Lgica plurivalente

Una lgica plurivalente o lgica polivalente es un sistema lgico que

rechaza el principio del tercero excluido de las lgicas bivalentes y
admite
ms
valores
de
verdad
que
los
tradicionales verdadero y falso.1 Distintas lgicas plurivalentes pueden
admitir distintas cantidades de valores de verdad: desde tres, hasta
infinito.

Origen
Las lgicas polivalentes se difundieron especialmente a partir de los
trabajos de los filsofos polacos Jan ukasiewicz y Emil Post y sus
relaciones con la fsica cuntica, pero fueron expuestas anteriormente,
con diferentes enfoques, por Hegel, Hugh MacColl, Charles Sanders
Peirce y Nicolai A. Vasiliev. Stephen Kleene elabor las tablas de
verdad para un sistema de lgica trivalente. Un ejemplo para ilustrar la
trivalenecia en fsica ha sido la paradoja del gato de Schrdinger.

Variantes
Pueden considerarse como polivalentes:

la lgica dialctica de Hegel

la lgica trivalente para valores infinitos de ukasiewicz

la lgica modal, especialmente los modelos de Kripke, que definen

tres modelos de verdad: lo verdadero, lo falso y lo problemtico

la lgica difusa de Zadeh, que enfatiza en la incertidumbre y es

una lgica de la probabilidad

la lgica polivalente de Gdel, a partir de su teorema de la

incompletitud

la lgica intuicionista desarrollada por Brouwer, que restringe la

validez de la lgica clsica a lo demostrable

la logica producto, tetravalente

La lgica trivalente como la del universo de los modelos de Kripke que

contienen tres "mundos" posibles. Otras lgicas se proponen como
polivalentes o n-valentes, de mundos o un nmero infinito de
"mundos" posibles.
Aplicaciones al diseo de hardware
Lgica proposicional clsica se utiliza como una herramienta tcnica
para el anlisis y sntesis de algunos tipos de circuitos elctricos
construidos a partir de "interruptores" con dos estados estables, es
decir, niveles de voltaje. Una generalizacin bastante sencillo permite el
uso de una lgica m de valor para hablar de circuitos integrados de
"interruptores" similares con m estados estables. Todo este campo de
aplicacin de multi-valuada lgica se llama multivaluada (o incluso:
fuzzy) de conmutacin. Una buena introduccin es Epstein (1993).
Aplicaciones a la Inteligencia Artificial
AI es en realidad el campo ms prometedor de aplicaciones, que ofrece
una serie de diferentes reas en las que se han utilizado sistemas de
MVL.
Una primera rea de solicitud se refiere a nociones vagas y el
razonamiento de sentido comn, por ejemplo, en sistemas expertos.
Ambos temas se modelan a travs de los conjuntos borrosos y la lgica
difusa, y estos se refieren a los sistemas adecuados de MVL. Adems, en
las bases de datos y en los sistemas basados en el conocimiento a uno
le gusta almacenar informacin vaga.
Una segunda rea de aplicacin est fuertemente ligado con esta
primera: la automatizacin de minera de datos y conocimiento. Aqu
mtodos de agrupamiento entran en consideracin; estos se refieren a
travs de grupos de enfoque para los conjuntos borrosos y MVL. En este
contexto tambin se est interesado en tcnicas automatizadas teorema
que demuestra para los sistemas de MVL, as como en los mtodos de
programacin lgica para los sistemas de MVL. Parte de esta tendencia
es el reciente desarrollo de lgicas descriptivas generalizadas, los
llamados Descripcin difusos lgicas, que permiten la inclusin de
herramientas tcnicas (grados verdad, conectivas, predicados
graduadas) desde el campo de la LMV en - desde el punto de vista de la

plena lgica de primer orden: rudimentarias - sistemas de lgica,

descripcin llamados lgicas, ver Straccia (2001), Hjek (2005), Stoilos
et al. (2008).
Aplicaciones a Matemticas
Hay tres temas principales dentro de las matemticas que se relacionan
con multivaluada lgica. La primera de ellas es la teora matemtica de
conjuntos difusos, y el anlisis matemtico de "fuzzy", o razonamiento
aproximado. En ambos casos, uno se refiere a sistemas de MVL. El
segundo tema ha sido aproxima hacia pruebas de consistencia de la
teora de conjuntos utilizando un sistema adecuado de MVL. Y hay una a menudo slo implcita - referencia a las ideas bsicas de MVL en
pruebas de independencia (por ejemplo, para los sistemas de axiomas)
que a menudo se refieren a las matrices lgicas con ms de dos grados
de la verdad. Sin embargo, aqu MVL es ms una herramienta
puramente tcnico, porque en estas pruebas de independencia uno no
est interesado en una comprensin intuitiva de los grados de la verdad
en absoluto.
Red Neuronal Artificial
Redes Neuronales Artificiales Una red neuronal artificial (ANN) es un
esquema de computacin distribuida inspirada en la estructura del
sistema nervioso de los seres humanos. La arquitectura de una red
neuronal es formada conectando mltiples procesadores elementales,
siendo ste un sistema adaptivo que pose un algoritmo para ajustar sus
pesos (parmetros libres) para alcanzar los requerimientos de
desempeo del problema basado en muestras representativas. Por lo
tanto podemos sealar que una ANN es un sistema de computacin
distribuida caracterizada por: o Un conjunto de unidades elementales,
cada una de las cuales posee bajas capacidades de procesamiento. o
Una densa estructura interconectada usando enlaces ponderados. o
Parmetros libres que deben ser ajustados para satisfacer los
requerimientos de desempeo. o Un alto grado de paralelismo. Es
importante sealar que la propiedad ms importantes de las redes
neuronales artificiales es su capacidad de aprender a partir de un
conjunto de patrones de entrenamientos, es decir, es capaz de encontrar
un modelo que ajuste los datos. El proceso de aprendizaje tambin
conocido como entrenamiento de la red puede ser supervisado o no
supervisado. El aprendizaje supervisado consiste en entrenar la red a
partir de un conjunto de datos o patrones de entrenamiento compuesto
por patrones de entrada y salida. El objetivo del algoritmo de

