PHD Gal in

UNIVERSIDAD DE GRANADA
E.T.S.I. INFORMATICA
Dpto. de Ciencias de la Computacion e Inteligencia Arti cial
TESIS DOCTORAL
TRATAMIENTO de la IMPRECISION en BASES de DATOS RELACIONALES:

EXTENSION del MODELO y ADAPTACION de los SGBD ACTUALES
Jose Galindo Gomez

1999
UNIVERSIDAD DE GRANADA
TESIS DOCTORAL
TRATAMIENTO de la IMPRECISION en BASES de DATOS RELACIONALES:

EXTENSION del MODELO y ADAPTACION de los SGBD ACTUALES
: Jose Galindo Gomez : Juan Miguel Medina Rodr guez : Ciencias de la Computacion e
Autor Director Departamento
Inteligencia Arti cial
Programa de Doctorado : Tratamiento de la Informacion en
Inteligencia Arti cial
Esta Tesis Doctoral fue defendida del 12 de Marzo de 1999, obteniendo la cali cacion de SOBRESALIENTE CUM LAUDE.
Indice General
Agradecimientos y Dedicatorias 1 Introduccion: Bases de Datos y Conjuntos Difusos
1.1 Motivacion y Objetivos . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Descripcion por Cap tulos . . . . . . . . . . . . . . . . . . 1.2 Modelo Relacional de Bases de Datos . . . . . . . . . . . . . . . . 1.2.1 Estructuras de Datos: Tablas o Relaciones . . . . . . . . . 1.2.2 Integridad de los Datos . . . . . . . . . . . . . . . . . . . 1.2.3 De nicion de los datos . . . . . . . . . . . . . . . . . . . . 1.2.4 Manipulacion de los Datos: Algebra y Calculo Relacional 1.2.4.1 Algebra Relacional . . . . . . . . . . . . . . . . . 1.2.4.2 Calculo Relacional . . . . . . . . . . . . . . . . . 1.2.5 El Lenguaje SQL . . . . . . . . . . . . . . . . . . . . . . . 1.2.5.1 Comando SELECT . . . . . . . . . . . . . . . . . 1.2.5.2 Comando INSERT . . . . . . . . . . . . . . . . . 1.2.5.3 Comando DELETE . . . . . . . . . . . . . . . . . 1.2.5.4 Comando UPDATE . . . . . . . . . . . . . . . . . 1.2.5.5 Comando CREATE TABLE . . . . . . . . . . . . . 1.2.6 El SGBDR Oracle . . . . . . . . . . . . . . . . . . . . . . 1.2.6.1 Estructuras y Tipos de Datos . . . . . . . . . . . 1.2.6.2 Integridad de los Datos . . . . . . . . . . . . . . 1.3 Teor a de Conjuntos Difusos . . . . . . . . . . . . . . . . . . . . . 1.3.1 Conjuntos Difusos . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Conceptos sobre Conjuntos Difusos . . . . . . . . . . . . . 1.3.3 Operaciones sobre Conjuntos Difusos . . . . . . . . . . . . 1.3.3.1 Union e Interseccion . . . . . . . . . . . . . . . . 1.3.3.2 Complemento . . . . . . . . . . . . . . . . . . . 1.3.4 Numeros Difusos . . . . . . . . . . . . . . . . . . . . . . . 1.3.4.1 El Principio de Extension . . . . . . . . . . . . . 1.3.4.2 Aritmetica Difusa . . . . . . . . . . . . . . . . . 1.3.5 Teor a de la Posibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 5 6 8 9 10 10 11 13 16 17 19 20 20 20 22 23 25 25 25 27 28 28 29 30 31 32 33
1 3
2 Modelos de BDR Difusas: GEFRED
2.1 Imprecision Sin Utilizar Logica Difusa . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Aproximacion de Codd . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2 Esquema con Valores por Defecto . . . . . . . . . . . . . . . . . . . . . I
35
36 36 37
II 2.1.3 Rangos en Valores . . . . . . . . . . . . . . . 2.1.4 Bases de Datos Estad sticas y Probabil sticas Modelos Basicos de Bases de Datos Difusas . . . . . Modelo de Buckles-Petry . . . . . . . . . . . . . . . . Modelo de Prade-Testemale . . . . . . . . . . . . . . Modelo de Umano-Fukami . . . . . . . . . . . . . . . Modelo de Zemankova-Kaendel . . . . . . . . . . . . Modelo GEFRED de Medina et al. . . . . . . . . . . Resumen de los Tipos de Modelos de BDRD . . . . Lenguajes para Consultas Flexibles . . . . . . . . . . 2.9.1 El Lenguaje SQLf de Bosc y Pivert . . . . . . 2.9.2 Cuanti cadores Difusos de la Consulta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
INDICE GENERAL
2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 37 38 38 39 40 42 43 47 48 49 50
3 Division Relacional Difusa
3.1 Introduccion y Enfoque del Problema . . . . . . . . . . . . . . . . . . . . . . 3.2 Dos Nuevos Operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Interseccion Difusa Cuali cada: \Q . . . . . . . . . . . . . . . . . . . 3.2.2 Proyeccion Difusa Generalizada con Funciones de Grupo F : P F . . . 3.2.2.1 Consideraciones Adicionales . . . . . . . . . . . . . . . . . . 3.3 Division Relacional Difusa Generalizada: . . . . . . . . . . . . . . . . . . . 3.3.1 De nicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2 Justi cacion de la Division Difusa Generalizada y Comparacion con la Formula Clasica de la Division Relacional . . . . . . . . . . . . . . . . 3.4 Un Ejemplo Practico de Division Relacional Difusa . . . . . . . . . . . . . . . 3.5 Problemas que se Plantean y Posibles Soluciones . . . . . . . . . . . . . . . . 3.6 Relajacion del Cuanti cador en la Division Difusa . . . . . . . . . . . . . . . 3.7 Estudio Comparativo con otras Propuestas . . . . . . . . . . . . . . . . . . . 3.7.1 La Division de Mouaddib . . . . . . . . . . . . . . . . . . . . . . . . . 3.7.1.1 Analisis de la Propuesta . . . . . . . . . . . . . . . . . . . . . 3.7.2 La Division de Umano/Fukami . . . . . . . . . . . . . . . . . . . . . . 3.7.2.1 Analisis de la Propuesta . . . . . . . . . . . . . . . . . . . . . 3.7.3 Distintos Tipos de Divisiones para Distintos Signi cados, segun Bosc et al. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7.3.1 Analisis de la Propuesta . . . . . . . . . . . . . . . . . . . . . 3.7.4 La Division de Yager . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7.4.1 Analisis de la Propuesta . . . . . . . . . . . . . . . . . . . . . 3.7.5 La Division de Vila et al. . . . . . . . . . . . . . . . . . . . . . . . . . 3.7.5.1 Analisis de la Propuesta . . . . . . . . . . . . . . . . . . . . . 3.8 Conclusiones y L neas Futuras sobre la Division Difusa . . . . . . . . . . . . .
53
53 55 55 60 64 65 65
66 67 74 75 78 78 80 81 82 83 86 88 91 91 93 95
4 Calculo Relacional Difuso
4.1 Calculo Relacional Difuso de Dominios . . . . . . . . . . . . . . . . . . . . . . 98 4.1.1 De nicion de las Expresiones del Calculo Difuso de Dominios . . . . . 98 4.1.1.1 Atomos Difusos . . . . . . . . . . . . . . . . . . . . . . . . . 98 4.1.1.2 Formulas Bien Formadas con Atomos Difusos: WFF (Well Formed Formulas ) . . . . . . . . . . . . . . . . . . . . . . . . 101
97
INDICE GENERAL
4.2 4.1.2 Restriccion del Calculo Relacional Difuso para Producir Relaciones Finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Capacidad Expresiva del Calculo Relacional Difuso . . . . . . . . . . . . . . . 4.2.1 Operadores Primitivos del Algebra . . . . . . . . . . . . . . . . . . . . 4.2.2 Operadores No Primitivos del Algebra . . . . . . . . . . . . . . . . . . 4.2.3 Traduccion de Algebra Relacional Difuso a Calculo Relacional Difuso de Dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Calculo de la Relacion Difusa Resultante . . . . . . . . . . . . . . . . . . . . . 4.3.1 Grado de una variable en una WFF con una sustitucion . . . . . . . . 4.3.2 Relacion Difusa Generalizada Resultante . . . . . . . . . . . . . . . . . Ejemplos de Consultas en Calculo Relacional Difuso . . . . . . . . . . . . . . Cuanti cadores Difusos en el Calculo Relacional Difuso . . . . . . . . . . . . Estudio Comparativo con otras Propuestas . . . . . . . . . . . . . . . . . . . Conclusiones y L neas Futuras sobre el Calculo Relacional Difuso . . . . . . .
III 103 104 104 106 108 108 109 115 116 129 131 132
4.3 4.4 4.5 4.6 4.7
5 Arquitectura de la BDRD: El Servidor FSQL
5.1 Implementacion de la BDRD: FIRST . . . . . . . . . . . . . . . . . . . . . . . 134 5.1.1 Esquema General de FIRST . . . . . . . . . . . . . . . . . . . . . . . . 134 5.1.2 Representacion del Conocimiento Impreciso . . . . . . . . . . . . . . . 136 5.1.2.1 Representacion de los Datos Difusos y/o con Tratamiento Difuso136 5.1.2.2 Comparadores Difusos Generalizados . . . . . . . . . . . . . 139 5.1.2.3 Umbral de Cumplimiento de una Condicion Difusa: Cuali cadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 5.1.2.4 Representacion de Cuanti cadores Difusos de la Consulta . . 140 5.1.3 Implementacion de FIRST en Oracle . . . . . . . . . . . . . . . . . . . 140 5.1.3.1 Representacion del Conocimiento Impreciso en la Base de Datos Oracle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 5.1.3.2 FMB (Fuzzy Metaknowledge Base, Base de Metaconocimiento Difuso): De nicion de Tablas . . . . . . . . . . . . . . . . . . 144 5.1.3.3 Resumen del Contenido de la FMB . . . . . . . . . . . . . . 152 5.1.3.4 Vistas sobre la FMB . . . . . . . . . . . . . . . . . . . . . . . 153 5.1.4 Ejemplo de Implementacion en FIRST de la BD y la FMB . . . . . . 154 5.2 Sintaxis y Semantica del Lenguaje FSQL . . . . . . . . . . . . . . . . . . . . 160 5.2.1 El DML de FSQL: SELECT, INSERT, DELETE y UPDATE . . . . . . . . . 160 5.2.1.1 Novedades en el SELECT Difuso . . . . . . . . . . . . . . . . . 161 5.2.1.2 Otros Comandos: INSERT, DELETE y UPDATE . . . . . . . . . 167 5.2.1.3 Cuanti cadores en FSQL . . . . . . . . . . . . . . . . . . . . 167 5.2.1.4 De nicion de los Comparadores Difusos de FSQL para Atributos Difusos Tipo 1 o 2 . . . . . . . . . . . . . . . . . . . . 170 5.2.1.5 Equivalencias entre Comparadores Difusos y Excepciones a sus De niciones . . . . . . . . . . . . . . . . . . . . . . . . . 176 5.2.1.6 Restrictividad de los Comparadores Difusos . . . . . . . . . . 178 5.2.1.7 De nicion del Comparador Difuso FEQ para Atributos Difusos Tipo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178 5.2.1.8 Tipos de Condiciones Difusas Elementales, Con y Sin Expresiones Aritmeticas . . . . . . . . . . . . . . . . . . . . . . . . 179 5.2.1.9 Comparacion de Valores Crisp Usando Comparadores Difusos 183
133
IV
INDICE GENERAL
5.2.1.10 Ejemplos de Consultas en FSQL . . . . . . . . . . . . . . . . 5.2.2 El DDL de FSQL: CREATE, ALTER y DROP . . . . . . . . . . . . . . . . 5.2.2.1 Comandos del DDL de FSQL . . . . . . . . . . . . . . . . . . 5.2.2.2 Ejemplo de Creacion de una BDRD con Sentencias del DDL de FSQL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Arquitectura del Servidor FSQL . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.1 Datos: Base de Datos Tradicional y FMB . . . . . . . . . . . . . . . . 5.3.2 Servidor FSQL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.3 Cliente FSQL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.4 Funcionamiento del Servidor FSQL . . . . . . . . . . . . . . . . . . . . El Servidor FSQL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.1 Informacion y Opciones de Con guracion del Servidor FSQL . . . . . 5.4.2 Estad sticas y Controles de Acceso del Servidor FSQL . . . . . . . . . 5.4.3 Instalacion/Desinstalacion del Servidor FSQL . . . . . . . . . . . . . . 5.4.4 Instalacion/Desinstalacion de una Base de Datos de Ejemplo . . . . . Implementacion del Servidor FSQL . . . . . . . . . . . . . . . . . . . . . . . . 5.5.1 Analizador Lexico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5.2 Analizador Sintactico . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5.3 Analizador Semantico y Conversor . . . . . . . . . . . . . . . . . . . . 5.5.3.1 Fase preliminar: Las Tablas, sus Alias y los Comodines . . . 5.5.3.2 Fase de Tratamiento de Atributos Difusos . . . . . . . . . . . 5.5.3.3 Fase de Tratamiento de la Funcion CDEG . . . . . . . . . . . . 5.5.4 Funciones de Representacion y Comparacion Difusa . . . . . . . . . . 5.5.4.1 Funciones de Representacion . . . . . . . . . . . . . . . . . . 5.5.4.2 Funciones de Comparacion Difusa . . . . . . . . . . . . . . . 5.5.5 Como Introducir Nuevos Comparadores Difusos en FSQL y su Servidor Mejoras Posibles al Sistema FSQL . . . . . . . . . . . . . . . . . . . . . . . . 5.6.1 Mejoras al Lenguaje FSQL . . . . . . . . . . . . . . . . . . . . . . . . 5.6.2 Mejoras al Servidor FSQL . . . . . . . . . . . . . . . . . . . . . . . . . 183 190 191 197 199 200 200 201 201 202 202 206 207 209 209 212 215 217 218 218 219 220 220 223 225 227 227 229
5.3
5.4
5.5
5.6
6 El Cliente FSQL
6.1 Objetivo y Funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Programacion de Clientes FSQL: Operaciones Basicas . . . . . . . . . . . . . 6.2.1 Ejecucion de Sentencias FSQL . . . . . . . . . . . . . . . . . . . . . . 6.2.2 Ver las Etiquetas De nidas para un Atributo Difuso . . . . . . . . . . 6.2.3 Ver el MARGEN y la Distancia MUCH . . . . . . . . . . . . . . . . . . . . 6.2.4 Ver Atributos Difusos Tipo 3 Compatibles y sus Longitudes . . . . . . 6.2.5 Ver si estan Instalados los Paquetes del Servidor FSQL . . . . . . . . 6.2.6 Ver Funciones que Aplica CDEG para los Operadores Logicos . . . . . . 6.2.7 Acceso a Informacion sobre el Servidor FSQL, Estad sticas y otras Opciones de Con guracion . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3 Programacion de FQ, un Cliente FSQL . . . . . . . . . . . . . . . . . . . . . 6.4 Cliente FSQL Visual en Java . . . . . . . . . . . . . . . . . . . . . . . . . . .
231
231 233 233 234 235 236 236 236
237 237 240
INDICE GENERAL
V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Algunas Aplicaciones del lenguaje FSQL
7.1 Clasi cacion Difusa de Imagenes de una Base de Datos . . . . . . . . . 7.1.1 Introduccion al Problema . . . . . . . . . . . . . . . . . . . . . 7.1.2 Representacion de la Forma de un Objeto . . . . . . . . . . . . 7.1.2.1 La Curva de Curvaturas a la Escala Mas Signi cativa 7.1.3 Deteccion de Caracter sticas Propias . . . . . . . . . . . . . . . 7.1.4 Clasi cacion, segun las Caracter sticas de cada Imagen . . . . . 7.1.4.1 Clasi cacion de Figuras Geometricas . . . . . . . . . 7.1.4.2 Clasi cacion de Figuras Complejas . . . . . . . . . . . 7.2 Data Mining con FSQL en un Entorno Financiero . . . . . . . . . . . 7.2.1 Data Mining como Area Independiente . . . . . . . . . . . . . . 7.2.2 Tecnicas de Data Mining . . . . . . . . . . . . . . . . . . . . . 7.2.3 DAPHNE: Un Prototipo para Clustering Financiero . . . . . . 7.2.3.1 Funcionamiento de DAPHNE . . . . . . . . . . . . . . 7.2.4 Uso de FSQL para Clustering Difuso . . . . . . . . . . . . . . . 7.2.5 Resultados Experimentales . . . . . . . . . . . . . . . . . . . . 7.3 Gestion de una Inmobiliaria Difusa . . . . . . . . . . . . . . . . . . . . 7.3.1 Objetivos Principales . . . . . . . . . . . . . . . . . . . . . . . 7.3.2 Atributos Difusos . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3.3 Ejemplos de Consultas Flexibles . . . . . . . . . . . . . . . . .
243
243 243 244 244 245 248 248 249 250 250 252 254 255 258 259 261 262 263 264
Conclusiones y L neas Futuras A Palabras Reservadas de FSQL B Gramatica de FSQL

B.1 B.2 B.3 B.4 B.5
Gramatica del SELECT Difuso de FSQL . . . . . Gramatica del INSERT Difuso de FSQL . . . . . Gramatica del DELETE Difuso de FSQL . . . . . Gramatica del UPDATE Difuso de FSQL . . . . . Gramatica de las Sentencias del DDL de FSQL
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
267 271 273

273 282 283 283 285
C Errores Generados por el Servidor FSQL D Funciones Utiles del Paquete FSQL PKG E Ficheros Generados con este Trabajo
E.1 Disco del Servidor FSQL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315 E.2 Discos de FQ: El Cliente FSQL . . . . . . . . . . . . . . . . . . . . . . . . . . 315
297 311 315 319 331
F Ejemplos de Sentencias FSQL Traducidas a SQL G Manual de Usuario de FQ (Fuzzy Queries)
F.1 DML: Consultas FSQL Traducidas por el Servidor FSQL . . . . . . . . . . . 319 F.2 DDL: Sentencias CREATE, ALTER y DROP de FSQL Traducidas a SQL . . . . . 325 G.1 Instalacion de FQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332 G.2 Empezando con FQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332 G.3 Las Opciones de FQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
VI G.3.1 Menu Archivo (File) . . . . . . . . . . . . G.3.2 Menu Edicion (Edit) . . . . . . . . . . . . G.3.3 Menu SGBD (DBMS) . . . . . . . . . . . G.3.4 Menu Insertar (Insert) . . . . . . . . . . . G.3.5 Menu Opciones (Options) . . . . . . . . . G.3.6 Menu Herramientas (Tools) . . . . . . . . G.3.7 Menu Ayuda (Help) . . . . . . . . . . . . G.4 La Ventana de Resultados . . . . . . . . . . . . . G.4.1 Submenu Archivo (File) . . . . . . . . . . G.4.2 Submenu Opciones (Options) . . . . . . . G.5 Sobre los Tiempos de Traduccion y Recuperacion G.6 Mejoras para Sucesivas Versiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
INDICE GENERAL
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334 334 335 341 343 344 344 345 346 347 350 351
H Glosario de Terminos y Siglas Referencias Bibliogra cas Marcas Registradas Indices
Indice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373 Indice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377 Indice de Materias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
353 359 371 373
Agradecimientos y Dedicatorias
No han sido pocos los que, de alguna forma, han colaborado a que pueda terminar este trabajo. A todos ellos quiero expresar mi agradecimiento mas sincero y \crisp". Aun pudiendo caer en el error de olvidar a alguien, me gustar a nombrar a algunos para agradecerles expl citamente su colaboracion y apoyo: A todos los miembros en general del grupo de trabajo en \Razonamiento Aproximado e Inteligencia Arti cial" del Departamento de Ciencias de la Computacion e Inteligencia Arti cial de la Universidad de Granada y en particular a Juan Miguel Medina y Amparo Vila; al Gobierno Espa~ol, a traves del proyecto n TIC97-0931, y a la \Caja General de Ahorros de Granada" por su colaboracion en el trabajo sobre Data Mining y FSQL (apartado 7.2); a Ramon Alberto Carrasco, Antonio Caba y Jose Andres Carreras; a la Universidad de Malaga y en particular a los miembros del Departamento de Lenguajes y Ciencias de la Computacion. Tambien quiero dedicar este trabajo y agradecer el apoyo de mis padres y hermanas, mis suegros y cu~ados, mi abuela Esperanza, mi sobrino Carlos, mi mujer M. Carmen Arann da y, por supuesto, mi hija Patricia, a quien, ademas de agradecer su incre ble capacidad comprensiva tambien quiero dedicarle este trabajo muy especialmente. En general, me gustar a dedicar este trabajo a los ni~os y ni~as del mundo, pues ellos son n n el presente y el futuro y por ellos, y no por nosotros, debemos luchar todos para conseguirles un mundo mas justo, mas limpio y lleno de vida.
AGRADECIMIENTOS Y DEDICATORIAS
Cap tulo 1
Introduccion: Bases de Datos y Teor a de Conjuntos Difusos

