tuplas de la nueva relacin ser igual al mnimo Atributo de Compatibilidad presente en las relaciones simples que la originaron. o Para las condiciones simples conectadas por un operador disjuntivo, se hace la unin de las relaciones obtenidas y se recalculan los valores de los Atributos de Compatibilidad tomando el mximo de las relaciones simples que originaron la consulta compuesta. o Una condicin simple negada, se calcula modificando en Atributo de Compatibilidad con su complemento a 1 para cada valor presente en la tupla (Esto es 1 menos el valor del mismo)

Representacin de la Informacin Difusa


Los elementos relacionados con la manipulacin de informacin difusa pueden tener representaciones diferentes. Por ejemplo, una distribucin normalizada de probabilidades puede ser representada por diferentes tipos de funciones (trapezoidal, triangular, intervalar, etc.). Lo mas usual, es que se usen funciones de tipo trapezoidal. Los mismo puede decirse de la forma en la que se modelan los operadores relacionales difusos as como los dems elementos difusos que aparezcan en el sistema. El criterio empleado para seleccionar la forma de representacin de los mltiples elementos difusos del sistema manejador de base de datos, puede afectar de manera determinante la funcionalidad y desempeo de la base de datos, por lo que debera ser uno de los puntos centrales en los que el experto ajuste la arquitectura del FRDBMS al problema especfico a tratar mediante el mismo. Puede decirse entonces que este criterio de seleccin y ajuste constituye un paso entre la formulacin de una base de datos relacional difusa y la implementacin de un sistema basado en la misma.

La informacin que se puede manejar en una base de datos difusa puede dividirse en dos tipos principales: Datos Precisos: Manejados usualmente mediante la representacin provista por la base de datos relacional husped. Datos Imprecisos: Los modelos usualmente consideran dos tipos de representacin para los datos imprecisos adems de la informacin desconocida o indeterminada que se maneja mediante los tipos unknown, undefined y null: o Datos imprecisos sobre dominios subyacentes ordenados Este grupo de datos contiene distribuciones de probabilidad definidas en dominios continuos o discretos, pero ordenados. En su trabajo sobre representacin de conocimiento difuso en bases de datos relacionales [4] Medina et al. utilizan la siguiente representacin para este tipo de datos:

o Datos con analogas sobre dominios discretos Este grupo de datos se construye sobre dominios discretos en los que existen definidas relaciones de proximidad entre sus valores. En este caso se deber almacenar la representacin de los datos adems de la representacin de las relaciones de proximidad definidas para los valores en el dominio.

Los tipos de datos incluidos en este conjuntos son los escalares simples y las distribuciones de probabilidad sobre dominios discretos. Los escalares simples se representan mediante el esquema del RDBMS husped y solo se tienen que agregar para ellos la informacin necesaria para el manejo de las relaciones de proximidad definidas en su dominio subyacente. Por otra parte, las distribuciones de probabilidad sobre dominios discretos se asocian con una representacin en la que los valores que constituyen el dominio son descritos de manera conjunta con su valores respectivos de probabilidad. ((p1,d1),, (pndn)). o Tipo de dato Indefinido (undefined) Cuando un atributo toma el valor undefined, esto refleja el hecho de que ninguno de su dominio son permitidos. Esto significa que ninguno de los valores es posible. Por lo tanto, la distribucin de probabilidades asociada es {0/u : u U}, donde U es el dominio subyacente. o Tipo de dato desconocido (unknown) Los datos de este tipo expresan nuestra ignorancia sobre el valor que el atributo toma, sin embargo expresa tambin que conocemos de hecho que puede tomar uno de los valores del dominio. Esto significa que es posible que atributo tome cualquiera de estos valores. Por lo tanto, la distribucin de probabilidades asociada a este tipo de dato es {1/u : u U} donde U es el conjunto de valores que forman el dominio subyacente para el dato. o Tipo de dato nulo (null) Cuando un atributo toma el valor nulo, esto significa que no tenemos informacin sobre el ya sea por que no conocemos su valor o porque es imposible asignarle un valor del dominio. La distribucin de probabilidades en este caso es {1/unknown, 1/undefined}

Relaciones de proximidad:
Las relaciones de proximidad se utilizan para modelar la imprecisin derivada de la probabilidad de igualdad entre dos valores en el dominio de discurso. Lo mas usual es que las relaciones de proximidad se utilicen solamente en universos de discurso finitos. De tal forma que dichas relaciones puedan representarse de manera matricial.