aprendizaje es ajustar los pesos de la red w de manera tal que la salida

generada por la ANN sea lo ms cercanamente posible a la verdadera
salida dada una cierta entrada. Es decir, la red neuronal trata de
encontrar un modelo al procesos desconocido que gener la salida y.
Este aprendizaje se llama supervisado pues se conoce el patrn de
salida el cual hace el papel de supervisor de la red. En cambio en el
aprendizaje no supervisado se presenta slo un conjunto de patrones a
la ANN, y el objetivo del algoritmo de aprendizaje es ajustar los pesos de
la red de manera tal que la red encuentre alguna estructura o
configuracin presente en los datos.
Aplicaciones
A la hora de disear nuestra red neuronal para resolver un problema
concreto es conveniente disponer de una herramienta software de
diseo de ANN. Con una herramienta de stas basta con pensar en
trminos de redes y no en programacin de algoritmos en lenguajes de
alto nivel. De esta manera todo el esfuerzo se debe dirigir al diseo de la
arquitectura o estructura de la red y en la seleccin de los datos del
conjunto de entrenamiento y de test. El diseador construye con el
software apropiado la red especificando el nmero de capas, de
neuronas y los tipos de conexiones. Define los ficheros o conjuntos de
datos de entrada y salida, y debe elegir los parmetros de los clculos
internos de la red. Adems el diseador puede seleccionar diferentes
funciones de transferencia y procesamiento de las neuronas, as como
construir variaciones de los modelos estndar. En la fase de
entrenamiento se debe especificar el nmero de iteraciones y la
planificacin de los cambios de los parmetros de aprendizaje.
Generalmente esta fase requiere varias sesiones y la experimentacin
de diferentes parmetros de aprendizaje, diferentes vectores de entrada
o diversas estrategias de entrenamiento permiten obtener conclusiones
definitivas para la solucin ms eficaz de una aplicacin.
Entre las reas de aplicacin de las redes se encuentran entre otras las
siguientes: Anlisis Financiero; Procesado de Imgenes en el mbito de
la Medicina, Industria y Defensa; Diagnstico Mdico y Comercial;
Robtica y Control; Reconocimiento y Sntesis de Voz; Clasificacin de
Datos provenientes de sensores; Compresin y Codificacin de
Informacin.
Ejemplo

Procesamiento de voz e imagenes

Inteligencia artificial
La inteligencia artificial (IA) puede definirse como el medio por el cual
las computadoras, los robots y otros dispositivos realizan tareas que
normalmente requieren de la inteligencia humana. Por ejemplo, la
resolucin de cierto tipo de problemas, la capacidad de discriminar entre
distintos objetos o el responder a rdenes verbales. La IA agrupa un
conjunto de tcnicas que, mediante circuitos electrnicos y programas

avanzados de computadora, busca imitar procedimientos similares a los

procesos inductivos y deductivos del cerebro humano. Se basa en la
investigacin de las redes neuronales humanas y, a partir de ah, busca
copiar electrnicamente el funcionamiento del cerebro.
Aplicaciones
Video de juego
Usted puede comprar las mquinas que pueden jugar al ajedrez de nivel
master por unos pocos cientos de dlares. Hay algo de AI en ellos, pero
juega bien contra las personas, principalmente a travs de la fuerza
bruta de clculo - mirando cientos de miles de puestos. Para vencer a un
campen del mundo por la fuerza bruta y la heurstica confiables
conocidos requiere ser capaz de mirar a los 200 millones de posiciones
por segundo.
Reconocimiento de voz
En la dcada de 1990, el reconocimiento de voz de ordenador alcanza
un nivel prctico para propsitos limitados. As United Airlines ha
sustituido su rbol teclado para obtener informacin de vuelo por un
sistema que utiliza el reconocimiento de voz de los nmeros de vuelo y
nombres de ciudades. Es muy conveniente. Por otro lado, si bien es
posible para instruir a algunos ordenadores utilizando el habla, la
mayora de los usuarios han vuelto a el teclado y el ratn como todava
ms conveniente.
Comprensin del lenguaje natural
El simple hecho de una secuencia de palabras en una computadora no
es suficiente. Analizar oraciones tampoco es suficiente. El equipo tiene
que estar provisto de un conocimiento del dominio que trata el texto, y
esto es posible en la actualidad slo para dominios muy limitadas.
Visin por computador
El mundo se compone de objetos tridimensionales, pero las entradas
para el ojo humano y las cmaras de televisin ordenadores es de dos
dimensiones. Algunos programas tiles pueden trabajar solamente en
dos dimensiones, pero la visin de equipo completo requiere informacin
tridimensional parcial que no es slo un conjunto de vistas
bidimensionales. En la actualidad hay maneras slo limitadas de
representacin de la informacin en tres dimensiones directamente, y no
son tan buenos como lo que los seres humanos utilizan evidentemente.