1.1 Motivacion y Objetivos
La evolucion de las bases de datos comenzo con el uso, de forma elemental, de cheros secuenciales. Con el tiempo, se fueron creando aplicaciones para estos cheros y fueron surgiendo diversos problemas, como son la e ciencia en la recuperacion de informacion, la redundancia, seguridad... As , nacieron los primeros Sistemas Gestores de Bases de Datos (SGBD o DBMS, DataBase Management Systems ), como programas encargados de gestionar el almacenamiento y recuperacion de la informacion, teniendo en cuenta los aspectos y problemas que esto plantea. La arquitectura ANSI/SPARC data de 1978 y en ella se propone la division de un SGBD en tres niveles: El nivel interno, el nivel conceptual y el nivel externo. El nivel interno es el mas cercano a la parte f sica del SGBD, y se encarga de como y donde son almacenados f sicamente los datos. El nivel conceptual se encarga de organizar las relaciones existentes entre los datos, describiendo las entidades, atributos, relaciones, tipos de datos, operaciones basicas y restricciones de la base de datos global. El nivel externo es el mas cercano al usuario y se encarga de describir una parte de la base de datos para un usuario o grupo de usuarios particular, escondiendo el resto de la base de datos y evitando el acceso de los usuarios a informacion privada. Estos tres niveles son muy importantes en todos los SGBD, pero quizas el mas relevante de ellos sea el nivel conceptual. Originariamente, el nivel conceptual permite la utilizacion de tipos de datos elementales a los que llamaremos \crisp" (en contraposicion a los tipos difusos que veremos mas adelante). Estos tipos de datos son, por ejemplo, datos numericos (basicamente naturales, enteros y reales con distinta precision), datos alfanumericos (cadenas de caracteres de distinta longitud) y datos binarios (como cheros de imagenes, sonido...). Ademas, un SGBD debe incorporar un conjunto de operaciones basicas sobre la base de datos para, por ejemplo, insertar, modi car, borrar o consultar informacion. De estas, las mas importantes y usuales seran aquellas destinadas a la consulta de informacion. Por ejemplo, se pueden efectuar preguntas del tipo \dame las personas que tienen mas de 17 a~os y menos n de 25". Las bases de datos tradicionales o clasicas no permiten el almacenamiento de conceptos \difusos" que los humanos manejamos de forma cotidiana y natural. Por conceptos o 3
CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS
informacion \difusa" (o fuzzy ) entendemos informacion que encierra alguna imprecision o incertidumbre. Por ejemplo, el concepto de persona \joven" indica claramente que la persona no tiene 80 a~os, pero no indica expl citamente su edad exacta. En bases de datos tradicionales n se podr a almacenar la etiqueta \joven" como de forma textual (dato alfanumerico), pero esto, ademas de complicar el almacenamiento de edades numericas normales, nos imposibilita el tratamiento apropiado de esta informacion. Es decir, podemos almacenar la palabra \joven", pero no la informacion que esta expresa. De este modo, cuestiones como \dame las personas que tienen menos de 40 a~os" no se podr an resolver, pues habr a que comparar el numero 40 n con la cadena de caracteres \joven". Ademas, otro tipo de consultas son tambien imposibles de efectuar en bases de datos clasicas, como son \dame las personas que son jovenes" o \cuya edad es cercana a \joven". Las bases de datos difusas unieron la teor a de bases de datos, principalmente del modelo relacional (apartado 1.2) con la teor a de conjuntos difusos (apartado 1.3), para permitir, basicamente dos objetivos: El almacenamiento de informacion difusa (ademas de informacion no difusa o \crisp", por supuesto) y el tratamiento y consulta de esta informacion de forma difusa o exible. Ligado a esto han surgido propuestas en multitud de sentidos, incluyendo la consulta difusa en bases de datos clasicas, sin informacion difusa. Algunos ejemplos de esas propuestas seran expuestas en el Cap tulo 2 y en el apartado 3.7, destacando el Modelo GEFRED (apartado 2.7) como una s ntesis de los modelos mas relevantes publicados en la literatura. Queremos hacer hincapie en un aspecto de las bases de datos difusas, que nos parece de vital importancia en estas: Cada elemento resultante de una consulta difusa debera ser recuperado junto con un grado que indique el nivel con el que dicho elemento ha satisfecho la condicion difusa impuesta en la consulta. A este grado lo llamaremos grado de cumplimiento, de compatibilidad o nivel de satisfaccion. Este grado de cumplimiento suele ser un valor real entre 0 (condicion no satisfecha en absoluto) y 1 (condicion totalmente satisfecha). El grado de cumplimiento es fundamental, pues es una ventaja importante con respecto a las bases de datos clasicas. Es decir, la pregunta \dame las personas jovenes" en una base de datos clasica ser a traducida, por ejemplo, como \dame las personas que tienen entre 17 y 25 a~os". Con esa consulta, una base de datos clasica recupera exclusivamente las personas que n tienen una edad entre 17 y 25 a~os y no recuperara una persona que tenga 16 o 26 a~os, por n n ejemplo. Sin embargo, una persona con 16 o 26 a~os es tambien \joven" en algun nivel. Por n el contrario, a la consulta \dame las personas jovenes" una base de datos difusa respondera recuperando cada persona con un grado de cumplimiento indicando en que medida cada persona es \joven". Por ejemplo, podemos obtener como resultado de la consulta anterior la relacion de la Tabla 1.1. As pues, en bases de datos difusas podemos efectuar consultas exibles y muy expresivas estableciendo umbrales de cumplimiento para las condiciones difusas, como por ejemplo, \dame las personas jovenes con grado m nimo 0.75". Aunque a primera vista pueda no parecerlo, el uso de informacion difusa hace surgir numerosos problemas que no se plantean con informacion \crisp". En este trabajo pretendemos estudiar tales problemas y plantear soluciones para eliminarlos o para evitar, en lo posible, sus efectos. Principalmente, nos centraremos en estudiar la operacion de la division relacional en bases de datos difusas y la creacion de un lenguaje de consulta difuso basado en el calculo relacional. Tambien presentamos el Servidor FSQL, que es un prototipo multiusuario de bases de datos difusas construido sobre el SGBD Oracle (apartado 1.2.6). El Servidor FSQL permite
1.1. MOTIVACION Y OBJETIVOS

Nombre Fulano Mengano Pepe Juanito Benito Zutano Matusalen Grado de Edad Cumplimiento 23 1.0 Joven 1.0 28 0.8 13 0.7 Maduro 0.5 Aprox. 33 0.1 969 0.0
Matusalen o Matusalem fue un Patriarca b blico antediluviano (Gen. 5, 21{27) al que la Biblia le computa 969 a~os. n
Tabla 1.1: Resultado de ejemplo de la consulta difusa \dame las personas jovenes". el almacenamiento de informacion difusa y su tratamiento a traves de otro lenguaje especial para manejo y de nicion de informacion difusa, el FSQL (Fuzzy SQL), que es una extension del popular lenguaje SQL (apartado 1.2.5). Por supuesto, este lenguaje permite recuperar los grados de cumplimiento.
1.1.1 Descripcion por Cap tulos
De una forma rapida y general, podemos describir el contenido de esta memoria explicando brevemente el contenido de los cap tulos: Cap tulo 1: Se da una introduccion general y se plantean los objetivos de este trabajo. Se incluyen una introduccion a los conceptos de Bases de Datos Relacionales y de la Teor a de Conjuntos Difusos, los cuales seran utilizados a lo largo de esta memoria. Cap tulo 2: Se introducen los principales modelos publicados para dar solucion al tratamiento de informacion \imprecisa" en bases de datos relacionales, especialmente aquellos que utilizan la teor a de Conjuntos Difusos. En particular, nos centramos en el modelo GEFRED, sobre el que esta construido todo este trabajo. Se incluye una vision general de las diferentes caracter sticas que distinguen los distintos modelos de Bases de Datos Relacionales Difusas (BDRD). Cap tulo 3: Se de ne el operador Division Relacional del Algebra Relacional, pero para trabajar con Bases de Datos Relacionales Difusas (BDRD). Para ello, se de nen dos nuevos operadores con utilidad por s mismos. Al nal se incluye un analisis comparativo con otros modelos de Division Relacional Difusa. Cap tulo 4: Se de ne un Calculo Relacional de Dominios para una BDRD, as como un mecanismo para calcular para cada tupla los grados de cumplimiento de las condiciones impuestas en la formula bien formada de la expresion. Cap tulo 5: Este cap tulo trata sobre como se ha implementado el Servidor FSQL. Para ello, primero se de nen dos conceptos que seran utilizados en esta implementacion: Una arquitectura para una BDRD basada en Oracle y un lenguaje de consulta y de nicion de datos para BDRD basado en SQL, el lenguaje FSQL. Se incluye una descripcion detallada de las caracter sticas del Servidor FSQL y de su implementacion.

programas Cliente FSQL, que son utilizados como interfaz entre el usuario y el Servidor FSQL del cap tulo anterior. Ademas, se explica el funcionamiento de la comunicacion entre Cliente y Servidor FSQL y como programar un Cliente FSQL, as como una serie de operaciones utiles en estos programas. Se incluye una breve referencia a como esta implementado el programa FQ, un Cliente FSQL creado para este trabajo, y el proyecto de creacion de un cliente FSQL Visual, en Java para que pueda ser ejecutado a traves de Internet.
Cap tulo 6: En este cap tulo se explican los objetivos y caracter sticas basicas de los
Cap tulo 7: De poco o nada servir a todo este trabajo si no tuviera aplicaciones practicas. En este cap tulo exponemos algunas de las aplicaciones practicas que hemos estudiado y en algunos casos implementado. Apendices: En los apendices se incluye informacion general, adicional o de consulta
que puede ser util para el entendimiento de algunos apartados espec cos:
consultas difusas (sentencia SELECT), las gramaticas para otras sentencias del DML de FSQL y la gramatica para sentencias del DDL de FSQL. C Lista con todos los posibles mensajes de error que puede detectar el Servidor FSQL, su signi cado y algunas pautas para subsanarlos. D Descripcion de las funciones que pueden utilizarse del paquete FSQL PKG, incluido con el Servidor FSQL. E Descripcion del contenido y utilidad de todos los discos y cheros generados en este trabajo. F Lista de ejemplos de sentencias de FSQL traducidas a SQL. G Manual de usuario de FQ, el Cliente FSQL creado para esta memoria y que en el Cap tulo 6 se explica como fue programado. H Glosario en el que se explican brevemente algunos terminos y siglas empleados en esta memoria y que puede resultar util consultar en cualquier momento. Esta memoria se cierra con una lista de las referencias bibliogra cas utilizadas, una lista de las marcas registradas que se mencionan en esta memoria, ndices de tablas y guras aparecidas en el texto y un ndice de materias para facilitar la localizacion (por paginas) de algunos conceptos concretos o las referencias a los autores mas relevantes (buscar por \Autores").
A Lista con las Palabras Reservadas de FSQL que utiliza el Servidor FSQL. B Se incluyen, en formato Yacc, la gramatica empleada por del Servidor FSQL de
1.2 Modelo Relacional de Bases de Datos

En esta seccion intentaremos dar una vision general de lo que son las bases de datos en general y el Modelo Relacional en particular. No pretendemos dar una explicacion exhaustiva de su de nicion ni de sus caracter sticas pues ya existen en la bibliograf a multitud de libros sobre el tema con distintos enfoques 51, 86, 132, 141].
1.2. MODELO RELACIONAL DE BASES DE DATOS
Entenderemos por Base de Datos un repositorio o conjunto de datos almacenados, normalmente en dispositivos electronicos de un ordenador, y que son gestionados (para lectura y/o escritura) por un programa llamado Sistema Gestor de Bases de Datos (SGBD). Los datos de una base de datos no deben tener redundancias (un mismo dato no debe estar almacenado en distintos lugares) y pueden ser compartidos por varios usuarios del SGBD. El SGBD maneja las solicitudes de acceso a la base de datos por parte de los usuarios, ocultando a estos detalles sobre el hardware donde los datos estan almacenados. Ademas, el SGBD se encarga de tareas como la privacidad de los datos y la e ciencia en su acceso. La gestion de bases de datos se empezo a hacer popular en los a~os 1970s y 1980s y hoy d a n su uso esta ampliamente extendido, usandose en multitud de peque~as y medianas empresas n y no solo en las grandes. En todas las bases de datos se almacena informacion sobre determinadas entidades u objetos y sobre las relaciones existentes entre algunas de estas entidades. Los modelos de bases de datos que mas se generalizaron fueron: 1. Modelo jerarquico: Los datos se representan por una estructura en arbol, donde los datos inferiores dependen o estan incluidos en los datos superiores. Su limitacion radica en el hecho de que solo permite representar directamente relaciones de uno a muchos. 2. Modelo en red: Los datos se pueden ver como en el modelo jerarquico, pero sin limitacion en cuanto a su organizacion, de forma que los datos inferiores pueden estar tambien relacionados con varios de los superiores. As , permite modelar mejor una correspondencia de muchos a muchos. 3. Modelo relacional: En este modelo todos los datos son vistos en forma de tabla o relacion. Es el mas extendido por su facilidad de comprension y lo veremos mas en profundidad a continuacion. El Modelo relacional de bases de datos fue propuesto por Dr. E.F. Codd de IBM en 1970 y publicado en 41], en un intento de simpli car la estructura de la base de datos, que llegaba a ser demasiado compleja en otros modelos. Pronto, el modelo relacional se popularizo, aunque muchos de los sistemas que se llamaban relacionales no lo eran realmente. Por eso, Codd publico una lista de 12 reglas que deber an cumplir todos los SGBD Relacionales 45]. De nicion 1.1 Llamaremos Base de Datos Relacional (BDR) a aquella base de datos donde todos los datos visibles al usuario estan organizados estrictamente como tablas (o relaciones) de datos y donde todas las operaciones de la base de datos trabajan sobre estas tablas y/o producen nuevas tablas. El SGBD Relacionales (SGBDR) es un SGBD que trabaja sobre este tipo de bases de datos. t u Esta de nicion, junto con las caracter sticas basicas de toda base de datos, nos lleva a tener que de nir los siguientes apartados: 1. Estructuras de datos empleadas: Las tablas o relaciones. 2. Integridad de los datos: Claves primarias, candidatas y externas. 3. De nicion de los datos: Lenguajes (DDL) basicamente para la creacion, borrado y alteracion de la estructura de las tablas y objetos de la base de datos relacional. 4. Manipulacion de los datos: Lenguajes (DML) basicamente para la consulta, modicacion e insercion de datos.
La estructura de los datos viene caracterizada por el concepto de tabla o relacion. Para precisar dicho concepto es necesaria la de nicion previa de algunos conceptos:
1.2.1 Estructuras de Datos: Tablas o Relaciones
De nicion 1.2 Llamaremos Atributo, Campo o Columna (Attribute, Column) a cada
una de las caracter sticas importantes y variables que tiene cualquier tipo de entidad u objeto y que son almacenadas en una base de datos, para reconocer a dicha entidad u objeto. No nos importara que dicha entidad tenga otros atributos, pero solo trataremos aquellos que realmente nos interesan y que, por tanto, deseamos almacenar en nuestra base de datos. t u
De nicion 1.3 Llamaremos Dominio (Domain) al conjunto de todos los valores posibles
que puede tomar un atributo. Por tanto, todos los atributos tendran un dominio asociado.
t u
Una caracter stica inicial que se le exig a a los valores del dominio era la atomicidad, en el sentido de que no exista una descomposicion de los mismos que aporte signi cado. No obstante esta premisa se ha relajado con la evolucion del modelo, y actualmente se encuentran en la literatura muchas matizaciones de la misma. Un dominio puede llevar asociado un conjunto de operadores espec cos del mismo. Por ejemplo, el dominio de los numeros enteros tiene operadores como la suma y la resta.
De nicion 1.4 Llamaremos Tupla al conjunto de todos los valores concretos de todos los atributos de una determinada entidad u objeto. t u De nicion 1.5 Llamaremos Valor de Dominio a un valor concreto de una tupla. O sea es el valor para un atributo concreto de una entidad concreta. t u
Con estos conceptos podemos de nir lo que es una relacion:
De nicion 1.6 Llamaremos Relacion o Tabla (Relation, Table) a el conjunto de dos partes, cabecera y cuerpo: La cabecera consiste en un conjunto jo de n pares atributo-dominio,
f(A1 : D1 ); (A2 : D2 ); :::; (An : Dn)g

donde cada atributo Aj se corresponde exactamente con el dominio subyacente Dj con j = 1; 2; :::; n, siendo estos dominios no necesariamente distintos. El cuerpo consta de un conjunto de tuplas, donde cada tupla consiste en un conjunto de n pares atributo-valor,
f(A1 : vi1); (A2 : vi2); :::; (An : vin)g

con i = 1; 2; :::; m, siendo m el numero de tuplas que contiene el conjunto. Para cada atributo Aj existe un par atributo-valor (Aj : vij ) donde vij es el Valor de Dominio del atributo Aj perteneciente al dominio Dj de la entidad o tupla i-esima.
Los valores m y n se denominan cardinalidad y grado de la relacion, respectivamente. Mientras que el grado se mantiene constante en el tiempo para una relacion, la cardinalidad puede variar en una misma relacion con el tiempo. Cada relacion tiene un nombre que identi ca a todo su contenido y que sera usado para expresar las operaciones que se realicen sobre la relacion. t u
Otras de niciones utiles para expresar las restricciones de integridad son:

butos que se usaran para identi car un vocamente cada tupla de una relacion. Este conjunto debe ser m nimo, es decir, que no exista un subconjunto de el que pueda usarse con el mismo proposito. Pueden existir varios de estos conjuntos para una relacion dada, pero solamente se seleccionara uno de estos como Clave Primaria, quedando los restantes como Claves Alternativas o Claves Candidatas. t u
De nicion 1.7 Llamaremos Clave o Llave Primaria (Primary Key) al conjunto de atri-
De nicion 1.8 Llamaremos Clave o Llave Externa (Foreign Key) al conjunto de atributos de una relacion que son Clave primaria o candidata en otra relacion distinta y que pueden usarse para enlazar o relacionar los datos de ambas relaciones. t u
De su de nicion se obtienen las siguientes propiedades para las relaciones: 1. No hay tuplas duplicadas1: Esto implica que siempre debera existir una clave primaria. La necesidad de que exista una clave primaria para cada relacion estriba en que es la unica forma de acceder de forma un voca a cada tupla de la misma. A veces, la clave primaria puede ser el conjunto de todos los atributos que forman la relacion. 2. Los atributos no estan ordenados. Esta propiedad proviene del hecho de que la cabecera de una relacion es un conjunto matematico. 3. Las tuplas no se encuentran ordenadas. Tambien esta propiedad se apoya en que la de nicion del cuerpo de una relacion se corresponde con un conjunto matematico. 4. Los valores de los atributos son atomicos, en el sentido en el que apuntabamos cuando introduc amos el concepto de dominio. Una relacion que cumpla esta propiedad se dice que esta NORMALIZADA. Aunque a primera vista esta propiedad pueda suponer una fuerte restriccion a la representacion de imprecision, se pueden hacer lecturas de la misma que posibiliten la representacion de este tipo de informacion sin ocasionar una perdida de validez del modelo. En el Cap tulo 2 se prestara una atencion especial al estudio del tratamiento que diferentes modelos proporcionan a esta propiedad. Una base de datos consiste en una con guracion de datos que se supone que representan una porcion del mundo real. Ningun modelo de base de datos puede garantizar que esa representacion se corresponda con la realidad en todo momento, esto supondr a, entre otras
1 En algunas implementaciones particulares, se permiten que existan duplicados en la relacion resultante de una consulta. En SQL, por ejemplo, se dispone de la palabra reservada DISTINCT para especi car que no se muestren las tuplas repetidas en la relacion resultante.
1.2.2 Integridad de los Datos
10
cosas, que la base de datos tendr a que poseer un conocimiento, no solo sobre los datos, sino tambien sobre su signi cado. Lo que s puede y debe hacer un SGBD es impedir que se introduzca informacion que no pueda ser identi cada, ni que se haga referencia en un lugar de la base de datos a informacion que no exista en la misma. Estos son los enunciados informales de las reglas de Identidad y Referencial respectivamente. En forma mas precisa pueden ser formulados como sigue: puede aceptar un valor nulo. Donde nulo signi ca que la informacion no se encuentra por alguna razon (como por ejemplo que la propiedad no sea aplicable o que el valor sea desconocido). Regla de Integridad Referencial: La base de datos no puede contener valores para la clave externa que no hallen correspondencia con los adoptados por la clave primaria de la relacion a la que hacen referencia. Los lenguajes de de nicion de datos o DDL (Data De nition Language) permiten la creacion, modi cacion y eliminacion de objetos de la base de datos relacional. Estos objetos pueden ser de diversos tipos segun el SGBD y estan desde los basicos como los son tablas, vistas o ndices, hasta los mas so sticados como son snapshots, sinonimos, procedimientos y funciones almacenadas, paquetes de funciones y procedimientos, clusters, secuencias, roles, triggers... Para esto existe un lenguaje ampliamente extendido en la actualidad: El lenguaje SQL (en su parte DDL), del que hablaremos mas adelante (apartado 1.2.5). Los lenguajes de manipulacion de datos o DML (Data Manipulation Language) permiten la consulta, modi cacion e insercion de datos. Para esto, el lenguaje SQL (en su parte DML), del que hablaremos mas adelante, es tambien muy utilizado. Las consultas forman la parte mas importante de la manipulacion de datos pues en una base de datos hay informacion almacenada en distintas tablas y su objetivo es poder consultar toda esta informacion y la relacion que exista entre ella. Para tal n puede ser util emplear varias relaciones en una misma consulta. En 42], Codd dise~o dos niveles de lenguajes formales para la Manipulacion de Datos: El n Algebra Relacional y el Calculo Relacional. Estos dos lenguajes son la base de cualquier otro lenguaje y son mencionados y explicados ampliamente en la bibliograf a. El Algebra proporciona un conjunto de operadores mediante los cuales especi car la operacion a realizar sobre las tablas, mientras que el Calculo proporciona una sintaxis con la que expresar aquello que se desea obtener de las relaciones sin tener que especi car el mecanismo para obtenerlo. O sea, en el Algebra hay que indicar como se recuperan los datos de nuestra consulta a traves de sus operadores y en el Calculo hay que indicar que datos queremos recuperar, sin especi car como hacerlo. De niciones del Algebra y del Calculo Relacional, en sus dos versiones Calculo de tuplas y Calculo de dominios, pueden encontrarse en la bibliograf a numerosas veces 17, 51, 132, 141]. En 141] Ullman expone como pasar una expresion en algebra a otra en calculo de tuplas, como pasar una expresion en calculo de tuplas a otra en calculo de dominios y como pasar
Regla de Identidad: Ningun componente de la clave primaria de una relacion base
1.2.3 De nicion de los datos
1.2.4 Manipulacion de los Datos: Algebra y Calculo Relacional
11
una expresion en calculo de dominios a otra en algebra, demostrando la equivalencia total de estos lenguajes.
1.2.4.1 Algebra Relacional