Operadores relacionales difusos:


Los diferentes operadores de comparacin que se utilizan para representar relaciones en la base de datos son los operadores relacionales. Para que estos funcionen sobre informacin imprecisa es necesario extender estos operadores. La representacin adoptada por Medina et al en su modelo de FRDBMS se basa en el trabajo previo de Zadeh [6] y es la siguiente: Igual a:

Este operador modela el concepto de igualdad para datos imprecisos. Desde el punto de vista formal a travs de la funcin de membresa dada por:

~ ~ igual (d , d '') =

sup ~ ( d ), ~ (d )) min( p(d , d ), d d (d , d ' ) D D

~ ( d ), ~ (d ) son las Donde p(d , d) es una relacin de proximidad y d d distribuciones de probabilidad definidas sobre el dominio de discurso D. A continuacin se muestra la representacin grfica de esta relacin:

Cabe sealar que para datos definidos en base a dominios ordenados, se sustituye la relacin de proximidad p (d , d ) por (d , d ) , donde es una delta de Dirac. Mientras que, para datos con analogas en un dominio discreto, p (d , d ) es la representacin matricial de la relacin de proximidad definida para el dominio de discurso D.

Aproximadamente igual:

Este operador define el grado en el que dos valores numricos (no difusos) son aproximadamente iguales de acuerdo a si la diferencia de sus valores se encuentra dentro de un lmite preestablecido. Y se calcula mediante la siguiente expresin:

aproxigual

0 = 1 x y m arg en

si x y m arg en si x y m arg en

A continuacin se muestra la representacin grafica para este operador:

Mayor o igual:

Este operador se define para dominios ordenados, su funcin de membresa esta dado por la relacin difusa:

( A, B) =

sup min( ( x, y ), A ( x), B ( y )) ( x, y ) X Y

Donde A y B son datos imprecisos sobre dominios ordenados o datos numricos no difusos (crisp), A ( x), B ( y ) son sus representaciones de probabilidades respectivas y es el operador clsico de mayor o igual, dado por:

0 ( x, y ) = 1

si

si x < y x > yx = y

Este operador puede resolver comparaciones como:

El grado en el que un numero no difuso es mayor o igual que una distribucin de probabilidades. El grado en el que una distribucin de probabilidades es mayor o igual que un nmero no difuso El grado en el que una distribucin de probabilidades es mayor o igual que otra distribucin de probabilidades

Menor o igual:

Este operador se define para dominios ordenados, su funcin de membresa esta dado por la relacin difusa:

( A, B) =

sup min( ( x, y ), A ( x), B ( y )) ( x, y ) X Y

Donde A y B son datos imprecisos sobre dominios ordenados o datos numricos no difusos (crisp), A ( x), B ( y ) son sus representaciones de probabilidades respectivas y es el operador clsico de menor o igual, dado por:

0 ( x, y ) = 1

si

si x > y x < yx = y

Este operador puede resolver los mismos tipos de comparaciones que mayor o igual.

Mayor que:

Este operador puede definirse como el complemento del operador menor o igual donde: > ( A, B) = 1 ( A, B) Menor que: Este operador puede definirse como el complemento del operador mayor o igual donde: < ( A, B) = 1 ( A, B) En la figura de la siguiente pgina tomada del trabajo sobre representacin de conocimiento difuso en bases de datos relacionales [4] de Medina et al. se muestra el comportamiento de estos operadores, donde: a) muestra tres distribuciones de probabilidad A, B y C sobre las que operaremos b) Muestra la funcin de membresa del operador aplicado a B c) Muestra los grados en los que A y C son mayores o iguales que B d) Muestra la funcin de membresa de aplicado a B e) Los grados en los que A y C son menores o iguales que B f) La funcin de membresa del operador > aplicado sobre B g) El grado en el que A y C son mayores que B h) La funcin de membresa del operador < aplicado sobre B i) El grado en que A y C son menores que B

Comportamiento de operadores relacionales difusos

Umbrales de consulta (cualificadores):


Al hacer consultas sobre una base de datos imprecisos estamos imponiendo algunas condiciones que las tuplas resultantes deben de satisfacer, pero dada la naturaleza imprecisa de los datos y los operadores, tambin existe un grado de satisfaccin para cualquier condicin involucrada en una bsqueda. Este grado de satisfaccin se encuentra en el intervalo [0,1]. Utilizando un umbral de consulta mnimo, nosotros podemos controlar la precisin con la que queremos que las condiciones de la consulta sean satisfechas.

En general a la accin de establecer un umbral para una condicin atmica de una consulta se le conoce como cualificacin de la condicin. El umbral para la consulta entonces es llamado un cualificador. Este cualificador ser un valor entre 0 y 1 que puede ser representado por medio de un valor lingstico, por ejemplo si decimos que el grado en el que queremos que una consulta se cumpla sea alto podramos hacer que esto significara que vamos a aceptar tuplas con un grado de satisfaccin de las condiciones de 0.8 o mayor. Esto quiere decir que podemos asociar etiquetas lingsticas con los cualificadores. Los valores de umbral asociados con cada etiqueta lingstica debern ser almacenados en el sistema y tendrn un significado subjetivo al igual que estas.

Cuantificadores difusos de una consulta:


Normalmente se definen dos cuantificadores en el modelo relacional clsico. El cuantificador de existencia que se lee como existe al menos un y el cuantificador universal que se lee como para todo. Con el primero obtenemos una respuesta verdadera (TRUE) cuando al menos una tupla satisface las condiciones de la consulta, mientras que con el segundo la respuesta verdadera se obtiene cuando todas las tuplas de la base de datos cumplen con esa condicin. Sin embrago, en el caso difusa existe un rango mas amplio de cuantificadores entre los previamente mencionados que pueden ser descritos de manera lingstica como casi ninguno, algunos, muchos y casi todos. Estos valores lingsticos son la representacin en trminos de distribuciones de probabilidad del un dominio Dq definido como:

ns DQ = d : d = nc
Donde ns representa el nmero de tuplas que satisfacen la condicin mientras que nc representa el nmero de tuplas consultadas.

Implementacin de la Informacin Imprecisa


Esta es llevada a cabo en tres niveles: 1) Al nivel de la Base de Datos.- La Base de Datos esta compuesta por todos los elementos permanentes que describen alguna parte del Universo. Es evidente que al hablar de la representacin de datos imprecisos, debemos determinar la forma de almacenarlos. De tal suerte que la representacin de estos datos debe extenderse para poder lidiar con esta clase de informacin.

2) El nivel de la meta-base de conocimiento.- Las bases de datos relacionales clsicas deben tener un componente con toda la informacin que el sistema debe saber acerca de los datos que se tienen almacenados esto es datos acerca de los datos lo cual se conoce como meta-datos. Usualmente esta informacin se encuentra representada a travs de tablas de relaciones organizadas en el llamado Diccionario de Datos. El FRDMS deber contener informacin acerca de cuales son los elementos en la base de datos con informacin imprecisas as como sobre su naturaleza y representacin. En lo sucesivo llamaremos a esta parte del sistema Meta-Base de Conocimiento. La cual puede verse como una extensin de la Meta-base de conocimiento que captura toda la informacin necesaria sobre informacin imprecisa almacenada en la base de datos. 3) Al nivel del FRDBMS.- El sistema posee conocimiento sobre el tratamiento de los operadores difusos disponibles.

Implementacin de informacin imprecisa en la Base de Datos:


Los atributos que pueden ser tratados de manera imprecisa pueden ser clasificados en tres tipos de acuerdo a su dominio subyacente: 1. Atributos con datos no difusos, que tengan etiquetas lingsticas definidas en ellos. La representacin de estos atributos es similar a la de los datos precisos. Adicionalmente se deber almacenar la informacin sobre los valores correspondientes a las etiquetas y el tipo de los atributos en la meta-base de conocimiento. 2. Atributos con datos imprecisos sobre dominios ordenados. A continuacin se muestra una tabla con los tipos permitidos, asi como la informacin adicional que se requiere almacenar para cada uno de forma adicional en la meta-base de conocimiento.

Tipo de Dato UNKNOWN UNDEFINED NULL CRISP LABEL INTERVAL[A,B] APROX(d) FUZZY

Cdigo 0 1 2 3 4 5 6 7

Campo1 NULL NULL NULL d FUZZY_ID A d-Margen

Campo2 Campo3 Campo4 NULL NULL NULL NULL NULL 0 Margen NULL NULL NULL NULL NULL 0 Margen NULL NULL NULL NULL NULL B d+Margen

3. Atributos con dominios discretos con analogas. Estos atributos se utilizan para representar escalares o distribuciones de probabilidades sobre

dominios escalares. Para almacenar estos atributos, el tipo y representacin asociados con cada dato as como la definicin de las relaciones de proximidad asociadas con el dominio subyacente. Tipo de Dato Cdigo UNKNOWN UNDEFINED NULL SIMPLE POS.DISTR 0 1 2 3 4 P1 NULL NULL NULL 1 p1 Campo1 NULL NULL NULL d d1 P2 NULL NULL NULL NULL p2 Campo2 NULL NULL NULL NULL d2 P3 NULL NULL NULL NULL p3 Campo3 ... NULL NULL NULL NULL d3 ... ... ... ... ...