Este lenguaje de consulta dispone de unos operadores que, individualmente y combinandolos, permiten expresar practicamente cualquier tipo de consulta a una base de datos clasica. Estos operadores actuan sobre relaciones existentes produciendo nuevas relaciones. Existen tres tipos de operadores:
Operador de asignacion: Asigna el resultado de otras operaciones sobre relaciones a una nueva relacion. A traves de este operador es posible conservar el resultado de otras operaciones anteriores. Operadores tradicionales sobre conjuntos: Son Union, Interseccion, Diferencia y Producto Cartesiano. Salvo para el Producto Cartesiano, es necesario que las relaciones sobre las que operan sean compatibles, en el sentido de que posean el mismo grado y de que esten de nidas sobre el mismo producto cartesiano de dominios.
que pertenecen a la relacion R, a la relacion S o a ambas relaciones. Lo notaremos como R S . { Interseccion (Intersection ): La interseccion de dos relaciones R y S da como resultado el conjunto de aquellas tuplas que pertenecen a R y a S . Lo notaremos como R \ S . { Diferencia o Resta (Di erence ): La diferencia de dos relaciones R y S es el conjunto de tuplas que pertenecen a R y no pertenecen a S . Lo notaremos como R S. { Producto Cartesiano (Cartesian Product, Times ): El producto cartesiano de dos relaciones R y S consiste en todas las posibles combinaciones de pares de tuplas, una de cada relacion. Lo notaremos como R S .
Operaciones especiales: Son Seleccion, Proyeccion, Reunion y Division.
{ Union (Union ): La union de dos relaciones R y S es el conjunto de aquellas tuplas
tuplas que cumple una condicion. Esta condicion puede ser: atomica o compuesta. Una condicion atomica o simple esta formada por una sola comparacion, mientras que en el segundo caso se trata de un conjunto de condiciones atomicas combinadas mediante el uso de operadores logicos (NOT, AND y OR). Lo notaremos como F (R), donde F es una formula o condicion que puede incluir atributos de la relacion R, constantes de cualquier dominio, comparadores aritmeticos (>, , <, , = y 6=) y operadores logicos. { Proyeccion (Projection ): Con esta operacion podemos eliminar de una relacion los atributos que no nos interesen en cada momento, proyectando la relacion en cuestion sobre los atributos que s nos interesen. Una proyeccion produce un subconjunto \vertical" de una relacion R. Lo notaremos como r1 ;r2 ;:::;rn (R), donde los ri son atributos de la relacion R.
{ Seleccion (Selection ): Este operador extrae de una relacion R, un subconjunto de
12

construye una relacion compuesta de todas las posibles combinaciones de pares de tuplas concatenadas, pertenecientes, una a la relacion R y la otra a la relacion S , tales que las tuplas que componen el par satisfacen una condicion comun. Se notara como R 1r s S , donde r es un atributo de R, s es un atributo de S y es un comparador aritmetico que da nombre a la operacion: -Reunion. En el caso de que la condicion sea la igualdad \=" entre algunos atributos de R y S , se hablara de Equi-Reunion. { Reunion Natural (Natural Join ): Es una reunion en la que la condicion es la igualdad pero entre todos los atributos de R con igual nombre que los de S y por tanto, en el resultado nal solo aparecera uno de los dos (o el atributo de R o el de S ), ya que son iguales. Se notara como R 1 S . { Division (Division, Quotient ): Dada una relacion R con la cabecera (A; B ) y una relacion S con cabecera (B ), donde A y B son atributos simples o conjuntos de atributos, se de ne la Division Relacional de R entre S , que se notara como R S , a una relacion Q con cabecera (A) y cuyo cuerpo esta constituido por todas las tuplas (A : a) tales que existe una tupla (A : a; B : b) en R para cada tupla (B : b) que aparece en S . Entonces, diremos que las tuplas de la relacion Q cumplen los requisitos de la division R S . Tanto la relacion R como la S pueden ser relaciones base de la Base de Datos o pueden ser el resultado de cualquier tipo de operacion algebraica. A veces, se generaliza la de nicion anterior, extendiendo la division y considerando el caso en el que la relacion S tenga tambien atributos no comunes con la relacion R. En ese caso, si la cabecera de S la representamos como (B; C ) el resultado ser an las tuplas (A : a; C : c) tales que existe una tupla (A : a; B : b) en R por todas las tuplas (B : b; C : c) que aparecen en S . El resultado es equivalente a hacer la division de R entre la proyeccion de R0 sobre B y posteriormente hacer el producto cartesiano entre la relacion resultante y la proyeccion de S sobre C .
{ Reunion (Join ): Mediante este operador, a partir de dos relaciones R y S , se
En realidad los unicos operadores del Algebra que son realmente imprescindibles son los llamados operadores primitivos: Union, Diferencia, Producto Cartesiano, Proyeccion y Seleccion. El resto pueden ponerse en funcion de los anteriores: Interseccion: R \ S = R (R S ) (1.1)
Reunion: La operacion de Reunion es como una seleccion sobre el producto cartesiano

entre R y S :
R 1r s S =
cartesiano entre R y S . donde:
r s(R
S) S)
(1.2)
Reunion Natural: Es como una proyeccion sobre una seleccion sobre el producto
R1S=
d R:a=S:a (R
(1.3)
13
d hace referencia a la union sin duplicados de los atributos de R y S . R:a y S:a son todos los atributos de R y S respectivamente que se llaman igual en
ambas relaciones. Division: La division es un poco mas compleja de expresar en funcion de los demas operadores. Segun el esquema anterior, tenemos que la division relacional tiene su equivalencia en operadores primitivos en lo que llamaremos formula clasica de la division relacional :
R S=
A (R)
A (( A (R)
S ) R)
(1.4)
1.2.4.2 Calculo Relacional

El Calculo Relacional usa el calculo de predicados de primer orden. Esta idea de usar el calculo de predicados como base de un lenguaje de consulta parece haberse originado en un art culo de Kuhns 94], aunque aplicado a Bases de Datos Relacionales fue propuesto en su forma original en 42], como hemos dicho. En ese art culo, Codd tambien introduce el concepto de completitud relacional: Se dice que un lenguaje es relacionalmente completo si posee la propiedad de que cualquier relacion (consulta) de nible por medio de las expresiones del calculo se puede recuperar mediante proposiciones pertinentes de ese lenguaje. En el art culo tambien describe el \algoritmo de reduccion de Codd" por el que se puede convertir una expresion arbitraria del Calculo en una expresion del Algebra semanticamente equivalente, mostrando as la completitud del Algebra relacional y dando una posible forma de realizar el Calculo. El Calculo de Codd se conoce como calculo de tuplas porque se basa en el concepto de variable de tupla, que es una variable que toma los valores de las tuplas de alguna relacion o de la union de dos o mas relaciones, es decir, una variable tupla tiene como unicos valores permitidos las tuplas de una unica relacion o de una union. Una implementacion del calculo de tuplas fue el lenguaje QUEL, usado en el sistema INGRES 89]. El lenguaje SQL incorpora tambien elementos del calculo (ver apartado 1.2.5). En 1977, Lacroix y Pirotte propusieron en 95] un calculo relacional alternativo, el calculo de dominios, en donde las variables de tupla se sustituyen por variables de dominio, que var an sobre los dominios subyacentes de los atributos de las relaciones. Los mismos autores presentaron en 96] un lenguaje basado en este calculo, el ILL. Pirotte y Wodon presentaron en 126] el lenguaje FQL, mucho mas formal que el ILL. Query By Example (QBE), presentado por Zloof en 173] y otros art culos, tambien se puede considerar como una realizacion particular del calculo de dominios. Una expresion en el Calculo Relacional Orientado a Tuplas toma la siguiente forma:
ft j (t)g
donde
t es una variable tupla, que es una variable que denota una tupla de longitud ja, con unos dominios jos en sus atributos. Notaremos como t i] al i-esimo atributo de la tupla t o como t:nombre al atributo cuyo nombre es puesto tras el punto. A veces puede ser util indicar que t tiene n atributos, para lo que usaremos la siguiente notacion: t(n) .
14
es una formula construida por atomos y operadores, que describimos a continuacion Un atomo puede ser de dos formas: 1. Pertenencia: R(t), donde R es una relacion y t una variable tupla. Este atomo expresa la a rmacion de que t pertenece a R. Esta a rmacion expresa tambien, logicamente, que t tiene los dominios de R. 2. Comparacion: x y, donde es un comparador aritmetico y x e y son constantes o atributos particulares de una variable tupla. Este atomo expresa la a rmacion de que x se relaciona con y mediante . A continuacion, de nimos los operadores validos y lo que son ocurrencias de variables libres y ligadas, a la vez que de nimos el concepto de Formula Bien Formada o WFF (Well Formed Formula). Una WFF esta de nida de la siguiente forma: 1. Un atomo es una WFF. Todas sus ocurrencias de variables de dominio son libres. 2. Si es una WFF, tambien lo es : (NOT ). La formula : sostiene que es falsa. Las ocurrencias de variables de dominio en : son libres o ligadas segun esten en . 3. Si 1 y 2 son WFF, tambien lo son 1 _ 2 ( 1 OR 2 ) y 1 ^ 2 ( 1 AND 2 ). La formula 1 _ 2 sostiene que es cierta 1 o es cierta 2 o lo son ambas, y la formula 1 ^ 2 sostiene que 1 y 2 son ambas ciertas. Las ocurrencias de variables de dominio en 1 _ 2 y 1 ^ 2 son libres o ligadas segun esten en 1 y 2 . 4. Si 1 y 2 son WFF, tambien lo es 1 ! 2 (IF 1 THEN 2 ), indicando que si 1 es cierta tambien lo es 2 . Las ocurrencias de variables de dominio en 1 ! 2 son libres o ligadas segun esten en 1 y 2 . 5. Si es una WFF y x es una variable de dominio que aparece como libre en , entonces, 9x( ) y 8x( ), son tambien WFF siendo las ocurrencias de x ligadas en esas dos ultimas WFF. La formula 9x( ) sostiene que existe un valor de x tal que cuando sustituimos este valor en todas las ocurrencias libres de x en , la formula se hace cierta. La formula 8x( ) sostiene que para cualquier valor de x, si sustituimos ese valor en todas las ocurrencias libres de x en , la formula se hace cierta. 6. Si es una WFF, tambien lo es ( ). 7. Nada mas es una WFF. Los parentesis pueden situarse cuando sean necesarios para alterar la precedencia de los operadores o para aclarar el orden de evaluacion de estos. Normalmente se supone que el orden de precedencia es el siguiente: Atomos, cuanti cadores (9 y 8), negacion (:), conjuncion (^), disyuncion (_) e implicacion (!), en ese orden. Igualmente, se pueden introducir tambien otros operadores logicos como XOR (eXclusive OR), NOR (NOT OR), NAND (NOT AND)... Ejemplo 1.1 Sea R una relacion con los alumnos de una determinada asignatura y su nota. La consulta \dame los nombres de los alumnos que han obtenido una nota superior a 7", se resolver a, en calculo de tuplas con la siguiente expresion: ft(1) j 9u(R(u) ^ u:nota > 7 ^ u:nombre = t:nombreg
t u
15
Los operadores del Algebra Relacional pueden ser tambien expresados en Calculo Relacional. Por ejemplo, los operadores primitivos del algebra ser an expresados de la siguiente forma en Calculo Relacional:
Ejemplo 1.2 La union de R y S se expresa en Calculo por la siguiente expresion: ft j R(t) _ S (t)g
t u
Ejemplo 1.3 La interseccion de R y S se expresa en Calculo por la siguiente expresion: ft j R(t) ^ S (t)g
t u
Ejemplo 1.4 La diferencia R S se expresa en Calculo por: ft j R(t) ^ :S (t)g

t u
Ejemplo 1.5 La seleccion F (R) se expresa en Calculo por: ft j R(t) ^ F 0g

donde F 0 es la misma formula F con cada atributo i, denotando la i-esima componente, reemplazado por t i]. t u
Ejemplo 1.6 El producto cartesiano de R y S , teniendo estas relaciones grados r y s respectivamente, se expresa en Calculo por:
ft(r+s) j 9u(r); v(s) (R(u) ^ S (v) ^t 1] = u 1] ^ : : : ^ t r] = u r] ^t r + 1] = v 1] ^ : : : ^ t r + s] = v s]g

Observe que igualamos los atributos de la tupla t con los de las tuplas u y v que existen en R y S respectivamente. t u
Ejemplo 1.7 La proyeccion i1 ;:::;i (R) sobre n atributos de R se expresa en Calculo por: ft(n) j 9u(R(u) ^ t 1] = u i1 ] ^ : : : ^ t n] = u in ]g t u El Calculo Relacional Orientado a Dominios utiliza variables de dominio en vez de
n
variables tupla y esto hace que sea mas expl cito, al manejar cada atributo independientemente. Una expresion en Calculo de dominios tiene el siguiente formato:
fx1 ; x2; : : : ; xn j (x1 ; x2 ; : : : ; xn)g

Las principales diferencias con el Calculo de Tuplas son:
16

1. Usa variables de dominio, en vez de variables de tupla. Una variable de dominio es como los valores t i] usados en el Calculo de tuplas. As , en la expresion, antes de la formula hay que especi car todas las variables de dominio que deseamos recuperar (los xi ). 2. En los atomos de pertenencia hay que utilizar tantas variables de dominio como atributos tenga la relacion. 3. En los atomos de comparacion x e y son constantes o variables de dominio. 4. Tras los cuanti cadores (9 y 8), hay que indicar la variable de dominio que esta ligada. 5. El usuario percibe la base de datos como un conjunto de entidades (atributos) que estan relacionados a traves de las relaciones. En cambio, en el calculo de tuplas las entidades son las relaciones, las cuales tienen distintos atributos. Por eso el calculo de dominios esta mas cerca del lenguaje natural.
En el Cap tulo 4 veremos mas detalles sobre el Calculo Relacional, en especial el de Dominios, aplicado a BDRD y se explicara el concepto de expresiones \seguras" (\safe ") del calculo relacional. El lenguaje SEQUEL (Structured English QUEry Language) fue desarrollado por Chamberlin et al. 37, 38] en la segunda mitad de los a~os 70 para manejar el modelo relacional de Codd n 41]. Con el tiempo este lenguaje llego a conocerse como SQL (Structured Query Language). En 1979, Relational Software, Inc. (actualmente Oracle Corporation) introdujo el primer sistema comercial que usaba SQL. Hoy d a, SQL es el lenguaje aceptado como estandar para los SGBDR y la bibliograf a sobre el lenguaje SQL es muy extensa 26, 52, 86] y en todos se explican los comandos basicos de este lenguaje en sus dos vertientes:
1.2.5 El Lenguaje SQL
DML (Data Manipulation Language, Lenguaje de Manipulacion de Datos): Las sen-
tencias de este lenguaje permiten la consulta y la modi cacion de los datos almacenados en la base de datos. Ejemplos de comandos del DML SQL son: SELECT, INSERT, DELETE y UPDATE que seran brevemente explicados a continuacion. DDL (Data De nition Language, Lenguaje de De nicion de Datos): Las sentencias de este lenguaje permiten la creacion y modi cacion de las estructuras en las que se almacenaran los datos. Ejemplos de comandos del DDL SQL son: CREATE (para crear objetos de la base de datos: tablas, vistas...), DROP (para borrar objetos), ALTER (para modi car objetos), y sentencias para controles de seguridad, ndices y control del almacenamiento f sico de los datos. Los objetos pueden ser, por ejemplo, tablas (objeto TABLE), vistas (objeto VIEW) ndices (objeto INDEX), usuarios (objeto USER), sinonimos (objeto SYNONYM)... Al nal de este apartado resumiremos el comando CREATE TABLE.
A continuacion vamos a resumir la sintaxis de los comandos mas importantes del DML y del DDL de SQL2.
ha utilizado el SQL de Oracle, que puede tener algunas diferencias con respecto al SQL estandar dependiente de la ANSI/ISO.
2 Se
17
1.2.5.1 Comando SELECT

El comando mas importante es, quizas, el de consulta, ya que nos debe permitir expresar una gran cantidad de tipos de consultas, que pueden involucrar multitud de expresiones y objetos diferentes (tablas, vistas, comparadores, subconsultas, modos de ordenacion y agrupamiento...). El comando SELECT de SQL tiene el siguiente formato basico3 :
SELECT <lista de seleccion> FROM <lista de tablas> WHERE <condicion>] <otras clausulas>]
donde
<lista de seleccion>
es una lista de expresiones, separadas por comas, que incluyen todo lo que deseamos que aparezca en la relacion resultante de nuestra consulta. Como expresiones pueden emplearse los nombres de atributos de alguna tabla, constantes, operaciones aritmeticas, funciones...
es una lista con todas las tablas, separadas por comas, que intervienen en la consulta. Aqu deben aparecer las tablas de los atributos que sean usados en el resto de la sentencia. <condicion> es una condicion que puede incluir atributos de una relacion, constantes de cualquier dominio, comparadores aritmeticos (>, , <, , = y 6=), otros comparadores (LIKE, IN, IS y BETWEEN), llamadas a funciones y operadores logicos (NOT, AND y OR). La relacion resultante incorporara todas las tuplas que cumplan esta condicion.
<lista de tablas> <otras clausulas>
tantes son:
es una lista de clausulas opcional. Entre estas clausulas, las mas impor-
ASC|DESC] para ordenar la consulta por los campos de la misma que se indiquen a continuacion, indicando la expresion por la que ordenar o el numero de atributo de la <lista de seleccion>. Esta ordenacion puede ser ascendente (ASC, valor por defecto) o descendente (DESC). GROUP BY <lista de expresiones> HAVING <condicion>] para agrupar las tuplas resultantes segun el valor de la lista de expresiones que se indica y devolviendo una unica la de datos para el grupo con informacion sobre el grupo en general. Con la clausula HAVING se puede establecer una condicion sobre los grupos, recuperando solo aquellos grupos que cumplan esa condicion. Esta clausula se puede usar si se usan Funciones de Grupo (Group Functions ), como las mostradas en la Tabla 1.2. Las funciones de grupo son aquellas funciones que se aplican a un grupo nito de valores, de un determinado grupo, dando como resultado un unico valor. Si no se usa la clausula GROUP BY con funciones de grupo, entonces se supone un unico grupo formado por todas las tuplas que cumplen la condicion. Ver Ejemplos 1.9 y 1.10. ORDER BY <expresiones o posiciones>
3 Entre corchetes
indicamos las clausulas que son opcionales.
18

Funcion
COUNT SUM AVG MAX MIN STDDEV VARIANCE
Todas las funciones de grupo tienen un argumento en el que hay que especi car un atributo o una expresion, sobre la que actuara la funcion.
Utilidad Cuenta el numero de elementos del grupo. Suma de la expresion en el grupo. Calcula la media de la expresion en el grupo. Valor maximo del grupo. Valor m nimo del grupo. Calcula la desviacion t pica en el grupo, para la expresion. Calcula la varianza en el grupo, para la expresion.
Tabla 1.2: Funciones de Grupo utilizables en la sentencia SELECT. As pues, en una consulta con la clausula GROUP BY, todos los elementos expresados despues de la palabra SELECT deben ser elementos de la clausula GROUP BY, elementos conteniendo funciones de grupo, o constantes. START WITH y CONNECT BY se utilizan para devolver las en orden jerarquico. Varias sentencias SELECT pueden ser concatenadas usando operadores de conjuntos: UNION para la union sin duplicados, UNION ALL para la union con duplicados, INTERSECT para la interseccion y MINUS para la diferencia o resta. Se pueden utilizar subconsultas dentro de <lista de tablas> como si estas fueran tablas y se pueden utilizar condiciones especiales como:
NOT] EXISTS <subconsulta> <expr>
que, sin el NOT, toma el valor verdad si la subconsulta recupera alguna tupla y falso en caso contrario.
NOT] IN <subconsulta> que, sin el NOT, toma el valor verdad si la expresion esta incluida en el resultado de la subconsulta y falso en caso contrario.
NOT] BETWEEN <expr2> AND <expr3> que, sin el NOT, toma el valor verdad si la expresion <expr1> esta entre las otras dos. <expr1> NOT] LIKE <expr2> que, sin el NOT, toma el valor verdad si la primera expresion, de tipo cadena de caracteres, cumple el patron especi cado en la segunda expresion. <expr1> <expr> IS
Nulo.
NOT] NULL
que, sin el NOT, toma el valor verdad si la expresion toma el valor
Ademas, se pueden tambien utilizar subconsultas que recuperen un unico valor como si fueran una expresion. Tambien permite establecer nombres de alias en tablas y atributos para enlazar tablas entre distintas partes de las subconsultas. Todo ello, y mucho mas, hace que el comando SELECT de SQL sea un comando tremendamente potente y exible, muy simple de utilizar en consultas no muy complicadas y no tan simple en consultas complejas.
Ejemplo 1.8 Seleccionar aquellos Clientes y su Salario que tienen un salario mayor que
100000:

SELECT Nombre, Salario FROM Empleados WHERE Salario > 10000;
19
Ejemplo 1.9 Seleccionar aquellos Clientes y su Salario que tiene una letra 'X' en el nombre
y que tienen un salario mayor que la media, ordenando la salida por el salario:
SELECT FROM WHERE AND Nombre, Salario Empleados Nombre LIKE '%X%' Salario > (SELECT AVG(Salario) FROM Empleados) ORDER BY Salario;
t u
Observe la subconsulta y los caracteres comod n (%) de la condicion LIKE. t u Ejemplo 1.10 Seleccionar los Clientes, su Salario y su Departamento, que tienen un salario mayor que la media de su Departamento, ordenando la salida por el Departamento:
SELECT Nombre, Salario, Dpto FROM Empleados E WHERE Salario > (SELECT AVG(Salario) FROM Empleados WHERE E.Dpto = Dpto) ORDER BY 3;
Observe el alias E, que es utilizado en la subconsulta para hacer referencia al Dpto del SELECT mas externo. El 3 hace referencia a que se ordene (ascendentemente) por el tercer argumento de la lista de seleccion, esto es, por Dpto. t u
1.2.5.2 Comando INSERT

El comando INSERT sirve para introducir nuevos datos en la base de datos y tiene el siguiente formato general:
INSERT INTO <tabla> (<lista de atributos>) ] VALUES (<lista de expresiones>)
Es la tabla (vista o subconsulta) donde se desea insertar una tupla. (<lista de atributos>) es una lista de atributos entre parentesis y separados por comas que indican el orden de las expresiones siguientes. Esta lista es opcional y si no aparece se toma la lista de atributos de <tabla> en el orden en el que se usaron en su creacion. (<lista de expresiones>) es una lista de expresiones entre parentesis y separados por comas que expresan los valores que deseamos insertar en los correspondientes atributos. Esta lista y la palabra VALUES pueden sustituirse por una subconsulta que contendra los datos que seran insertados. Usando una subconsulta pueden insertarse varias tuplas a la vez.
<tabla>
donde
20
1.2.5.3 Comando DELETE

El comando DELETE sirve para borrar datos (tuplas) en la base de datos y tiene el siguiente formato general:
DELETE <tabla> WHERE <condicion>
que borra las tuplas de <tabla> que cumplen la condicion que se indica.
1.2.5.4 Comando UPDATE

El comando UPDATE sirve para actualizar valores de datos antiguos en la base de datos y tiene el siguiente formato general:
UPDATE <tabla> SET <asignacion> WHERE <condicion>]
donde Es la tabla (vista o subconsulta) donde se desean actualizar datos. <asignacion> es una asignacion con los siguientes dos formatos posibles para actualizacion de un unico atributo o varios de ellos respectivamente: <atributo> = <expr> que expresa que se actualiza el atributo a la expresion que se indican. (<lista de atributos> = <subconsulta> que expresa que se actualizan todos los atributos de la lista con los datos de la subconsulta (que debe ser con igual numero y tipo de atributos). WHERE <condicion> es una clausula opcional que indica la condicion que deben cumplir las tuplas de <tabla> para ser actualizadas con los datos indicados.
<tabla>
1.2.5.5 Comando CREATE
TABLE
El comando CREATE TABLE sirve para crear tablas en la base de datos especi cando el nombre de la tabla, los atributos, sus dominios, restricciones... Es similar a la sentencia ALTER TABLE y tiene el siguiente formato general:
CREATE TABLE <tabla> ( <definicion de columnas y restricciones> )] <otras clausulas>]
donde
<tabla>
Es el nombre que tendra la tabla que se desea crear. <definicion de columnas y restricciones> Es una lista separada por comas de de niciones de columnas y/o restricciones de tabla, que se explicaran a continuacion.