La Meta-base de Conocimiento:
Como hemos visto en las secciones previas, existe informacin acerca de los atributos descritas que debe ser almacenada en una forma accesible en el sistema. La meta-base de conocimiento organiza toda la informacin concerniente a la naturaleza imprecisa de estos atributos. Consideraremos a la meta-base de conocimiento como una extensin del catlogo del sistema de tal forma que se pueda organizar esta informacin utilizando tablas y relaciones. Los elementos almacenados en la meta-base de conocimiento son los siguientes:

Una relacin de los atributos de la base de datos con tratamiento impreciso. El tipo de estos atributos (1, 2 o 3) Los elementos definidos en el mbito de la base de datos, por ejemplo los cuantificadores difusos Los objetos difusos definidos para cada atributo: o Bordes Lingsticos o Valores Aproximados o Relaciones de Proximidad o Calificadores de Consultas. (umbrales de aceptacin de consultas).

En [4] se brinda un ejemplo de las tablas necesarias para implementar la meta-base de conocimientos (pp. 18 -22).

Dependencias Funcionales Difusas


Adicionalmente a lo tratado en los puntos anteriores, existe la necesidad de extender el concepto de dependencia funcional utilizado en el modelo clsico de Codd [7]. Para tratar las dependencias funcionales entre atributos de esquemas relacionales que contengan informacin imprecisa, un extenso tratamiento de este tema puede encontrarse en el trabajo de Cubero y Vila [8].

Conclusiones
La lgica difusa ha sido aplicada en la actualidad con gran xito en muchos campos, el mas conocido de estos es el de los sistemas de control e identificacin, sin embargo podemos darnos cuenta que otras reas aparentemente tan alejadas como las bases de dato, tambin pueden beneficiarse de la capacidad que brinda esta extensin de la lgica formal para tratar con la imprecisin, en algunos casos proveniente de la inexactitud de las mediciones o en otros de la vaguedad introducida por el uso del lenguaje natural en los sistemas. Aunque en el presente trabajo me he enfocado con especial atencin a el trabajo que actualmente esta realizando un grupo de investigadores en la Universidad de Granada, existen muchos otros grupos dedicados en la actualidad a investigar las formas en las que pueden hacerse extensiones mediante la lgica difusa a las bases de datos relacionales para permitirles lidiar con la imprecisin de los datos. El modelo propuesto por Medina, Vila, Cubero y Pons, nos ha servido para analizar el tipo de componentes que es necesario agregar a un RDBMS para incorporar estas funciones.

Referencias:
1. 2. 3. 4. 5. Zadeh, L.A., Fuzzy Sets as a Basis for a Theory of Posibility. Information Sciences, 1978. 3: p. 177-200. V.Kartalopoulos, S., Understanding Neural Networks and Fuzzy Logic. 1996: IEEE Press. 205. Cordon, O., Genetic fuzzy systems : evolutionary tuning and learning of fuzzy knowledge bases. 2001, Singapore: World Scientific. xxv, 462. Medina, J.M., et al., Fuzzy Knowledge Representation in Relational Databases. 1994, Universidad de Granada: Granada, Espaa. p. 27. Medina, J.M., M.A. Vila, and O. Pons, GEFRED. A Generalized Model of Fuzzy Relational Data Bases Ver 1.1. 1994, Universidad de Granada: Granada, Espaa. p. 23. Zadeh, L.A., Similarity Relations and Fuzzy Ordering. Information Sciences, 1971. 3: p. 177-200. Codd, E.F., A Relational Model of Data for Large Shared Data Banks. Comunications of the ACM, 1970. 6(13): p. 337-387. Cubero, J.C. and M.A. Vila, A New Definition of Fuzzy Functional Dependency in Fuzzy Relational Databases. 1992, Universidad de Granada, Campus de Fuentenueva: Granada, Espaa. p. 9.

6. 7. 8.