<otras clausulas>
21
permite especi car algunas caracter sticas de la tabla, como el maximo numero de transacciones concurrentes que pueden actualizar el bloque de datos de la tabla, el lugar f sico de almacenamiento, cluster al que pertenece, el grado de paralelismo al crear la tabla, si habilita o no la restriccion de integridad, inserta los valores iniciales de una subconsulta tras la creacion de la tabla...
La de nicion de columnas y restricciones pueden ir mezcladas con las restricciones de tabla. Dentro de la de nicion de columnas se pueden incluir las restricciones de columna. La De nicion de una columna se hace simplemente indicando el nombre de la columna y el tipo de datos que almacenan (su dominio). En el apartado 1.2.6.1 daremos un resumen de los tipos de datos de Oracle. Tras esto se pueden a~adir, opcionalmente, dos clausulas. Si n se a~aden ambas, debe hacerse en este orden: n
DEFAULT <expr>
para establecer un valor por defecto para la columna actual. Ese valor sera el que se asigne a ese atributo si en una sentencia INSERT se omite el valor para dicha columna. que indica un requisito que deben cumplir todos los valores insertados en este atributo.
<restriccion de columna>
La imposicion de restricciones se efectua poniendo el tipo de restriccion, de entre los siguientes: Impone que una columna no contenga valores NULL. Esta restriccion, como hemos apuntado anteriormente, supone el soporte para la Regla de Identidad. Esta restriccion no puede ser de tabla.
NULL: NOT NULL:
Indica que una columna puede contener valores NULL. Impone que una columna o grupo de ellas sean unicas dentro de la tabla.
UNIQUE:
PRIMARY KEY: Identi ca a una o varias columnas como Clave Primaria. Si es restriccion de tabla, hay que especi car despues, entre parentesis, la lista de columnas que forman la Clave primaria. FOREIGN KEY: Identi ca a una o varias columnas como Clave Externa y fuerza a que existan en alguna tabla las columnas o grupos de ellas que constituyan dicha clave, forzando el cumplimiento de la Regla de Integridad Referencial. Con la clausula REFERENCES se puede indicar la clave candidata que es referenciada por una clave externa y con la opcion ON DELETE CASCADE especi ca que se mantenga la regla de integridad referencial, borrando las tuplas con las llaves externas si se borra su correspondiente llave candidata en la otra relacion. CHECK (<condicion>):
Esto habilita la posibilidad de imponer una determinada condicion sobre uno o varios atributos. Esto permite, por ejemplo, restringir los valores de dominio que pueden ser adoptados por una columna o grupo de ellas. Con esta restriccion se pretende especi car, en forma precisa, el dominio que subyace a un atributo o columna.
22
Todas las restricciones pueden ser etiquetadas con un nombre utilizando la clausula CONSTRAINT seguida del nombre que se le quiere dar. As , cuando esta restriccion se vulnere, el nombre de la restriccion gurara en el mensaje de error que genere el SGBD, facilitando al usuario la comprension del mensaje y la solucion del problema.
Ejemplo 1.11 Observe la siguiente sentencia de creacion de una tabla:

CREATE TABLE PISOS ( PISO# NUMBER(9) NOT NULL PRIMARY KEY, DUENNO# NUMBER(9) NOT NULL CONSTRAINT DUENNO#_NO_VALIDO REFERENCES CLIENTES(CLIENTE#), DIRECCION VARCHAR2(60), SUPERFICIE NUMBER(9,1) CONSTRAINT NULL_INVALIDO_SUPERFICIE NOT NULL, PRECIO NUMBER(6) CONSTRAINT NULL_INVALIDO_PRECIO NOT NULL, ZONA VARCHAR2(9) DEFAULT 'CENTRO' CONSTRAINT ZONA_NO_VALIDA CHECK (ZONA IN ('CENTRO','NORTE','SUR','ESTE','OESTE')));
En ella se crea una tabla con 6 atributos, cuya clave primaria es PISO#. El atributo DUENNO# es clave externa, por lo que antes de crear esta tabla debe existir la tabla CLIENTES con el atributo CLIENTE# como clave primaria y que estos atributos sean de tipos compatibles.
t u
Como ejemplo de SGBDR comercial vamos a comentar algunos aspectos del gestor de bases de datos ORACLE de Oracle Corporation 117], que fue el primer fabricante en introducir un producto relacional en el mercado, adelantandose a la propia IBM en casi 2 a~os, y fue n tambien el primero en sacar un producto que usase SQL. Actualmente es el mayor vendedor de SGBDR independiente. Oracle esta implementado en cerca de 100 plataformas distintas incluyendo MS-DOS, Windows, OS/2, Macintosh, Sun, MIPS y muchas otras basadas en sistemas Unix, como Linux. Oracle siempre ha sido el SGBDR con mejores tiempos de ejecucion, siendo, por meritos propios, el l der en ejecucion OLTP. Como DML y DDL, Oracle utiliza SQL 26, 52, 86]. Pero ademas, Oracle incorpora un lenguaje procedural, el PL/SQL 82, 118, 146], que es una extension de SQL y que permite crear procedimientos y funciones almacenadas en el SGBD. Los paquetes PL/SQL son conjuntos de funciones y/o procedimientos. Oracle dispone de acceso a traves de ODBC y multitud de aplicaciones para los mas diversos nes SQL*Net, SQL*Plus, Developer 2000... Aqu resumiremos algunos aspectos relacionados con Oracle, ya que es el SGBD empleado para la implementacion que se explica en el Cap tulo 5. Aunque Oracle ha sacado recientemente su version 8 2, 4], la implementacion ha sido programada en la version 7.3 17, 82, 99, 116], sin que se usen elementos que puedan no funcionar en versiones posteriores. Las novedades mas relevantes de Oracle 8 son que se presenta como una base de datos objeto-relacional, el particionamiento de tablas (pudiendo bloquear exclusivamente una parte
1.2.6 El SGBDR Oracle
23
de una tabla), aumento de rendimiento en aplicaciones de Data Warehouse, mejora de procesos internos como el paralelismo o el procesamiento de transacciones on-line, nuevas herramientas de administracion (Enterprise Manager) y asistentes para diversas operaciones utiles, como la creacion automatica de una base de datos casi sin intervencion del usuario y la posibilidad de importar bases de datos de otras aplicaciones (como de Microsoft Access) o de versiones anteriores de Oracle. Ademas la inminente aparicion de la version Oracle 8i abre aun mas las posibilidades incorporando la tecnolog a iFS (Internet File System) para ver la informacion de la base de datos como si fueran archivos y directorios contenidos en un disco, accesible de igual modo con clientes HTTP, FTP, IMAP, POP o SMTP o con el mismo que accedamos a los cheros convencionales. Ademas, Oracle 8i incorpora una maquina virtual Java y permite la programacion tanto en PL/SQL como en Java de cualquier objeto, incluyendo triggers (disparadores). Tambien incluye la sintaxis SQLJ para incluir codigo SQL en el codigo Java. Junto a todo lo ya apuntado, la posibilidad de extender las capacidades del servidor Oracle a traves de los llamados cartuchos de datos, Data Cartridges, hacen que el SGBD Oracle este en primera la en cuanto a potencia, exibilidad, e ciencia y adaptacion a las nuevas tecnolog as (Internet, WWW...).
1.2.6.1 Estructuras y Tipos de Datos

Como en cualquier base de datos relacional, los datos se organizan a traves de tablas y en general de acuerdo con el modelo relacional. Las cabeceras de atributo, que en Oracle se denominan columnas (columns ), no presentan un orden de acuerdo con el modelo relacional y respondiendo a la nocion de conjunto que subyace a estas. Las columnas pueden estar de nidas sobre los tipos de dominio o tipos de datos que a continuacion se relacionan: longitud maxima de la cadena de caracteres que podra contener. La longitud maxima para una columna de nida sobre este dominio dependera del tipo de la columna, oscilando entre los 255 caracteres de maximo para el tipo CHAR, los 2000 para el tipo VARCHAR2 y los 231 1 bytes del tipo LONG.
Caracter: Una columna de nida sobre un dominio de este tipo, debera especi car la
Numerico: Los diferentes dominios numericos soportados por Oracle son subconjuntos de los enteros y los reales. Todos ellos pueden ser representados a traves del tipo NUMBER(p,s), donde los parametros p (precision) y s (escala) indican, respectivamente, el numero maximo de d gitos (de 1 a 38) y el numero de cifras decimales (de {84 a 127) que puede contener el atributo. Si no se especi ca el valor de s, se supone que es cero. Existen otras expresiones sintacticas de tipo aceptadas pero todas ellas pueden encontrar una expresion equivalente mediante el tipo NUMBER, como son: INTEGER y FLOAT, entre otros.
comprendido entre el 1 de Enero del a~o 4712 A.C. y el 31 de Diciembre del 4712 D.C. n El tipo que opera sobre este dominio es el tipo DATE y cada valor de este tipo almacena: El siglo, a~o, mes, d a, hora, minuto y segundo. La funcion TO_CHAR permite convertir n este tipo de dato a cadena de caracteres en diversos formatos.
Fecha y Hora: Oracle permite representar fechas en diferentes formatos para un rango
Binario: A traves de los datos de nidos sobre este dominio se pueden representar cualquier tipo de informacion mediante una representacion binaria, como una coleccion de
24

bytes, sin que Oracle les atribuya signi cado alguno. As , pueden almacenarse gra cos, sonidos, documentos y su interpretacion no depende de Oracle. Los tipos que sustentan este dominio son el RAW para un tama~o maximo de 255 bytes y el LONG RAW para una n longitud superior a los 2 GigaBytes. Identi cador de la: Oracle identi ca mediante un codigo cada uno de los registros de la base de datos. El tipo ROWID se re ere a un dominio que contiene todos los valores que puede adoptar esta codi cacion.
Es posible la creacion de vistas como representacion logica de una tabla o un conjunto de tablas. O sea, una vista es una consulta particular sobre la base de datos, la cual tiene un nombre propio. Sin embargo, las vistas, aunque no presentan problemas en consulta, pueden plantearlos en la actualizacion de las mismas, al resultar imposible en algunas ocasiones reconstruir la informacion a actualizar en las tablas base sobre las que se construyen. Para todos los dominios existe un valor denominado NULL que signi ca que, o no se conoce el valor o no es aplicable4. Oracle proporciona un tratamiento espec co para este tipo de valores, utilizando una logica tri-valuada, pues cualquier comparacion con valores NULL no es resuelta ni como verdadera ni como falsa. En el apartado 2.1.1 se explica esta logica tri-valuada. Todas las columnas pueden contener el valor NULL en alguna tupla, excepto aquellas en las que en se establecio la restriccion NOT NULL (NULL no permitido) o PRIMARY KEY (Clave primaria). Cuando se emplea el valor NULL en una condicion simple, esta se evalua como UNKNOWN (desconocido), que es similar a FALSE (falso). La diferencia esta en que si operamos con UNKNOWN siempre obtenemos UNKNOWN. As , por ejemplo, NOT UNKNOWN vale UNKNOWN, mientras que NOT FALSE vale TRUE (verdad). Como se explico en el apartado 1.2.5.1 pueden emplearse condiciones especiales con LIKE, IN, IS y BETWEEN. Otros elementos estructurales proporcionados por Oracle son: una tabla y pueden forzar la unicidad de las mismas. Agrupaciones (clusters): Pueden ayudar al sistema a almacenar f sicamente juntas estructuras de datos a las que se accede conjuntamente con frecuencia, aunque pertenezcan a tablas distintas. Al igual que los ndices, su empleo es transparente al usuario y es el optimizador el que se encarga de usarlos para mejorar la e ciencia del sistema. Procedimientos almacenados: Son fragmentos de codigo en lenguaje PL/SQL y pueden ser de 4 tipos: 1. Funciones (FUNCTION): Fragmento de codigo cuya llamada devuelve un valor. Pueden tener argumentos. 2. Procedimientos (PROCEDURE): Fragmento de codigo cuya llamada no devuelve un valor. Pueden tener argumentos y pueden devolver valores usando paso de parametros por variable (OUT).
primer intento de representar informacion inexacta fue precisamente la introduccion del concepto de valor nulo, NULL, y fue publicado por Codd en 43] (ver apartado 2.1.1).
4 El
Indices: Facilitan, de forma transparente al usuario, un rapido acceso a las tuplas de
1.3. TEORIA DE CONJUNTOS DIFUSOS
25
3. Paquetes : Son conjuntos de funciones y procedimientos que pueden ser exportados para poder usarse desde fuera o internos para que solo puedan ser utilizados desde dentro del paquete. Cada paquete tiene dos partes: La especi cacion (PACKAGE), con las declaraciones publicas visibles desde fuera del paquete, y el cuerpo (PACKAGE BODY), con las declaraciones privadas que solo son visibles desde dentro del paquete. 4. Disparadores (TRIGGER): Un trigger es un fragmento de codigo asociado a una tabla que se ejecuta cuando se efectua alguna determinada accion sobre dicha tabla, como insertar datos, borrar datos, actualizar datos... Los disparadores son muy importantes para mantener la integridad de los datos, ya que pueden evitar insertar datos inconsistentes, erroneos o que no cumplen determinadas condiciones.
1.2.6.2 Integridad de los Datos

Oracle fuerza la Regla de Identidad mediante el uso de la restriccion NOT NULL en la creacion y modi cacion de las tablas. (sentencias CREATE TABLE y ALTER TABLE respectivamente). Como hemos dicho, la Regla de Integridad Referencial esta soportada por Oracle a traves de la restriccion FOREIGN KEY en la creacion y modi cacion de las tablas. Ademas, dispone de un conjunto de restricciones para mantener la integridad de la base de datos que se pueden aplicar a las sentencias de creacion y modi cacion de tablas. Dichas restricciones se pueden imponer a una columna (restriccion de columna) o a un grupo de ellas (restriccion de tabla) y determinan, que las operaciones que se realicen sobre las mismas, satisfagan algunas condiciones. Estas restricciones fueron de nidas en el apartado 1.2.5.5.
1.3 Teor a de Conjuntos Difusos

Vamos a dedicar este apartado a introducir algunas nociones elementales sobre la teor a de conjuntos difusos (fuzzy sets ), as como la notacion utilizada al respecto a lo largo de esta memoria. En este resumen nos detendremos en los aspectos semanticos y de representacion relacionados con esta potente herramienta teorica. En la literatura podemos encontrar una gran cantidad de trabajos sobre esta teor a, que fue introducida por primera vez por L.A. Zadeh5 en 1965, en su trabajo 165]. En 159] podemos encontrar una recopilacion de algunos de los art culos mas interesantes publicados sobre el tema por L.A. Zadeh. En 57], 61] y 172] es posible encontrar recopilados los aspectos mas importantes que constituyen la teor a de conjuntos difusos as como la teor a de la posibilidad. Una mas moderna s ntesis de los conjuntos difusos y sus aplicaciones puede verse en 93, 101, 111] y sobre todo en 123].
1.3.1 Conjuntos Difusos

La interpretacion original de conjunto difuso proviene de una generalizacion del concepto clasico de subconjunto ampliado a la descripcion de nociones \vagas" e \imprecisas". Esta generalizacion se realiza como sigue:
Zadeh fue nombrado doctor honoris aportacion en este campo de la ciencia.
5 L.A.
causa
por la Universidad de Granada en 1996, por su valiosa
26
1. La pertenencia de un elemento a un conjunto pasa a ser un concepto \difuso" o \borroso". Para algunos elementos puede no estar clara su pertenencia o no al conjunto. 2. Dicha pertenencia puede ser cuanti cada por un grado. Dicho grado se denomina habitualmente como \grado de pertenencia" de dicho elemento al conjunto y toma un valor en el intervalo 0; 1] por convenio. Mediante esta herramienta podemos representar de forma adecuada conceptos \imprecisos". Es necesario hacer notar que muchos de estos conceptos con naturaleza \imprecisa", si no todos, responden a criterios subjetivos. Esto es, la de nicion de esa imprecision depende en mayor o menor medida de la persona que la expresa. De forma mas precisa podemos introducir la de nicion de conjunto difuso como sigue:
e De nicion 1.9 Un Conjunto Difuso A sobre un universo de discurso es un conjunto

de pares
e donde A (x) se denomina grado de pertenencia del elemento x al conjunto difuso A. Este grado oscila entre los extremos 0 y 1: e A (x) =0 indica que x no pertenece en absoluto al conjunto difuso A. e A (x) =1 indica que x pertenece totalmente al conjunto difuso A. A veces, en vez de dar una lista exhaustiva de todos los pares que forman el conjunto, se da una de nicion para la funcion A (x), llamada funcion caracter stica o funcion de pertenencia. t u
Si la funcion de pertenencia solo produce valores del conjunto f0,1g, entonces, el conjunto que genera no es difuso, sino \crisp".
e A = f A (x)=x : x 2 ;
A (x) 2
0; 1]g
(1.5)
Ejemplo 1.12 Si consideramos que la \edad" (en a~os enteros) es el universo de discurso de n
\joven", el conjunto difuso que representa dicho concepto podr a expresarse en la forma: joven = f1=20; 1=25; 0:9=26; 0:8=27; 0:7=28; 0:6=29; 0:5=30; : : : ; 0:1=34g El identi cador \joven" con la connotacion de que lleva asociado un conjunto difuso recibe la denominacion de \etiqueta lingu stica". t u
De nicion 1.10 Llamaremos Etiqueta Lingu stica a aquella palabra, en lenguaje natural, que exprese un conjunto difuso, que puede estar formalmente de nido o no. t u
Con esta de nicion, podemos asegurar que en nuestra vida cotidiana utilizamos multitud de etiquetas lingu sticas: \joven", \viejo", \fr o", \caliente", \templado", \barato", \caro", \bajo", \alto", \grande", \peque~o"... n Ademas, la de nicion intuitiva de esas etiquetas, no solo puede variar de un individuo a otro y del momento particular, sino que tambien var a del contexto en el que se aplique. Por ejemplo, seguramente no mediran la misma altura una persona \alta" y un edi cio \alto". La representacion de conjuntos difusos puede ser variada y depende, fundamentalmente de la naturaleza del universo de discurso sobre el que de namos el conjunto difuso.

Dado un universo de discurso nito = fx1 ; x2 ; : : : ; xn g
27
e un conjunto difuso A se puede representar como
tualmente los elementos con grado cero no se listan. Aqu la suma no hace el papel de la suma aritmetica sino que tiene el sentido de agregacion. e Dado un universo de discurso in nito , un conjunto difuso A sobre se puede representar como
e A = 1 =x1 + 2 =x2 + : : : + n=xn (1.6) donde i representa el grado de pertenencia del elemento xi , con i = 1; 2; : : : ; n. Habi-
e A=
e A (x)=x;
(1.7)
donde A(x) es el grado de pertenencia de x. e Sobre conjuntos difusos se de nen una serie de conceptos que nos permiten tratar y comparar conjuntos difusos:
Igualdad de conjuntos difusos:
1.3.2 Conceptos sobre Conjuntos Difusos
e e De nicion 1.11 Dos conjuntos difusos A y B sobre se dicen iguales si cumplen: e e A = B () 8x 2 ; A (x) = B (x) (1.8) e e t u e incluido en B si cumplen: e e e De nicion 1.12 Dados dos conjuntos difusos A y B sobre , decimos que A esta e e A B () 8x 2 ;
e A (x) e B (x)
Inclusion de un conjunto difuso en otro:
(1.9)
t u
Soporte de un conjunto difuso:
subconjunto de dicho universo que satisface:
e De nicion 1.13 El soporte (support) de un conjunto difuso A de nido sobre es un e supp(A) = fx 2 ; A (x) > 0g e
(1.10)
t u
-corte de un conjunto difuso:
28

un valor mayor o igual que algun valor concreto : de dicho universo que satisface: donde 2 0; 1].
e A , es un subconjunto no difuso de elementos de , cuya funcion de pertenencia toma e A = fx : x 2 ; A (x) e

g
(1.11)
e De nicion 1.14 Un -corte de un conjunto difuso A de nido sobre , denotado por
t u
Nucleo de un conjunto difuso:
e De nicion 1.15 El nucleo (kernel) de un conjunto difuso A de nido sobre es un

subconjunto de dicho universo que satisface:
e kern(A) = fx 2 ; A(x) = 1g e
(1.12)
t u
Altura de un conjunto difuso: como:
e De nicion 1.16 La Altura (height) de un conjunto difuso A de nido sobre se de ne e hgt(A) = sup A (x) e
x2
(1.13)
t u
e De nicion 1.17 Un conjunto difuso A de nido sobre se dice normalizado si y solo

si
Conjunto difuso normalizado:
9x 2 ;
e A (x) = hgt(A) = 1
(1.14)
t u
1.3.3 Operaciones sobre Conjuntos Difusos
Las operaciones que inmediatamente se sugieren de la de nicion de conjunto difuso son la union, la interseccion y el complemento. En 125] podemos encontrar estas y otras operaciones, como la concentracion (elevar al cuadrado la funcion de pertenencia), la dilatacion (efectuar la ra z cuadrada de la funcion de pertenencia) y la intensi cacion, que pueden utilizarse cuando se usan modi cadores lingu sticos (linguistic hedges ) como \muy" o \poco".
1.3.3.1 Union e Interseccion e e De nicion 1.18 Si A y B son dos conjuntos difusos sobre un universo de discurso , la e e funcion de pertenencia de la union de ambos conjuntos, A B , viene dada por (1.15) e e e e A B (x) = f ( A (x); B (x)); x 2 donde f es una T-conorma 134]. t u
29
e e De nicion 1.19 Si A y B son dos conjuntos difusos sobre un universo de discurso , la e e funcion de pertenencia de la interseccion de ambos conjuntos, A \ B , viene dada por (1.16) e e e e A\B (x) = g( A (x); B (x)); x 2 donde g es una T-norma 134]. t u
Las de niciones anteriores no son unicas ya que existen varios operadores que satisfacen el concepto de T-norma y de T-conorma, como las presentadas en 57, 156]. Los mas importantes son: Operadores idempotentes: El maximo y el m nimo para la union y la interseccion respectivamente. Satisfacen, ademas de la idempotencia, la propiedad distributiva aplicada sobre ambos y son estrictamente crecientes. Estos operadores son los mas utilizados porque conservan gran cantidad de las propiedades de los operadores booleanos. En 14] puede encontrarse una justi cacion a la eleccion de los operadores max y min para de nir los anteriores conceptos. Operadores arquimedianos: Emplean la suma probabil stica, (x + y x y), y el producto, (x y), para la union y la interseccion, respectivamente. Estos operadores no satisfacen la propiedad distributiva ni son idempotentes. Operadores acotados (bounded ): Los operadores dados por, min(1; x + y) y max(0; x + y 1), representan la union y la interseccion respectivamente. Estos operadores no satisfacen la idempotencia, la propiedad distributiva ni la propiedad de absorcion. Por contra, satisfacen las propiedades conmutativa, asociativa y de identidad.
1.3.3.2 Complemento
La nocion de complemento se puede construir a partir del concepto de negacion fuerte de E. Trillas 140]: De nicion 1.20 Una funcion C de 0,1] en 0,1] es una negacion fuerte si satisface las siguientes condiciones: 1. C(0)=1 2. C(C(a))=a (involucion) 3. C es estrictamente decreciente 4. C es continua. Aunque existen varios tipos de operadores que satisfacen tales propiedades o versiones relajadas de las mismas, nosotros, para el complemento, emplearemos principalmente la version proporcionada por Zadeh en 165], en la cual: C (x) = 1 x (1.17)
t u
e Por tanto, para un conjunto difuso A sobre un universo de discurso , la funcion de e, :A, viene dada por: e pertenencia del complemento de A (1.18) e e A (x); x 2 :A(x) = 1
30

h
Figura 1.1: Numero difuso general: Entre y .
1.3.4 Numeros Difusos
El concepto de numero difuso fue introducido por primera vez en 167] con el proposito de analizar y manipular valores numericos aproximados. El concepto ha sido re nado sucesivamente y en esta memoria entenderemos por numero difuso lo siguiente 59]:
pliendo:
De nicion 1.21 Sea A un subconjunto difuso de y
A su funcion de pertenencia cum-
1. 8x; y 2 ; 8 A (t) minf A (x); A (y)g, es decir que es convexo. 2. A es semicontinua superiormente. 3. El soporte de A es un conjunto acotado. entonces diremos que A es un numero difuso.
t u
Algunos autores incluyen en la de nicion la necesidad de que el subconjunto difuso este normalizado (De nicion 1.17). La forma general de la funcion de pertenencia de un numero difuso A, es la siguiente:
8 r (x) > A <h A (x) = > s (x) : 0A
si x 2 ; ) si x 2 ; ] si x 2 ( ; ] en otro caso
(1.19)
donde rA ; sA : ! 0; 1], rM no decreciente, sM no creciente y
rA( ) = h = sA ( )
con h 2 (0; 1] y ; ; ; 2 . Al numero h se le denomina altura del numero difuso, al intervalo ; ] intervalo modal y a los numeros y holguras izquierda y derecha respectivamente. El numero difuso de la Figura 1.1 es una representacion de \aproximadamente entre y ".

1
31
Figura 1.2: Numero difuso trapezoidal normalizado. A lo largo de esta memoria utilizaremos a menudo un caso particular de numeros difusos que se obtienen cuando consideramos a las funciones rA y sA como funciones lineales. En este caso la funcion de pertenencia adopta la forma:
8 (x > h+ >h < A(x) = > (x >h :

0
)h )h
si x 2 ; ) si x 2 ; ] si x 2 ( ; ] en otro caso
(1.20)
A un numero difuso de este tipo lo llamaremos triangular o trapezoidal . Usualmente trabajaremos con numeros difusos normalizados por lo que h = 1, en este caso podremos caracterizar un numero difuso trapezoidal normalizado A, mediante el empleo de los 4 parametros que son realmente imprescindibles:
A ( ; ; ; )
La Figura 1.2 muestra una representacion gra ca de dicho numero.
1.3.4.1 El Principio de Extension

Este principio, propuesto en 167], proporciona un metodo general que permite extender conceptos matematicos no difusos para el tratamiento de cantidades difusas. Se de ne como sigue:
ff f A1 ; A2 ; : : : ; An , n conjuntos difusos de
De nicion 1.22 Sea
un producto cartesiano de universos = 1 2 ::: n, y ; 2 ; : : : ; n respectivamente, f una funcion desde 1 e al universo 0 , entonces un conjunto difuso B de 0 viene de nido por:
e B=
donde y = f (x1 ; x2 ; : : : ; xn ) (y 2 0), y
e (y )=y 0 B
32

e B (y) =
max min(x1 ;x2 ;::: ;xn)2f 1 (y) f A1 (x1 ); : : : ; An (xn )g; f 1(y) 6= 0 f f 0; en otro caso
t u
1.3.4.2 Aritmetica Difusa

Gracias al Principio de Extension es facil extender las operaciones aritmeticas clasicas al tratamiento de numeros difusos. De esta forma las cuatro operaciones principales quedan extendidas como sigue: Suma Extendida: Dadas dos cantidades difusas A1 y A2 , la funcion de pertenencia de la suma viene dada por la expresion: (1.21) A1 A2 (y) = supfmin( A1 (y x); A2 (x))=x 2 g nencia de la suma viene dada por la expresion: (1.22) A1 A2 (y) = supfmin( A1 (y + x); A2 (x))=x 2 g De estas de niciones se puede obtener facilmente que el si A1 tiene n terminos y A2 tiene m terminos, el numero de terminos de A1 + A2 y de A1 A2 es (n 1) + (m 1) + 1, o lo que es lo mismo: n + m 1. Ejemplo 1.13 Sean A1 y A2 dos cantidades difusas de nidas (con el formato de la De nicion 1.9 y la ecuacion 1.6) como: A1 = 1=1 + 0:9=2 + 0:5=3 A2 = 1=2 + 0:8=3 + 0:3=4 entonces, aplicando el Principio de Extension obtenemos que: A1 + A2 = 1=3 + 0:9=4 + 0:8=5 + 0:5=6 + 0:3=4 A1 A2 = 0:3= 3 + 0:8= 2 + 1= 1 + 0:9=0 + 0:5=1 Observe que se cumple que el numero de terminos de las operaciones es 3 + 3 1 = 5. u t Producto Extendido: El producto de dos cantidades difusas A1 A2 se obtiene: supfmin( A1 (z=y); A2 (y))=y 2 f0gg si z 6= 0 (1.23) max( A1 (0); A2 (0)) si z = 0 Division Extendida: La division de dos cantidades difusas se de ne mediante:
A1 A2 (z ) = A1 A2 (z ) = supfmin( A1 (y:z ); A2 (y))=y 2
Diferencia Extendida: Dadas dos cantidades difusas A1 y A2, la funcion de perte-
(1.24)
Basandose en una expresion particular del principio de incertidumbre adaptada al empleo de cortes y en un tipo de numero difuso similar al descrito anteriormente, denominado numero L R, en 57] se describen formulas de calculo rapido para las anteriores operaciones aritmeticas.
33
Esta teor a se basa en la idea de variables lingu sticas y como estas estan relacionadas con los conjuntos difusos 168]. As , se puede evaluar la posibilidad de que una determinada e variable X sea o pertenezca a un determinado conjunto A, como el grado de pertenencia de e los elementos de X en A.
1.3.5 Teor a de la Posibilidad
e es A" de
(que desconocemos su valor). Entonces, la proposicion \X ne una Distribucion de Posibilidad, de forma que se dice que la \posibilidad" de que X = u vale A(u), para todo valor u 2 . t u e
e De nicion 1.23 Sea un conjunto difuso A de nido sobre con su funcion de pertenencia
e A (x) y una variable
X sobre
Como veremos, dos distribuciones de posibilidad pueden ser comparadas con distintos comparadores. Los mas t picos son la medida de posibilidad, \posiblemente igual", y la medida de necesidad, \necesariamente igual" (ecuaciones 5.6 y 5.8 respectivamente).
34
Cap tulo 2
Modelos de Bases de Datos Relacionales Difusas: GEFRED

El problema de la representacion y el tratamiento de informacion \imprecisa" ha sido ampliamente estudiado y pueden encontrarse muchas referencias al respecto en la bibliograf a. Sin embargo, todos los modelos publicados para dar solucion a este problema tienen sus ventajas, desventajas y sus limitaciones. Ademas, el termino \imprecision" engloba varios signi cados que puede ser interesante distinguir: Que la informacion que tenemos es incompleta, que no sabemos si es o no cierta (incertidumbre), que desconocemos totalmente esa informacion (unknown) o que dicha informacion no es aplicable a determinada entidad (unde ned). A veces estos signi cados no son disyuntivos, sino que pueden unirse en una determinada informacion. En este cap tulo se exponen los principales modelos publicados para dar solucion al problema de la representacion y el tratamiento de informacion imprecisa en bases de datos relacionales. El problema no es trivial, ya que hay que modi car la estructura de las relaciones y, con esto, las operaciones sobre estas. Para permitir almacenar informacion imprecisa y consultar de forma imprecisa esta informacion se requiere el estudio de multitud de casos particulares que no ocurren en el modelo clasico, sin imprecision. Entre los modelos que se exponen estan: distintas aproximaciones sin utilizar la logica difusa (como la aproximacion \clasica" de Codd 43, 44, 46, 47]), el modelo de Prade-Testemale 127, 128, 129, 130], el modelo de Umano-Fukami 70, 142, 143, 144, 145], el modelo de BucklesPetry 28, 29, 30, 32], el modelo de Zemankova-Kaendel 170, 171] y el modelo GEFRED de Medina-Pons-Vila 102, 103, 72, 79]. Existen otros modelos para el tratamiento de la incertidumbre en bases de datos, pero que no han tenido demasiada aceptacion, como los basados en los conjuntos rough (rugosos), introducidos por Pawlak en 1982 121, 122]. Principalmente nos centraremos en el modelo GEFRED, en el cual nos hemos basado para desarrollar este trabajo. El modelo GEFRED constituye una s ntesis eclectica de los diferentes modelos publicados para tratar el problema de representacion y tratamiento de informacion difusa mediante bases de datos relacionales. Una de las principales ventajas de este modelo es que consiste en una abstraccion general que permite tratar diferentes enfoques, incluso aunque estos puedan parecer muy dispares. Un estudio mas detallado de todos estos modelos puede verse en las respectivas referencias de cada uno y todos juntos en 103, 125]. En 103] puede verse, ademas, un estudio 35
36
CAPITULO 2. MODELOS DE BDR DIFUSAS: GEFRED

NOT AND T m F OR T m F T F T T m F T T T T m m m m m F m T m m F T F F F F F T m F Tabla 2.1: Tablas de verdad para la logica tri-valuada. NOT AND T A I F OR T A I T F T T A I F T T T T A A A A A I F A T A A I I I T A I I I I I F F T F F F F F F T A F Tabla 2.2: Tablas de verdad para la logica tetra-valuada. F T A F F
comparativo de GEFRED con todos los demas modelos.
2.1 Imprecision Sin Utilizar Logica Difusa

En este apartado vamos a resumir algunas ideas que posibilitan, de algun modo, el tratamiento de informacion imprecisa, pero sin utilizar la teor a de conjuntos difusos ni, por tanto, distribuciones de posibilidad. En la bibliograf a a veces se engloban estos modelos en el apartado de imprecision en bases de datos convencionales, aunque, algunas de las ideas que aqu se exponen no han sido implementadas en ningun modelo.
2.1.1 Aproximacion de Codd

El primer intento de representar datos imprecisos en una base de datos fue la introduccion de valores nulos, NULL, por parte de Codd, en 1979 en 43] y ampliado en 44, 46, 47]. Este modelo no utilizaba la teor a de conjuntos difusos. Un valor NULL en un atributo indica que dicho valor era cualquiera de entre todos los que estuvieran incluidos en el dominio de dicho atributo. Cualquier comparacion con un valor NULL, origina un resultado que no es ni Verdad (T, True) ni Falso (F, False), llamado \quizas" (m, Maybe) (o desconocido, unknown, en el SQL de Oracle). Las tablas de verdad de los comparadores clasicos NOT, AND y OR pueden verse en la Tabla 2.1. Despues, se a~adio un matiz mas, diferenciando el valor NULL en dos marcas: \A-marca" n que representa un valor ausente o desconocido, pero aplicable y el valor \I-marca" que representa que el valor esta ausente porque no es aplicable. Una I-marca puede ser situada, por ejemplo, en el atributo matr cula del coche, de alguien que no tiene coche. Esto da lugar a una logica tetra-valuada donde el valor A, que tiene el similar signi cado que el m de la Logica tri-valuada anterior, surge como resultado de comparar cualquier valor que contenga una \A-marca" y un nuevo valor I es a~adido como resultado de comparar cualquier valor n que contenga una \I-marca". En la Tabla 2.2 se muestran las tablas de verdad de esta logica tetra-valuada.
2.1. IMPRECISION SIN UTILIZAR LOGICA DIFUSA
37
Date presento en 1982 una aproximacion para el tratamiento de valores nulos (dicha aproximacion se recoge en 50]). Parte de la opinion de que el problema del tratamiento de valores nulos no se encontraba bien de nido y de que, por tanto, de momento no deber a incorporarse esta caracter stica al Modelo Relacional. Partiendo de esta premisa, presenta una alternativa basada en el concepto de \valores por defecto". En este modelo, en la declaracion de cada dominio se designa un valor de dicho dominio como \valor por defecto". Igual que en SQL se hace con la clausula DEFAULT (ver apartado 1.2.5.5). As , cuando se inserta una nueva tupla en una relacion, el usuario tiene que proporcionar un valor para cada atributo que no tenga un \valor por defecto" y el sistema asignara el \valor por defecto" en aquellos atributos en los que no se proporcione su valor. En 85], Grant extiende el modelo relacional para permitir almacenar en un atributo un rango o intervalo de valores posibles para el mismo, ademas de un valor preciso y el valor NULL en el caso de que no se tenga ninguna informacion. El problema de tuplas repetidas lo soluciona permitiendolas, ya que aunque aparezcan como identicas, pueden ser distintas. Los operadores relacionales son rede nidos en dos versiones, True y Maybe. Por ejemplo el operador < se de ne como: si b < n (2.1) si a < m Para las consultas en este modelo puede utilizarse la propuesta de Lipski 98, 128] de situar cada tupla en una de estas tres categor as: Tupla que seguro que pertenece al resultado (surely-set), tupla que posiblemente pertenece al resultado (possible-set) y tupla que seguro que no pertenece al resultado (eliminated-set).
2.1.2 Esquema con Valores por Defecto
2.1.3 Rangos en Valores
a; b] <T n; m] a; b] <M n; m]
2.1.4 Bases de Datos Estad sticas y Probabil sticas
La principal propuesta en este sentido fue publicada en 1982 de la mano de Wong 153], en la cual maneja multitud de casos de incertidumbre por inferencia estad stica. Esta formulacion supone que la informacion incompleta puede ser comparada estad sticamente. Este metodo ve las consultas como experimentos estad sticos en los que la informacion es incompleta y se centra en calcular la respuesta a la consulta como el conjunto de aquellas tuplas que minimizan los dos tipos de errores estad sticos. En 137], Shoshani y Wong resumen la investigacion y utilidad sobre bases de datos estad sticas. En 11], Barbara et al. publicaron el modelo mas desarrollado de bases de datos probabil sticas, en el que las probabilidades estan asociadas a los valores de los atributos. En este modelo, cada atributo probabil stico se trata como una distribucion de probabilidad discreta. En una tupla, las probabilidades deben estar normalizadas: La suma de las probabilidades de todos los valores probables debe ser igual a 1. Sin embargo, puede ser dif cil determinar las probabilidades para todos los posibles valores del dominio. As , desarrollan el concepto de probabilidades perdidas (missing probabilities ) para introducir, el resto de probabilidades en un valor general que incluye todos los valores del dominio, sin especi car como se distribuye
38
la probabilidad en esos valores. O sea, en la base de datos se almacenara cada valor del dominio que sepamos su probabilidad y esta probabilidad y, para el conjunto de todos los va valores del dominio se almacena el valor restante de la probabilidad (1 menos la suma de las probabilidades que conocemos). En las recuperaciones, se podr an establecer un mecanismo para recuperar solo los valores que tengan una probabilidad mayor que un determinado umbral. Ademas, en las operaciones relacionales (como la Reunion Natural), las probabilidades pueden necesitar ser recalculadas. Para el calculo de estas probabilidades se consideran dos metodos. Uno es que estas sean introducidas por el usuario de acuerdo a su criterio personal o a unos calculos efectuados por el mismo. Otro es que el sistema sea el que calcule estas probabilidades a partir de un conjunto de ejemplos, entre los que pueden estar datos recogidos por encuestas o examinando directamente una muestra de la poblacion. En el modelo de Cavallo y Pittarelli 36] la probabilidad aparece asociada a cada tupla, indicando la probabilidad de que dicha tupla pertenezca a la relacion. El trabajo de Fuhr 69], en cambio, se centra mas en como especi car consultas imprecisas.
2.2 Modelos Basicos de Bases de Datos Difusas

El modelo basico de BDRD se considera la forma mas simple y consiste en a~adir un grado, n normalmente en el intervalo 0,1], a cada tupla. Esto permite mantener la homogeneidad de los datos de la base de datos. Sin embargo, la semantica que se le asigne a ese grado sera la que determine su utilidad y, por tanto, esta semantica sera utilizada en los procesos de consulta. Este grado puede tener el signi cado de grado de pertenencia de cada tupla a la relacion 84, 114]. Este grado puede tener otros signi cados, como el nivel de la fuerza de dependencia que existe entre dos atributos, representando as la relacion que exista entre ellos 10], el grado de cumplimiento de una condicion o el grado de importancia 23] de cada tupla en la relacion, entre otros (ver apartado 2.8). El principal inconveniente de estos modelos difusos es que no permite representar la informacion imprecisa que tengamos sobre algun atributo particular de alguna entidad concreta (como los valores \joven" o \viejo" para un atributo \Edad"). Ademas, el caracter difuso es asignado de forma global a cada tupla.
2.3 Modelo de Buckles-Petry

El primer modelo que utiliza relaciones de similitud 166] en el modelo relacional fue el propuesto por Buckles y Petry 28, 29, 30], en el que las bases de datos no difusas son un caso particular de su modelo. Una Relacion Difusa la de nen como un subconjunto del producto cartesiano siguiente: P (D1 ) : : : P (Dm ), donde P (Di ) representa el conjunto de las partes de un dominio Di , que incluye a todos los subconjuntos que pueden considerarse dentro del dominio Di (con cualquier numero de elementos). A continuacion ponemos algunos ejemplos de los valores que pueden representarse. Los dos primeros pertenecen al modelo original y el tercer tipo fue a~adido mas tarde 30]: n 1. Conjunto nito de escalares. Ej. frubio, casta~o, pelirrojog. n
2.4. MODELO DE PRADE-TESTEMALE

2. Conjunto nito de numeros. Ej. f15, 16, 17g. 3. Conjunto de numeros difusos. Ej. fmuy alto, altog.
39
El signi cado de estos valores es disyuntivo, o sea, en el primer ejemplo indica que la persona que tiene ese valor tiene el pelo rubio, casta~o, o pelirrojo. A cada uno de esos n valores posibles se le llama interpretacion. Para cada dominio D, escalar o numerico, se establece una Relacion de similitud que sirve para medir la similitud o parecido entre cada dos elementos del dominio1. Normalmente, los valores de similitud estan normalizados en el intervalo 0,1], correspondiendo el 0 al signi cado \totalmente diferentes" y el 1 al signi cado \totalmente parecidos" (o \iguales"). Por tanto, una Relacion de Similitud puede ser vista como una funcion sr , tal que:
sr : D D ! 0; 1] sr (di ; dj ) 7 ! 0; 1]
(2.2)
con di ; dj 2 U . Para un determinado umbral , los valores que sean similares con un grado mayor que seran indistinguibles y podran ser considerados identicos. En 7] pueden encontrarse distintas formulas que modelan esta indistinguibilidad. As , pueden construirse clases de equivalencia de forma que los elementos de una misma clase son indistinguibles para el grado de similitud . En 32] se desarrolla un Calculo Relacional para este modelo. Un modelo similar fue propuesto por Shenoi y Melton 135, 136], en el que usaban relaciones de proximidad en vez de las relaciones de similitud. Las relaciones de proximidad cumplen tambien las propiedades re exiva y simetrica pero no cumplen necesariamente la propiedad transitiva 166].
2.4 Modelo de Prade-Testemale

Prade y Testemale publicaron en 127, 128, 129, 130] un modelo de BDRD que permite incorporar lo que denominan datos \incompletos" o \inciertos" en el ambito de la Teor a de la Posibilidad (apartado 1.3.5). Consideremos un atributo A cuyo dominio es D. Todo nuestro conocimiento disponible acerca del valor que toma A para un objeto x puede ser representado mediante una distribucion de posibilidad A(x) sobre D feg, donde e es un elemento especial que denota el caso en que A no se aplica a x. En otras palabras, A(x) es una aplicacion que va de D feg al intervalo 0; 1]. Con esta formulacion pueden representarse todos los tipos de valores que se exponen en la Tabla 2.3. Los casos 1, 2 y 3 permiten representar las situaciones tratadas anteriormente en los modelos sin Logica difusa (apartado 2.1). En cambio, el resto supone un muestrario de las capacidades de representacion del modelo. En todos los modelos posibil sticos hay que tener en cuenta que si tenemos que, para un d 2 D, se cumple que A(x) (d) = 1, esto solo indica que el valor d es completamente posible
tabla de EMPLEADOS.
1 En la Tabla 5.5 se muestra un ejemplo de relacion de similitud sobre un atributo RENDIMIENTO de una
40

Informacion Modelo Prade-Testemale 1. Sabemos exacta- A(x) (e) = 0 mente el dato y este A(x) (c) = 1 es \crisp": c A(x) (d) = 0; 8d 2 D; d 6= c 2. Desconocida (pero A(x) (e) = 0 aplicable) A(x) (d) = 1; 8d 2 D 3. No aplicable o sin A(x) (e) = 1 sentido A(x) (d) = 0; 8d 2 D 4. Ignorancia total A(x) (d) = 1; 8d 2 D feg 5. Rango m; n]: En- A(x) (e) = 0 tre m y n A(x) (d) = ( 1 si d 2 m; n] D 0 en otro caso 6. La informacion A(x) (e) = 0 disponible es una dis- A(x) (d) = a (d) 8d 2 D tribucion de posibilidad a 7. La posibilidad de A(x) (e) = ; que no sea aplicable A(x) (d) = a (d) 8d 2 D es y, caso de que sea aplicable el dato es a Modelo Umano-Fukami
A(x) (d) = f1=cgP
Unknown (ecuacion 2.3) Unde ned (ecuacion 2.4) Null (ecuacion 2.5)
A(x( d) = )(
1 si d 2 m; n] D 0 en otro caso
A(x) (d) = a (d)
8d 2 D
No representable
Observe que, en el caso 7, la distribucion de posibilidad cualquier tipo de informacion de los tipos 1, 2, 5 y 6.
puede representar
Tabla 2.3: Representacion de informacion en dos modelos posibil sticos. para A(x), y no que el valor d sea cierto para A(x), a menos que ese sea el unico valor posible, i.e. A(x) (d0 ) = 0; 8 d0 6= d. Ademas, todas las distribuciones de posibilidad deben estar normalizadas, es decir, debe existir al menos un valor d con total posibilidad ( A(x) (d) = 1). Como se dijo en el apartado 1.3.5 dos distribuciones de posibilidad pueden ser comparadas usando los comparadores de posibilidad o de necesidad, pudiendo as efectuar una determinada seleccion sobre una relacion difusa de este modelo. Ademas, las tuplas resultantes pueden ser distinguidas por su nivel de satisfaccion de la condicion.
2.5 Modelo de Umano-Fukami

Uno de los primeros modelos de bases de datos relacionales difusas fue el que presentaron Umano, Fukami et al., en 70, 142, 143, 144, 145].
2.5. MODELO DE UMANO-FUKAMI
41
En esta propuesta utiliza las distribuciones de posibilidad para modelar el conocimiento sobre la informacion en forma similar a como lo hacen Prade-Testemale. La diferencia reside en como concibe la informacion \no aplicable" que entienden que puede ser modelada por una distribucion de posibilidad sobre el dominio considerado, en la que cada valor de dominio aparece con un valor de posibilidad igual a 0. Es decir, si D es el universo de discurso de A(x) y A(x) (d) representa la posibilidad de que A(x) tome el valor u en U , entonces para los valores \desconocidos y aplicables", que denomina \unknown", emplea la misma representacion que Prade-Testemale: Unknown : A(x) (d) = 1 8d 2 D (2.3) Para los valores \no aplicables" existe un caso especial de distribucion de posibilidad denominado \inde nido" (unde ned) y que se representa como: Unde ned : A(x) (d) = 0 8d 2 D (2.4) Para representar la situacion en la que no se conoce incluso si una \ausencia" de informacion es \aplicable" o no, emplean un valor especial que denominan \Null": Null = f1=Unknown; 1=Unde nedg (2.5) Para el resto de los casos de informacion \imprecisa" adopta una representacion similar a la del modelo Prade-Testemale. En la Tabla 2.3 puede verse una comparacion de las representaciones empleadas en ambos modelos. En 145] Umano y Fukami extienden su modelo de bases de datos difusas, al que llaman modelo possibility-distribution-fuzzy-relational (modelo relacional difuso de distribuciones de posibilidad), para representar y manipular datos ambiguos. En este modelo permiten almacenar distribuciones de posibilidad en los valores de los atributos. Ademas, cada tupla de una relacion tiene asociada una distribucion de posibilidad en el intervalo 0,1], de forma que indica el grado de pertenencia de esa tupla a esa relacion (signi cado 2). O sea, ellos de nen una relacion difusa R, de m atributos, como una funcion de pertenencia R :
de todas las distribuciones de posibilidad en el Universo de discurso Uj del j -esimo atributo de R. La funcion R asocia a cada tupla de la relacion R un valor de P ( 0; 1]), que es el conjunto de todas las distribuciones de posibilidad en el intervalo 0,1] y que sera vista como un grado de pertenencia de esa tupla a R. A efectos practicos es como si a cada relacion R se le a~adiera un atributo ( R ) con el n dominio en P ( 0; 1]). Naturalmente, puede almacenarse un numero entre 0 y 1 (por ejemplo 0.8) como valor para ese atributo, siendo este visto como una distribucion de posibilidad (1/0.8 en el ejemplo). Igualmente, podemos almacenar valores \crisp" en cualquier otro atributo. De esta forma el modelo possibility-distribution-fuzzy-relational tiene la ventaja de permitir dos tipos de ambiguedad: 1. Ambiguedad en los valores de los atributos: Permite que los valores que almacenan las relaciones no sean valores exactos, sino que pueden ser distribuciones de posibilidad.
P (Um ) ! P ( 0; 1]) donde el s mbolo denota el Producto Cartesiano, P (Uj ) con j = 1; 2; : : : ; m es la coleccion
R : P (U1 )
P (U2 )
42

2. Ambiguedad en la asociacion de valores: Asigna a cada tupla un grado de pertenencia a la relacion, que puede ser visto como un grado de verdad para indicar en que medida estan relacionados los atributos de cada tupla (a traves de la relacion).
En este contexto de ne los operadores basicos del Algebra Relacional entre relaciones de este tipo: Union, Diferencia, Producto Cartesiano, Proyeccion y Seleccion. Tambien de ne los otros operadores no basicos: Interseccion, Reunion y Division. En particular, en el apartado 3.7.2 estudiaremos la Division Relacional que estos autores proponen, con sus ventajas e inconvenientes. Cuando en los valores de los atributos hay distribuciones de posibilidad (valores no \crisp") utiliza el Principio de Extension 167] para operar entre ellos. Algunos autores 115, 139] utilizan un grado de posibilidad, de forma que en la relacion resultante de una seleccion, las tuplas tendran un grado que sera obtenido de tomar el m nimo entre el grado que ten an en la relacion original y el grado de cumplimiento de la condicion de la seleccion.
2.6 Modelo de Zemankova-Kaendel

Este modelo de base de datos, publicado en 170, 171], se compone de tres partes: (a) una base de datos de valores (VDB) donde se organizan los datos en forma similar al resto de los modelos posibil sticos, (b) una base de datos explicativa, donde se almacenan las de niciones para los subconjuntos difusos y relaciones difusas y (c) un conjunto de reglas de traduccion, que se emplean para el manejo de adjetivos, etc. La manipulacion de datos esta basada en el algebra relacional. Este lenguaje esta implementado en una forma extendida del sistema RIM (Relational Information Management) desarrollado por la Boeing Co.
Planteamiento de la consulta: Este modelo plantea la recuperacion en una consulta en forma similar al de Prade-Testemale solo que la medida de posibilidad que emplea
para encontrar la compatibilidad del subconjunto difuso F de la condicion con el valor del atributo A para cada tupla en la relacion viene dada por:
pA(F ) = sup f F (u) (u)g

u2D
(2.6)
y la medida de certeza
cA (F ) = maxf0; inf f F (u) u2D
A (u)gg
(2.7)
es usada en lugar de la medida de necesidad de Prade-Testemale. Sin embargo, la interpretacion del grado de certeza no esta clara y no hay relacion entre la posibilidad y la certeza, como s la hay entre posibilidad y necesidad: N (X ) = 1 P (:X ). El resultado de una consulta se presenta en forma de relaciones difusas las cuales contienen dos campos en los que se recogen los valores de posibilidad y certeza que presenta cada tupla para la consulta dada. Sobre estas relaciones se pueden establecer unos umbrales m nimos a satisfacer para las tuplas que se recuperen.
2.7. MODELO GEFRED DE MEDINA ET AL.
43
la seleccion parten de una relacion de similaridad sobre D D y a partir de ella construyen cualquier otra relacion de comparacion 170]. Dan tres ejemplos: \aprox. igual", \mayor que" y \menor que". Si s es la relacion de similitud de la que se parte la relacion \mayor que" se construir a:
mayor que(x; y) =
Operadores de Seleccion: En el estudio que hacen de las condiciones impuestas en
1 0:5 s(x; y) si x y 0:5 s(x; y) si x < y
(2.8)
Las correspondientes medidas de posibilidad se computar an utilizando la ecuacion 2.6 lo que dar a para condiciones de tipo A f con f atomico:
f (A(x)) = supf d2D
(d; f ) A(x) (d)g
(2.9)
para condiciones del tipo A F donde F no sea atomico, no da ninguna regla de calculo.
2.7 Modelo GEFRED de Medina et al.

El modelo GEFRED 102, 103] fue propuesto por Medina, Pons y Vila y se basa en la de nicion de lo que llama Dominio Difuso Generalizado (D) y Relacion Difusa Generalizada (R), que incluyen los dominios y las relaciones clasicas respectivamente:
distribuciones de posibilidad de nidas sobre U , incluidas las que de nen los tipos Unknown y Unde ned (tipos 8 y 9 de la tabla 2.4), y NULL es otro tipo de nido en la tabla 2.4 (tipo e 10) entonces, de nimos Dominio Difuso Generalizado como D P (U ) NULL. Los tipos Unknown, Unde ned y NULL son de nidos en el sentido de Umano, Fukami et al. de 70] y 143]. t u
e De nicion 2.1 Si U es el universo o dominio de discurso, P (U ) el conjunto de todas las
Con esos dominios difusos podremos representar todos los tipos de datos que se expresan en la tabla 2.4.
De nicion 2.2 Una Relacion Difusa Generalizada, R, viene dada por un par de conjuntos: \cabecera" (H) y \cuerpo" (B), R = (H; B), de nidos como sigue:
- La \Cabecera" es un conjunto jo de ternas atributo-dominio-compatibilidad (donde el ultimo es opcional),
H = f(A1 : D1 ; C1 ]); (A2 : D2 ; C2 ]); : : : ; (An : Dn ; Cn ])g

donde a cada atributo Aj , le subyace un dominio difuso generalizado, no necesariamente distinto, Dj (j = 1; 2; : : : ; n). Cj es un \atributo de compatibilidad" que toma valores en el intervalo 0,1].
44

1. Un escalar simple (Ej. Tama~o=Grande, representado mediante la distribun cion de posibilidad 1/Grande). 2. Un numero simple (Ej. Edad=28, representado mediante la distribucion de posibilidad 1/28). 3. Un conjunto de posibles asignaciones excluyentes de escalares (Ej. Aptitud=fMala,Buenag, se expresa f1/Mala,1/Buenag). 4. Un conjunto de posibles asignaciones excluyentes de numeros (Ej. Edad= f20; 21g, representado mediante f1=20; 1=21g). 5. Una distribucion de posibilidad en el dominio de los escalares (Ej. Aptitud= f0:6/mala,1.0/regularg). 6. Una distribucion de posibilidad en el dominio de los numeros (Ej. Edad= f0:4=23; 1:0=24; 0:8=25g, numeros difusos, etiquetas lingu sticas). 7. Un numero Real 2 0; 1] representando grados de cumplimiento (Ej. Calidad=0.9). 8. Un valor desconocido Unknown dado por la distribucion de posibilidad Unknown=f1=u : u 2 U g sobre el dominio, U , considerado. 9. Un valor inde nido Unde ned dado por la distribucion de posibilidad Unde ned=f0=u : u 2 U g sobre el dominio, U , considerado. 10. Un valor nulo NULL dado por la expresion NULL=f1/Unknown,1/Unde nedg. Tabla 2.4: Tipos de datos que puede representa GEFRED.
- El \Cuerpo" consiste en un conjunto de tuplas difusas generalizadas distintas, donde cada tupla esta compuesta por un conjunto de ternas atributo-valor-grado (el grado es opcional),
e e e B = f(A1 : di1 ; ci1 ]); (A2 : di2 ; ci2 ]); : : : ; (An : din ; cin ])g e con i = 1; 2; : : : ; m; siendo m el numero de tuplas de la relacion, y donde dij representa el valor de dominio que toma la tupla i sobre el atributo Aj , y cij el grado de compatibilidad asociado a este valor.
t u
El grado de compatibilidad se usara cuando efectuemos alguna operacion (por ejemplo una consulta) y nos servira para almacenar el grado con el que un valor de un atributo concreto de una tupla concreta ha satisfecho dicha operacion. As , las relaciones base de la base de datos no tienen atributos de compatibilidad.
De nicion 2.3 Sea R una relacion difusa generalizada dada por: C ]) (A D C ])g R = H = f(A1 :: D1 ;; c 1]);; :: :: :: ;; (A n :: d n ;; c n])g ei1 i1 B = f(A1 d n ein in
(2.10)
con i = 1; 2; : : : ; m, siendo m el numero de tuplas de la relacion. Entonces, se de nen:
2.7. MODELO GEFRED DE MEDINA ET AL.

relacion dada por:
45
Componente de valor de una relacion difusa generalizada, Rv , como la parte de la

Hv = f(A1 : D1); : : : ; (An : Dn )g (2.11) e e Bv = f(A1 : di1 ); : : : ; (An : din )g donde Hv y Bv son las componentes de valor de la \cabecera" y el \cuerpo" respecRv =
tivamente.
parte de la relacion dada por:
Componente de compatibilidad de una relacion difusa generalizada, Rc, como la

Rc =
Hc = f C1 ]; : : : ; Cn]g Bc = f ci1 ]; : : : ; cin ]g
(2.12)
donde Hc y Bc son las componentes de compatibilidad de la \cabecera" y el \cuerpo" respectivamente.
t u
Los operadores de comparacion tambien son rede nidos para adaptarse a la naturaleza difusa de los datos que manejamos:
construido sobre el y sea un comparador extendido de nido en U. Consideremos una funcion de nida como:
De nicion 2.4 Sea U el dominio de discurso considerado. Llamaremos Comparador Extendido, , a cualquier relacion difusa de nida sobre U , expresada en la forma: : U U ! 0; 1] (2.13) (ui ; uj ) 7 ! 0; 1] con ui ; uj 2 U t u De nicion 2.5 Sea U el dominio de discurso considerado, D el dominio difuso generalizado
: D D ! 0; 1] e e (d1 ; d2 ) 2 0; 1]
(2.14)
Entonces, diremos que es un Comparador Difuso Generalizado sobre D inducido por el comparador extendido , si cumple:
e e (d1 ; d2 ) = (d1 ; d2 ) 8d1 ; d2 2 U
(2.15)
e e donde d1 ; d2 representan las distribuciones de posibilidad 1=d1 ; 1=d2 , inducidas, respectivamente, por los valores d1 ; d2 . t u
46
En una relacion (De nicion 2.2), el grado de compatibilidad del valor de un atributo concreto (en una tupla) se obtiene como consecuencia de los procesos de manipulacion realizados sobre esa relacion y expresa el grado con el que ese valor ha satisfecho la operacion realizada sobre el. Sobre estas de niciones GEFRED rede ne los operadores del algebra relacional en el llamado Algebra Relacional Difuso Generalizado: Union, Interseccion, Diferencia, Producto cartesiano, Proyeccion, Seleccion, Reunion y Division. Estos operadores se de nen indicando la cabecera y el cuerpo de una Relacion Difusa Generalizada que sera el resultado de la operacion. Todos esos operadores estan de nidos en 102] y 103], excepto la division que esta de nida en el Cap tulo 3 72]. A continuacion, damos la de nicion de algunos de los operadores del Algebra Relacional Difuso Generalizado, que usaremos posteriormente.
De nicion 2.6 Sean R y R0 dos relaciones difusas generalizadas dadas por: C ]) (A D C ])g R = H = f(A1 :: D1 ;; c 1]);; :: :: :: ;; (A n :: d n ;; c n])g ei1 i1 B = f(A1 d n ein in
R0 =
0 0 0 H0 = f(A01 : D1 ; C10 ]); : : : ; (A0n0 : Dn0 ; Cn0 ])g e e B0 = f(A01 : d0k1 ; c0k1 ]); : : : ; (A0n0 : d0kn0 ; c0kn0 ])g
donde i = 1; : : : ; m y k = 1; : : : ; m0 , siendo m y m0 las respectivas cardinalidades y donde n y n0 son los respectivos grados. Entonces, el Producto Cartesiano Difuso Generalizado se de ne como una relacion difusa generalizada dada por:
R R0 =
H = H H0 B = B B0
(2.16)
t u
difusa generalizada dada por:
De nicion 2.7 Sea R una relacion difusa generalizada dada por la ecuacion 2.10, y sea X un subconjunto de H expresado como: X H; X = f(As : Ds ; Cs0 ]) : s 2 S; s0 2 S 0 ; S; S 0 f1; : : : ; ngg Entonces, la Proyeccion Difusa Generalizada de R sobre X , P (R; X ) es una relacion
P (R; X ) = HP = X A : d ; c 0 ])g (2.17) BP = f( s eis is con s 2 S , s0 2 S 0 y S; S 0 f1; : : : ; ng. t u De nicion 2.8 Sea R una relacion difusa generalizada dada por la ecuacion 2.10, e 2 D a una constante, un comparador difuso generalizado y sea 2 0; 1] un \umbral de cumplimiento". Entonces, la Seleccion Difusa Generalizada realizada sobre R con la condicion inducida por compuesto con e y el atributo Ak (k 2 f1; : : : ; ng) y cuali cada por , S (R; a
(Ak ; e) a ), es una relacion dada por:
2.8. RESUMEN DE LOS TIPOS DE MODELOS DE BDRD
47
S (R; (Ak ; e) a
con
)=
HS = f(A1 : D1 ; C1 ]); : : : ; (An : Dn ; Cn ])g e e e BS = f(A1 : dr1 ; cr1 ]); : : : ; (Ak : drk ; c0rk ); : : : ; (An : drn ; crn ])g
(2.18)
c0rk =
e a (drk ; e)
(2.19)
donde r = 1; : : : ; m0 , siendo m0 la cardinalidad de la seleccion.
t u
2.8 Resumen de los Tipos de Modelos de BDRD

Como hemos visto, a nivel teorico existen muchos modelos de Bases de Datos Relacionales Difusas (BDRD) que, basados en el modelo relacional (apartado 1.2), lo extienden para permitir almacenar y/o tratar informacion imprecisa o incierta. Los modelos de BDRD se basan en el concepto de relacion difusa. Sin embargo, hay varias formas de permitir informacion imprecisa o incierta en estas relaciones difusas. Ademas, esas formas pueden ser mezcladas para permitir una mayor exibilidad. Algunas de las mas importantes formas de introducir informacion difusa en las relaciones son: 1. Valores difusos en los atributos: Esto se re ere a que en los atributos de una relacion podremos almacenar valores difusos y podremos operar con ellos. El tipo de estos valores puede ser muy variado, como se muestra en la Tabla 2.4. Este tipo de relaciones difusas es empleado en 28, 30, 102, 114, 129, 143, 145], aunque, como se ha visto, no todos admiten todos los tipos posibles, siendo GEFRED 102, 103] el mas general. 2. Grado en cada valor de un atributo: Esto implica que cada valor de cada atributo puede tener asociado un grado, generalmente en el intervalo 0,1], que mida el nivel de difuminado de dicho valor. El signi cado de estos grados puede ser variado como veremos a continuacion. Este tipo de relaciones difusas es empleado en 23] (ver apartado 3.7.3) y en el modelo GEFRED 102]. 3. Grado en toda la tupla de una relacion: Esto es similar al caso anterior, pero aqu el grado esta asociado a toda la tupla y no exclusivamente a un valor particular de una tupla. Este tipo de relaciones difusas es empleado en 114, 138, 145] (ver apartados 3.7.1 y 3.7.2). 4. Grado en un conjunto de valores de diversos atributos: Este es un caso intermedio entre los dos casos anteriores. Aqu el grado esta asociado a algunos atributos. Este puede ser un caso poco usual pero que puede ser a veces muy util. El dominio de esos grados suele estar delimitado al intervalo 0,1], pero pueden permitirse otros valores, como por ejemplo distribuciones de posibilidad. Ademas, el signi cado de esos grados es variado. Dependiendo de este signi cado el tratamiento de los datos podra ser diferente. Los posibles signi cados mas importantes de los grados son los siguientes:
48

1. Grado de cumplimiento (o satisfaccion): Una propiedad puede cumplirse con cierto grado entre dos extremos: La propiedad se cumple totalmente (usualmente grado 1) y la propiedad no se cumple en absoluto (usualmente grado 0). Esto suele emplearse tras establecer alguna condicion sobre los valores de una relacion (i.e. una seleccion con una condicion difusa) y los grados expresaran en que medida esa condicion ha sido satisfecha. Este signi cado se usa en 23, 102, 138]. 2. Grado de pertenencia: Este tipo de grados miden el nivel de pertenencia de un objeto (por ejemplo una tupla) a un conjunto (una relacion, para el ejemplo anterior). Este signi cado se usa en 114, 145]. 3. Grado de incertidumbre: El grado expresa la seguridad con que conocemos un dato determinado. Si estamos seguros de su veracidad dicho grado sera 1 y si estamos seguros de su falsedad dicho grado sera 0. Los valores entre 0 y 1 expresan distintos niveles de incertidumbre, indicando que no estamos completamente seguros. En 63] puede verse una discusion sobre estos aspectos. Este signi cado es, en cierta forma, bastante parecido al anterior, pues puede entenderse esa incertidumbre como expresada sobre la pertenencia de una tupla a la relacion. 4. Grado de posibilidad: Mide la posibilidad de la informacion almacenada. Como se dice en 125], este signi cado es similar al anterior, pero se ve este grado como mas debil ya que contiene informacion que es mas o menos posible (y no mas o menos cierta). 5. Grado de importancia: Distintos objetos (tuplas, atributos...) pueden tener diferentes importancias, de forma que existan objetos mas importantes que otros. Este signi cado se usa en 23, 114].
2.9 Lenguajes para Consultas Flexibles

La recuperacion de informacion de una base de datos es una actividad fundamental. Con ello pretendemos siempre obtener los datos que nos interesan en cada momento para aplicarles un tratamiento particular. En una consulta clasica (o tradicional) se establecen las llamadas condiciones de consulta y cada dato del resultado debe satisfacer completamente dichas condiciones. Por consulta exible entendemos aquella consulta en la que cada condicion individual puede ser satisfecha parcialmente. La consulta exible a bases de datos puede ser realizada tanto en bases de datos clasicas como difusas. Basicamente, las ventajas generales de las consultas exibles son: Pueden proveer respuestas cuando las consultas clasicas, por ser demasiado restrictivas, no lo hacen. Conseguir los elementos que cumplen las condiciones con un grado que indique su nivel de cumplimiento de estas condiciones, pudiendo obtener solo los n mejores. Ademas de las consideraciones que se han expuesto anteriormente al explicar los distintos modelos, aqu vamos a a~adir algunas mas. n Uno de los primeros trabajos sobre consultas exibles utilizando conjuntos difusos fue el de Tahani 138], aunque su trabajo se enfocaba sobre bases de datos clasicas. A partir de
2.9. LENGUAJES PARA CONSULTAS FLEXIBLES
49
relaciones clasicas y un predicado difuso produce una relacion en la que cada tupla tiene asociado un grado que indica el nivel de satisfaccion del predicado. Muy similar a la idea de Tahani es la propuesta por Bosc et al. en 23], en donde hace un estudio sobre la division relacional entre las relaciones difusas resultantes de sendas consultas difusas. En el apartado 3.7.3 se explica su modelo de bases de datos, sus distintas propuestas de division relacional y un estudio comparativo entre esas propuestas y la que nosotros proponemos en ese mismo cap tulo. Una consulta con condiciones imprecisas utiliza predicados atomicos de nidos usando conjuntos difusos sobre un dominio particular. Por ejemplo, son predicados imprecisos \Alto", \Caro", \Bueno"... A estos predicados se le pueden a~adir modi cadores lingu sticos, repren sentados por funciones de 0,1] a 0,1] para modelar los signi cados de \muy", \no muy", \mas o menos"... Las funciones modi cadoras mas usuales son de la forma siguiente, donde A es el predicado: 1. Amod (d) = ( A (d))n donde n > 1 para un concentrador y n < 1 para un dilatador (ver apartado 1.3.3). 2. Amod (d) = on ( A (d)) donde o es una norma idempotente para un concentrador y una co-norma para un dilatador. 3. Amod (d) = ( A (d a)) En 25] puede verse mas informacion sobre modi cadores. Las condiciones compuestas expresadas en forma de expresiones logicas son representadas usando operaciones sobre conjuntos difusos. Normalmente se usa la funcion m nimo para la conjuncion y la funcion maximo para la disyuncion, pero pueden usarse otras funciones 64, 161, 164], como las expresadas en el apartado 1.3.3.1. Tambien puede desearse expresar que determinadas condiciones simples tienen mayor importancia que otras 60, 133]. Las consultas tambien pueden involucrar cuanti cadores 149, 158, 169] y funciones de agregacion 62].
2.9.1 El Lenguaje SQLf de Bosc y Pivert

El lenguaje SQLf 22], publicado en 1995, representa una s ntesis de las caracter sticas y funcionalidades sugeridas en otras propuestas anteriores de consulta exible en bases de datos clasicas, como 19, 97, 115, 138, 154]. Igual que en estos trabajos, SQLf solo considera el comando de consulta SELECT. El formato de una consulta SQLf se basa en el de una consulta SQL (apartado 1.2.5.1) y es:
SELECT N|T|N,T] <lista_de_seleccion> FROM <lista_de_tablas> WHERE <condicion_difusa>
donde, para recuperar la relacion resultante, se aplica la condicion difusa al producto cartesiano de todas las tablas de la lista, se proyecta sobre los atributos de la lista de seleccion y se devuelven solo las N mejores tuplas y/o aquellas que tengan su umbral (threshold ) de
50
cumplimiento mayor que T. Los valores N y T son opcionales y se puede especi car uno de ellos o los dos. En la condicion difusa, ademas de condiciones clasicas, las unicas condiciones difusas que pueden emplearse son la comparacion entre valores \crisp" (columnas) con etiquetas lingu sticas y el uso del comparador difuso \aproximadamente igual" entre valores \crisp". Tambien permite el uso de cuanti cadores. Mediante el concepto de cuanti cador 158, 164, 169] es posible construir consultas que requieren efectuar un calculo sobre el numero de tuplas que satisfacen una determinada condicion. Al igual que en el modelo clasico, los cuanti cadores pueden ser absolutos y relativos. Los cuanti cadores absolutos pueden resolver cuestiones sobre el numero total de tuplas resultantes de una determinada consulta, diciendo (o respondiendo a) si este numero es \grande", \peque~o", \muchos", \pocos", \much simos"... En estos casos se observa que la verdad n del cuanti cador depende de una unica cantidad. Los cuanti cadores relativos pueden resolver cuestiones en las que la verdad del cuanti cador depende de dos cantidades. Este tipo de cuanti cadores se usan en expresiones como \la mayor a", \la minor a", \aproximadamente la mitad"... En estos casos, para evaluar la verdad del cuanti cador necesitamos hallar la cantidad total que cumple la condicion y ponderarla respecto a la cantidad total que podr a cumplirla (incluyendo los que la cumplen y los que no la cumplen). En 169] representa a los cuanti cadores difusos absolutos como conjuntos difusos en el intervalo 0; +1) y los relativos como conjuntos difusos en el intervalo 0; 1]. O sea, un cuanti cador Q es representado como una funcion Q, cuyo dominio depende de si es absoluto o relativo:
2.9.2 Cuanti cadores Difusos de la Consulta
Qabs : R+ Qrel : 0; 1]
! 0; 1] ! 0; 1]
En 103] se ofrece una discusion con mas profundidad sobre este aspecto, donde representa a los cuanti cadores difusos (absolutos o relativos) como distribuciones de posibilidad trapezoidales. En las Figuras 4.5 y 5.9 puede verse la representacion gra ca de algunos ejemplos de cuanti cadores difusos relativos. Ademas, los cuanti cadores pueden usarse en dos principales familias de expresiones 125], donde Q es el Cuanti cador y A y B son predicados (condiciones difusas o no): 1. \Q elementos del conjunto X cumplen A": Por ejemplo, \la mayor a de los jugadores del equipo X son muy buenos". 2. \Q elementos del conjunto X que cumplen B tambien cumplen A": Por ejemplo, \la mayor a de los jugadores del equipo X que son altos son tambien muy buenos". Existen varios metodos para determinar el grado de verdad de sentencias con cuanti cadores. Por ejemplo, en 158] se propone un metodo basado en el principio de extension, en 162] (ver apartado 3.7.4) se propone un metodo muy extendido 20, 164] basado en operadores OWA (Ordered Weighted Average) 160].
2.9. LENGUAJES PARA CONSULTAS FLEXIBLES
51
Otros metodos 169] distinguen cuando A es un predicado clasico y cuando A es un predicado difuso en el que los elementos que cumplen A forman un conjunto difuso (ver apartados 5.2.1.1 y 5.2.1.3, donde se explica el uso de cuanti cadores en FSQL). Pueden encontrarse otras propuestas alternativas en 149, 131]. Un estudio sobre la aplicacion de cuanti cadores difusos en la Division Relacional en BDRD puede verse en el apartado 3.6 y otras propuestas anteriores en los apartados 3.7.4 y 3.7.5. En el apartado 4.5 puede verse el uso y utilidad de cuanti cadores difusos en el Calculo Relacional Difuso que se propone en ese mismo cap tulo.
52
Cap tulo 3
Division Relacional Difusa

El modelo GEFRED 102, 103] no inclu a una de nicion expl cita para la Division Relacional Difusa. Esta operacion, por sus caracter sticas intr nsecas y por los problemas que plantea el tratamiento de informacion \imprecisa", no es directamente trasladable de bases de datos clasicas a difusas. En este cap tulo pretendemos dar una solucion a este problema, que mejora algunos aspectos de otras soluciones aparecidas en la bibliograf a. Al nal de este cap tulo se ofrece un resumen de algunas otras soluciones al problema de la Division Difusa y un breve estudio comparativo con la propuesta que aqu hacemos. Las tuplas de la relacion resultante de la division que aqu proponemos se obtienen junto con un grado de posibilidad que indica la medida en que esa tupla cumple las condiciones de la division relacional. Los resultados obtenidos son los que intuitivamente se esperan obtener. Ademas, para formalizar este metodo de division relacional difusa, se de nen dos nuevos operadores que pueden ser utiles en otras operaciones (apartado 3.2): La Interseccion Difusa Cuali cada y la Proyeccion Difusa Generalizada con Funciones de Grupo. A lo largo de este trabajo nos centraremos en el uso de las relaciones difusas del modelo GEFRED que, como se ha dicho en el apartado 2.8, representa la informacion difusa en dos sentidos: Valores difusos en los atributos y un Grado (opcional) asociado a cada valor. Esos grados son vistos como grados de cumplimiento. La division relacional es un operador del Algebra relacional. Este operador permite resolver preguntas del tipo: Lista todos los clientes que han comprado todos nuestros productos. Dame los clientes de Madrid que han comprado de todos los 10 productos mas vendidos. La division relacional hace uso del cuanti cador universal (para todo, 8) seleccionando las tuplas de una primera relacion que estan relacionadas, de alguna forma, con todas las tuplas de una segunda relacion. Los cuanti cadores lingu sticos han sido muy usados en el contexto de las Bases de Datos para procesar consultas exibles. Ejemplo de esto es el metodo presentado por Zadeh en 169], el uso de los operadores OWA presentado por Yager en 162, 163, 164] o el metodo que Vila et al. presentaron en 150]. En este ultimo art culo puede verse, ademas, un estudio comparativo de los metodos de Zadeh y Yager. 53
3.1 Introduccion y Enfoque del Problema
54
CAPITULO 3. DIVISION RELACIONAL DIFUSA
Estos estudios sirven para calcular el grado de cumplimiento (o de verdad) de a rmaciones que incluyen cuanti cadores lingu sticos (absolutos o relativos) y propiedades (precisas o imprecisas). Por ejemplo, calculan el grado de cumplimiento de a rmaciones del tipo:
Muy Pocos estudiantes son buenos en Matematicas. La mayor a de los estudiantes son jovenes.
Sin embargo, estos metodos solo dan un grado de cumplimiento para la expresion y no nos dicen las tuplas que cumplen la a rmacion y en que grado la cumple cada una. En el presente trabajo formalizamos un metodo para calcular la respuesta a preguntas del tipo de los primeros ejemplos, dados al principio de esta seccion, indicando las tuplas que satisfacen la pregunta y en que grado la satisfacen. Esto nos va a permitir establecer un umbral, u, para seleccionar solo aquellas tuplas cuyos grados de cumplimiento sean mayor que u. Otra importante aportacion de nuestra propuesta es que los valores de los atributos pueden ser difusos de multitud de tipos (Tabla 2.4). La de nicion de la division relacional clasica la podemos encontrar en el apartado 1.2.4.1. En este trabajo nos centraremos en la primera de nicion, sin considerar la division extendida, para simpli car y para enfocar mejor el problema. La division relacional no es una operacion primitiva del algebra relacional clasico, ya que puede expresarse en terminos de los operadores primitivos del algebra relacional clasico. En la ecuacion 1.4 se muestra como puede expresarse el operador de division en funcion de algunos de los operadores primitivos del algebra relacional clasico: Proyeccion, Producto Cartesiano y Diferencia relacional. Nosotros llamaremos a esa ecuacion la formula clasica de la division relacional. Esa formula sera explicada y demostrada de manera informal en el apartado 3.3.2. El problema surge cuando los atributos de nuestra base de datos no son \crisp", sino distribuciones de posibilidad. Entonces, la proyeccion no es trivial, pues hay que considerar cuando dos distribuciones de posibilidad se consideran redundantes. Existen varios criterios para esto. Por ejemplo, en 129] Prade y Testemale consideran que dos distribuciones de posibilidad y 0 sobre un dominio D son aproximadamente iguales si
d2D
sup j (d)
0 (d) j
"D
(3.1)
donde "D es un umbral dependiente del dominio. El mismo problema se plantea en la diferencia relacional, ya que hay que considerar si dos tuplas son o no iguales, lo cual, en un contexto difuso no siempre dara por respuesta si o no, ya que dos tuplas pueden ser redundantes solo en cierto grado. El metodo que aqu presentamos esta enmarcado dentro del modelo GEFRED 102, 103], aunque sus fundamentos teoricos pueden usarse en otros contextos. Como se ha dicho, GEFRED de ne de nuevo los operadores del algebra relacional en el llamado Algebra Relacional Difuso Generalizado: Union, Interseccion, Diferencia, Producto cartesiano, Proyeccion, Seleccion y Reunion. Estos operadores se de nen indicando la cabecera y el cuerpo de una Relacion difusa generalizada que sera el resultado de la operacion. El grado de compatibilidad del valor de un atributo concreto (en una tupla) se obtiene como consecuencia de los procesos de manipulacion realizados sobre esa relacion y expresa el grado en el que ese valor ha satisfecho la operacion realizada sobre el. De acuerdo con esto, las relaciones base
3.2. DOS NUEVOS OPERADORES
55
de la base de datos no tienen atributos de compatibilidad. El grado de compatibilidad no indica, por tanto, el grado de pertenencia a la relacion. Para nuestra de nicion de Division Relacional Difusa, usaremos las de niciones de Producto Cartesiano Difuso Generalizado, Proyeccion Difusa Generalizada y Seleccion Difusa Generalizada dadas en el apartado 2.7.
3.2 Dos Nuevos Operadores

Como ya hemos indicado anteriormente, para la de nicion de la division difusa generalizada, vamos a de nir dos nuevos operadores que tambien pueden usarse para otros nes, incluso fuera del contexto de GEFRED. En el algebra relacional clasico, si suponemos que tenemos dos relaciones clasicas R y R0 compatibles respecto a la union (con igual numero y tipo de atributos), la interseccion relacional, notada por R \ R0 , representa las tuplas de R que pertenecen tambien a R0 (entendiendo la pertenencia desde un punto de vista \crisp"). En una base de datos relacional difusa los conceptos anteriores ya no estan tan claramente de nidos: La igualdad de tuplas y la pertenencia a un conjunto son conceptos difusos. En este contexto, de nimos la Interseccion Difusa Cuali cada de R y R0 , notada por R \Q R0 , que expresa la posibilidad de que existan las tuplas de R en la relacion R0 o, dicho de otro modo, la posibilidad de que las tuplas de R esten en la interseccion.
3.2.1 Interseccion Difusa Cuali cada: \Q
De nicion 3.1 Sean R y R0 dos relaciones difusas generalizadas, tales que ambas son relaciones base de la base de datos y compatibles con respecto a la union, dadas por:
R= R0 =
H = f(A1 : D1 ); : : : ; (An : Dn )g e e B = f(A1 : di1 ); : : : ; (An : din )g H0 = f(A01 : D1 ); : : : ; (A0n : Dng e e B0 = f(A01 : d0 k1); : : : ; (An : d0kn)g
con i = 1; : : : ; m y k = 1; : : : ; m0 , siendo m y m0 las cardinalidades de R y R0 respectivamente, y siendo n el grado de ambas relaciones1 . Entonces, la Interseccion Difusa Cuali cada de R y R0 , sera igual a R, modi cando los grados de compatibilidad de sus atributos:
8H > \ < 0= R \Q R > B : \

1 Los
= ( A1 : D1 ; C1 ); : : : ; (An : Dn ; Cn )g f( v e e B\Q = Bv = f(A1 : di1); : : : ; (An : din )g = c = fc00 ; : : : ; c00 g B\Q i1 in
(3.2)
conceptos de relacion, cardinalidad y grado fueron introducidos en la De nicion 1.6 y el concepto de relacion difusa generalizada en la De nicion 2.2.
56
con i = 1; : : : ; m y donde Bv es la componente de valor (sin grados de compatibilidad) del c cuerpo, B, de R. Los grados de compatibilidad de la componente de compatibilidad B\Q se calculan de la siguiente forma:
c00 = Ki 8q = 1; : : : ; n iq
(3.3)
donde Ki es el grado de posibilidad de que la tupla i de R exista en R0 . Observese que, por de nicion, siempre van a existir sus grados de compatibilidad Cq . Dichos valores, Ki , con i = 1; : : : ; m, se calculan uno a uno de la siguiente forma: 8i = 1; : : : ; m
e e Ki = w=1;:::;m0 f q=1;:::;nf = (diq ; d0 wq )gg max min
(3.4)
donde = es un comparador difuso generalizado (ver De nicion 2.5) sobre D inducido por el comparador extendido = (d; d0 )= (d; d0 ). t u
Observaciones: El comparador = sera usado para medir la igualdad de dos valores. Una de nicion de este comparador, para distribuciones de posibilidad, podr a ser, por ejemplo:
= (p; p0 ) ee
min (= (p; p0 ); p (p); p0 (p0 )) e e = sup min ( p (d); p0 (d)) e e =

(p;p0 )2U U
sup
(3.5) (3.6)
d2U
donde p; p0 2 D, y sus distribuciones de posibilidad asociadas son p y p0 respectivamenee e e te. U es el dominio de discurso sobre el que se construye el dominio difuso generalizado D (ver De nicion 2.1). El comparador = se puede traducir por \posiblemente igual". Para este comparador puede usarse otra de nicion, sobretodo si se emplea para comparar escalares o distribuciones de posibilidad sobre escalares con una relacion de similitud entre ellos. Por ejemplo, se puede utilizar una medida de necesidad, como la indicada en la ecuacion 3.40. En el apartado 5.2.1.7 se da una de nicion de este comparador para distribuciones de posibilidad sobre escalares con una relacion de similitud. Nosotros, usaremos la de nicion anterior a lo largo de este cap tulo, aunque queremos remarcar que este metodo es independiente del comparador empleado para evaluar la igualdad entre valores difusos. Para determinados tipos de valores es posible que para aplicar este metodo se requiera de nir previamente un comparador de igualdad para ellos. Al aplicar la ecuacion 3.4, i es una constante que indica la tupla de R a la cual estamos calculando su posibilidad, Ki , de que exista en R0 . Notese que para calcular los Ki los grados de compatibilidad de R y R0 no son tenidos en cuenta porque ambas relaciones, R y R0 , son relaciones base de la base de datos y por tanto no tienen atributos de compatibilidad.
57
Se puede mejorar mucho la e ciencia del proceso de calcular los Ki , si entre los atributos de R y R0 existen n0 atributos con dominios \crisp", con 1 n0 n (numericos o escalares simples, esto es, tipos 1 y 2 de la Tabla 2.4). Si establecemos que esos n0 atributos sean los primeros, entonces, podemos cambiar la de nicion anterior haciendo que:
8H > \ > < 0= R \Q R > > B\ :
= f(A1 : D1 ; C1 ); : : : ; (An0 : Dn0 ; Cn0 ); ((Anv0 +1 : Dn0 +1); : : : ; (An :eDn)g e B\Q = Bv = f(A1 : di1 ); : : : ; (An : din0 )g = c B\Q = fc001 ; : : : ; c00 0 g i in
(3.7)
con i = 1; : : : ; m y donde Bv es la componente de valor (sin grados de compatibilidad) del cuerpo, B, de R. Los grados de compatibilidad de la componente de compatibilic dad B\Q se calculan ahora de la siguiente forma, alterando solamente los atributos de compatibilidad de los n0 primeros atributos (con dominios \crisp"):
c00 = iq
Ki si q 2 f1; : : : ; n0 g ciq si q 2 fn0 + 1; : : : ; ng y 9Cq
(3.8)
Los valores Ki , con i = 1; : : : ; m, se calculan uno a uno, para cada tupla i, en los siguientes dos pasos: 8i = 1; : : : ; m (a) Calcular una relacion, Ri , resultante de la siguiente seleccion (que no plantea problemas ya que la condicion de seleccion es una igualdad sobre atributos \crisp"): e Ri = S (R0 ; A0q = diq 8q = 1; : : : ; n0 ) (3.9) (b) Calcular Ki aplicando la misma ecuacion 3.4, pero considerando ahora la relacion e Ri en vez de R0 y restringiendo el rango de q: Si llamamos diwq a los valores de Ri, entonces
e e Ki = w=1;:::;vf q=nmin ;nf = (diq ; diwq )gg max 0 +1;:::
(3.10)
donde v es la cardinalidad de la relacion Ri . As , la funcion max se aplica solo a v valores (en vez de a m0 ) y la funcion min solo se aplica cada vez a n n0 valores (en vez de a n). Por tanto, para cada funcion min, el comparador = se aplica solo a los valores de los n n0 atributos difusos. A la relacion resultante de la Interseccion Difusa Cuali cada podemos aplicarle un umbral u 2 0; 1], de forma que C1 u. As conseguimos que en el resultado nal esten las tuplas de R que estan en R0 con posibilidad u como m nimo. La Interseccion Difusa Cuali cada no posee la propiedad conmutativa. La operacion R \Q R0 expresa la posibilidad de que las tuplas de R esten en R0 y la operacion R0 \Q R expresa la posibilidad de que las tuplas de R0 esten en R. Este operador es, en cierto sentido, como una interseccion en una sola direccion.
58
H A B C B A1 B1 C1
A1 A2 A2 A3 A3 B3 B2 B3 B3 B1 C2 C2 C2 C2 C3
Tabla 3.1: Ejemplo 3.1 de Interseccion Difusa Cuali cada: Relacion R.
H A B C B A1 B1 C1
A1 A1 A2 A2 A3 A3 B2 B2 B3 B1 B3 B2 C1 C3 C3 C1 C3 C1
Tabla 3.2: Ejemplo 3.1 de Interseccion Difusa Cuali cada: Relacion R0 . Los grados de posibilidad calculados por las ecuaciones 3.4 y 3.10 son asignados a un conjunto de atributos (con n y n n0 elementos cada uno respectivamente). Sin embargo, el unico requisito indispensable es que sea asignado como m nimo a un atributo, para que dicho valor sea conservado. Tambien es posible usar un comparador difuso generalizado inducido por otro comparador extendido que no sea la igualdad (como \mayor que", \mucho mayor que"...). En tal caso, var a el signi cado de la Interseccion Difusa Cuali cada R \Q R0 , que expresa la posibilidad de que las tuplas de la relacion R esten relacionadas con las tuplas de R0 de la forma que indique el comparador. Naturalmente, para simular la operacion de division relacional difusa solo sera valido el uso de un comparador que exprese la \igualdad". El siguiente ejemplo ilustra el funcionamiento de este operador: respectivamente. Supondremos que el atributo A es un atributo con dominio \crisp" y que los atributos B y C son atributos difusos que usan las etiquetas lingu sticas de la Figura 3.1. Si calculamos ahora la Interseccion Difusa Cuali cada R \Q R0 el resultado es el que se encuentra en la Tabla 3.3. En dicha Tabla hemos expresado tambien las operaciones por las que se obtienen los valores de CA (obviamente ese calculo no aparecera en la relacion nal). El calculo de CA de la Tabla 3.3 expresa la ecuacion 3.10 desarrollada. Los valores numericos se obtienen al aplicar el comparador difuso generalizado = (ecuacion 3.5) sobre las etiquetas lingu sticas de los atributos B y C (Figura 3.1). Cada funcion min actua sobre dos valores porque hay dos atributos con dominios difusos (B y C). Cada funcion max
Ejemplo 3.1 Sean las relaciones difusas generalizadas R y R0 dadas por las Tablas 3.1 y 3.2
59
B
1 0.75 0.5
B1
B2
B3
0 1 2 3 4 5 6 7 8 9 10 11
C
1
C1
C2
C3
0.66
0.25 0 1 2 3 4 5 6 7 8 9 10 11
Figura 3.1: Ejemplo 3.1 de Interseccion Difusa Cuali cada: De nicion de etiquetas sobre los atributos B y C.
60
H A CA B A1 1
(Calculo de CA ) B = maxfminf1,1g, minf0.5,1g, minf0.5,0gg B1 A1 0.66 = maxfminf0,0.66g, minf0.75,0.66g,minf0.75,0.25gg B3 A2 0.5 = maxfminf0.75,0.25g, minf0.5,0.66gg B2 A2 0.25 = maxfminf1,0.25g, minf0,0.66gg B3 A3 0.66 = maxfminf1,0.25g, minf0.75,0.66gg B3 A3 0 = maxfminf0,1g, minf0.5,0gg B1 Tabla 3.3: Ejemplo 3.1: Relacion R \Q R0 , con el calculo de CA .
C1 C2 C2 C2 C2 C3
H A CA B A1 1
B1 C1 A1 0.66 B3 C2 A3 0.66 B3 C2
Tabla 3.4: Ejemplo 3.1: Resultado de aplicar el umbral 0.6 a R \Q R0 . actua sobre tantos valores como tuplas se obtengan en la seleccion de la ecuacion 3.9 (tuplas de R0 cuyo valor del atributo A sea igual al valor del atributo A de la tupla que estamos calculando su CA ). En R0 hay tres tuplas con el valor A1, dos con el valor A2 y dos con el valor A3. Por tanto, como se expresa en la Tabla 3.3, en las tuplas con A1 la funcion max actua sobre tres valores y en las tuplas con A2 o A3 la funcion max actua sobre dos valores. El valor del atributo CA para una tupla concreta expresa la posibilidad de que esa tupla se encuentre en la relacion R0 . As , vemos que el grado de compatibilidad CA para la tupla (A1,B1,C1) es de 1, ya que esa tupla tambien se encuentra exactamente igual en R0 . Para la tupla (A1,B3,C2), la compatibilidad es 0.66 por su \parecido" con la tupla (A1,B2,C1) de R0 . Igualmente (A3,B1,C3) tiene compatibilidad 0 porque no hay posibilidad de que dicha tupla se encuentre en R0 . Podemos aplicar un umbral a CA para obtener solo las tuplas cuya posibilidad de pertenecer a R0 sea 0.6 como m nimo. El resultado de aplicar este umbral esta en la Tabla 3.4. t u Para una explicacion mas detallada del calculo de este operador vease el Ejemplo 3.5, mas adelante en la seccion 3.4.
De nicion 3.2 Supongamos que tenemos los siguientes cuatro elementos, de nidos como
sigue: 1. Una relacion difusa generalizada R dada por:
3.2.2 Proyeccion Difusa Generalizada con Funciones de Grupo F : P F
R=
H = f(A1 : D1 ; C1 ]); : : : ; (An : Dn ; Cn ])g e e B = f(A1 : dr1 ; cr1 ]); : : : ; (An : drn ; crn ])g
con r = 1; 2; : : : ; m, siendo m el numero de tuplas (la cardinalidad) de la relacion.

2. Una lista de
61
elementos de H, X , no necesariamente distintos, que notaremos como:
X = fx1 ; : : : ; x g : xi 2 H; 8i = 1; : : : ;
3. Un subconjunto de H, X 0 , compuesto por atributos de nidos sobre dominios \crisp" (tipos 1 y 2 de la Tabla 2.4). Si al numero de elementos de X 0 le llamamos , a este subconjunto lo notaremos como:
X 0 H : X 0 = fx01 ; : : : ; x0 g
En X 0 , como en cualquier conjunto, no se admiten elementos duplicados. Los elementos de X y X 0 pueden ser atributos normales o atributos de compatibilidad. 4. Una lista de Funciones de Grupo2 , F , de nidas sobre los elementos de X . Por tanto, la lista F tiene elementos, donde cada elemento es una funcion de grupo (no necesariamente distinta) de nida sobre cada uno de los atributos de X respectivamente:
F = fgfunc1; : : : ; gfunc g
Considerando que la Proyeccion Difusa Generalizada de R sobre X 0 viene dada por:
R 0 = P (R ; X 0 ) =
H0 = X 0 e e B0 = f(x01 : d0 t1 ); : : : ; (x0 : d0t )g
(3.11)
con t = 1; : : : ; m0 , siendo m0 el numero de tuplas de la proyeccion. Entonces, con base a los elementos anteriores, de nimos la Proyeccion Difusa Generalizada de R sobre X 0, con Funciones de Grupo F sobre X , como una relacion difusa generalizada dada por:
8 F > HP < F (R ; X 0 ; X ) = B F P > P :
= fX 0 :x01 ; : : : ; X 0 :x0 ; X:x1 ; : : : ; X:x g e e = f(X 0 :x01 : d0 t1 ); : : : ; (X 0 :x0 : d0 t ); et et (X:x1 : dF1 ); : : : ; (X:x : dF )g
(3.12)
e con t = 1; : : : ; m0 , siendo m0 el numero de tuplas de esa proyeccion y donde los d0 tj con 0 ) expresada j = 1; : : : ; son los valores que se obtienen aplicando la proyeccion P (R; X anteriormente (por eso los notamos igual). eti Los dF se obtienen aplicando la siguiente ecuacion: eti 8t = 1; : : : ; m0 ; 8i = 1; : : : ; : dF =
e e R0 :d0 tj =R:d0 rj ;8j =1;:::;
gfunci
e fR:dri : r = 1; : : : ; mg (3.13)
t u
e donde los R:d0 rj con j = 1; : : : ; son los valores de X 0 en la r-exima tupla de R.
62
FOR := 1 TO 0 DO (* FOR := 1 TO DO (* := FOR := 1 TO DO 0 0 t1 = 0 r1 IF (

t i G m
Para cada tupla *) Para cada atributo de *) (* Se inicializa un grupo (o lista) (* Se recorren las tuplas de *) 0 0 t2 = 0 0t = 0 r2 AND AND AND
END IF END FOR F := gfunc i ti END FOR END FOR
m e R:d e R :d e G := G R:dri
e R :d
e R:d
R e R :d
G *)
(* Se a~ade un elemento al grupo *) n
e R:d0 r
e d
fGg
(* Se calcula la funcion de grupo sobre
G *)
Figura 3.2: Algoritmo para el computo de los resultados de las Funciones de Grupo.
La ecuacion 3.13 puede calcularse a traves del algoritmo de la Figura 3.2. Esa ecuacion, al igual que el algoritmo, aplica la funcion de grupo gfunci a los valores del atributo xi 2 X de R de aquellas tuplas que cumplan que los valores de los atributos X 0 sean iguales a los de R0. Esta igualdad se entiende en el sentido clasico ya que los elementos de X 0 son \crisp". Es posible elaborar una version mas e ciente (en tiempo) de ese algoritmo, pero la que aqu exponemos es mas clara e intuitiva. F Los ultimos elementos de HP (sobre los que actuan las funciones de grupo de F ), pueden expresarse mediante una variante en la que se hace referencia a la funcion de grupo espec ca que actua sobre el atributo. En este caso, podemos eliminar la etiqueta de los elementos de X 0:
F HP = fx01 ; : : : ; x0 ; gfunc1(x1 ); : : : ; gfunc (x )g
(3.14)
A continuacion exponemos un sencillo ejemplo que clari ca la utilizacion de la Proyeccion Difusa Generalizada con Funciones de Grupo:
Ejemplo 3.2 Sean los siguientes 4 elementos:

1. Una relacion difusa generalizada R dada por la Tabla 3.5. Hemos considerado todos sus atributos con dominios \crisp" para simpli car el ejemplo. 2. Una lista de elementos de H, X , con 3 elementos:
X = fB; B; Cg
nito de valores dando como resultado un unico valor. Los ejemplos mas t picos de funciones de grupo son las que se usan para contar el numero de elementos del grupo (count), calcular el valor maximo (max), el m nimo (min), la suma (sum), la media (avg), la varianza (variance), la desviacion t pica (stddev)... Todas las funciones anteriores estan de nidas en el lenguaje SQL: Ver seccion 1.2.5.1 y Tabla 1.2.
2 Por Funciones de Grupo (o de Agregacion) entendemos aquellas funciones que se aplican a un grupo
63
H A B C B A1 0.5 1
A1 A1 A2 A2 A3 0.6 0.7 0.3 0.5 0.1 2 3 4 5 6
Tabla 3.5: Ejemplo 3.2: Relacion R.
H A min(B) avg(B) sum(C) B A1 0.5 0.6 6

A2 0.3 A3 0.1 0.4 0.1 9 6 Tabla 3.6: Ejemplo 3.2: Resultado de P F (R; X ; X 0 ). 3. Un subconjunto de H, X 0 , con un elemento:
X 0 = fAg
4. Una lista de Funciones de Grupo, F , de nidas sobre los elementos de X . Por tanto, la lista F tendra 3 elementos (las funciones m nimo, media y suma de un grupo):
F = fmin; avg; sumg

Si con los datos anteriores calculamos la Proyeccion Difusa Generalizada de R sobre el conjunto de atributos X 0 , con las funciones de grupo F sobre los atributos de X ,
P F (R; X 0 ; X ) = P fmin;avg;sumg(R; fAg; fB; B; Cg)

obtendremos la relacion que se expresa en la Tabla 3.6. La cabecera esta expresada en el formato de la ecuacion 3.14. t u La capacidad de la Proyeccion Difusa Generalizada con Funciones de Grupo para resolver facilmente cuestiones que, de otra forma, ser an mas complicadas, se ilustra mediante el siguiente ejemplo:
(ALUMNO, ASIGNATURA, NOTA...),
donde el atributo NOTA admite valores difusos (Bueno, Malo...). Supongamos que deseamos averiguar lo siguiente:
Que alumnos son Buenos (con grado m nimo 0.8) en 2 o mas asignaturas.
Ejemplo 3.3 Sea una base de datos sobre alumnos, con una relacion R con los atributos
64
Entonces, si = es el comparador difuso generalizado de nido en la ecuacion 3.5, el proceso a seguir es simple: 1. R0 = S (R;
= (NOTA; Bueno)
0:8)
2. R00 = P fcountg (R0 ; ALUMNO; NOTA) 3. S (R00 ; count(NOTA) 2) El resultado que buscamos lo obtenemos en el ultimo paso.
Que alumnos son Buenos en 2 asignaturas y Malos en 3 asignaturas.
t u
Con la misma tecnica del ejemplo anterior se pueden resolver cuestiones mas complicadas: Para una explicacion mas detallada del calculo de este operador vease el Ejemplo 3.5, mas adelante en la seccion 3.4. La Proyeccion Difusa Generalizada de R sobre el conjunto de atributos X 0 , con Funciones de Grupo F sobre los atributos de X , P F (R; X 0 ; X ), modela en algebra relacional difusa generalizada lo que en SQL (apartado 1.2.5) se efectua con la clausula GROUP BY de una sentencia SELECT. Recordemos que en una consulta con la clausula GROUP BY, todos los elementos expresados despues de la palabra SELECT deben ser elementos de la clausula GROUP BY, elementos conteniendo funciones de grupo, o constantes. As , la proyeccion P F (R; X 0 ; X ) podr a ser facilmente traducida a una sentencia SELECT de SQL, actuando cada clausula sobre los siguientes elementos:
3.2.2.1 Consideraciones Adicionales
X 0 y cada una de las funciones de F sobre cada uno de los atributos de X respectivamente.
FROM:
SELECT:
Los elementos seleccionados, sobre los que se proyectara, seran los del conjunto
La relacion R. En esta clausula apareceran todos los atributos de X 0 .
GROUP BY:
Como hemos indicado, los atributos de X pueden tener dominios difusos. En ese caso, las funciones de grupo de F correspondientes a dichos atributos deberan estar de nidas sobre dichos dominios. De esta forma podremos calcular el valor m nimo de un grupo de numeros difusos, el maximo...
Ejemplo 3.4 El paso 2 del Ejemplo 3.3, se especi car a en SQL como:
SELECT ALUMNO, Count(NOTA) FROM R' GROUP BY ALUMNO;
El resultado sera una relacion con dos atributos, con el nombre de los alumnos y el numero de notas de cada uno en R0 . t u
3.3. DIVISION RELACIONAL DIFUSA GENERALIZADA:
65
Los elementos de X 0 son atributos con dominios \crisp". Tambien podr a contener atributos con dominios difusos, si adoptamos un criterio para saber cuando considerar que dos valores de un atributo son iguales. De esta forma, en la proyeccion de la ecuacion 3.11 habr a que aplicar ese criterio para eliminar las tuplas redundantes. Ademas, en la ecuacion 3.13 (y en su algoritmo) habr a tambien que aplicar dicho criterio para ver la igualdad de todos los valores de los atributos de X 0 (en R y R0 ).
3.3 Division Relacional Difusa Generalizada:

En este apartado vamos a dar primero la de nicion de nuestra propuesta de Division Difusa y posteriormente damos una justi cacion para esta division, comparandola con la formula clasica de la Division Relacional (ecuacion 1.4).
3.3.1 De nicion
R=
De nicion 3.3 Sean R y R0 dos relaciones difusas generalizadas, dadas por:

H = f(A1 : D1 ; C1 ]); : : : ; (An0 : Dn0 ; Cn0 ]); : : : ; (An : Dn ; Cn ])g e e e B = f(A1 : di1 ; ci1 ]); : : : ; (An0 : din0 ; cin0 ]); : : : ; (An : din ; cin ])g
R0 =
H0 = f(A0n0 +1 : Dn0+1 ; Cn0 +1]); : : : ; (A0n : Dn ; Cn])g e e B0 = f(A0n0 +1 : d0 kn0+1 ; c0kn0 +1]); : : : ; (An : d0 kn ; c0kn ])g
con i = 1; : : : ; m y k = 1; : : : ; m0 , siendo m y m0 las cardinalidades de R y R0 respectivamente y donde n y n n0 son los respectivos grados. Ademas, tenemos que 1 n0 < n, tal que los Dj , con j = 1; : : : ; n0 , son dominios \crisp": numerico o escalar simple (tipos 1 y 2 de la Tabla 2.4). Entonces, de nimos la Division Relacional Difusa Generalizada de R entre R0 , notada por R R0 , como otra relacion difusa generalizada obtenida por la aplicacion de las siguientes operaciones: 1. Se calcula la relacion R00 de la siguiente forma:
R00 = P (R; A) R0
(3.15)
con A = fA1 ; : : : ; An0 g. La proyeccion sobre A no plantea problemas, ya que hemos supuesto que todos los atributos de A tienen dominios \crisp". 2. Se aplica la Interseccion Difusa Cuali cada entre R00 y R:
R000 = R00 \Q R
(3.16)
Para esta operacion, consideramos que el numero n0 de esta de nicion tiene el mismo valor que el numero n0 mencionado en la de nicion de la Interseccion Difusa Cuali cada (ecuaciones 3.7, 3.8, 3.9 y 3.10).
66

3. Los resultados de nitivos se obtienen aplicando la Proyeccion Difusa Generalizada de R000 sobre A, con Funciones de Grupo F sobre C :
R R0 = P F (R000 ; A; C )
(3.17)
donde C = fC1 ; : : : ; Cn0 g son todos los atributos de compatibilidad asociados a los atributos de A, y F es una lista de n0 funciones, todas ellas iguales, correspondientes a la funcion de grupo \m nimo" ( min):
F = fmin; :n:0:; ming
(3.18)
La Proyeccion con Funciones de Grupo del ultimo paso no plantea ninguna problematica, ya que tanto A como C son conjuntos de atributos con dominios \crisp". t u
La Division Relacional Difusa Generalizada es una extension de la Division Relacional clasica sobre atributos \crisp" y, por tanto, incluye a esta. O sea, sobre relaciones clasicas (sin atributos difusos), ambas obtienen identicos resultados (aunque de distinta forma). En otras palabras, en bases de datos clasicas esta ser a tambien otra forma de calcular la division relacional.
La Division Difusa que aqu presentamos funciona de manera similar a la formula clasica de la Division Relacional, expresada en la ecuacion 1.4 que aqu reproducimos:
3.3.2 Justi cacion de la Division Difusa Generalizada y Comparacion con la Formula Clasica de la Division Relacional
R R0 =
A (R) A (( A (R)
R0 ) R)
Para elaborar la Division Difusa nos hemos basado en la formula clasica, solucionando los problemas que aparec an por la naturaleza imprecisa de los datos que manejamos. Para aplicar la formula clasica en R R0 lo primero que hace es calcular A (R) R0 (siendo A los atributos de R que no son comunes a R0 ). Esta operacion se aplica de la misma forma en la Division Difusa, en la ecuacion 3.15. Con esta operacion conseguimos una relacion (R00 ) con todas las tuplas sobre las que evaluaremos su existencia en R. En esta operacion es realmente donde se aplica el cuanti cador universal (8), porque, para cada valor del conjunto de atributos A, tendremos en R00 todos los valores que buscaremos en R. A continuacion, la formula clasica aplica el operador Diferencia Relacional: R00 R. Con esta operacion eliminamos del conjunto de todas las tuplas que buscamos, las que realmente existen en R. As , obtenemos aquellas tuplas que buscabamos en R y que no existen en esa relacion. Si ahora proyectamos sobre A, obtendremos aquellas tuplas que no cumplen las condiciones de la Division Relacional. Para obtener las que s las cumplen basta restar a todas las tuplas de A (R), aquellas que no las cumplen. En Bases de datos difusas el primer problema se plantea al aplicar la diferencia relacional: 00 R. La di cultad radica en determinar en que medida una tupla de R00 pertenece o no a R R, ya que en ambas relaciones pueden haber tuplas que no sean iguales pero si parecidas.
3.4. UN EJEMPLO PRACTICO DE DIVISION RELACIONAL DIFUSA
67
Para solventar este problema introducimos la Interseccion Difusa Cuali cada que aplicamos en la ecuacion 3.16. Este operador tiene una diferencia semantica con respecto a la diferencia relacional: Mientras que la diferencia relacional, R00 R, devuelve las tuplas de R00 que no pertenecen a R, la Interseccion Difusa Cuali cada, R00 \Q R, devuelve el grado de posibilidad de que las tuplas de R00 pertenezcan a R. Si dicho grado es 1 indica que esa tupla pertenece a ambas relaciones, si es 0 es que esa tupla pertenece solo a R00 y cualquier grado intermedio representa una posibilidad intermedia. Como la Interseccion Difusa Cuali cada devuelve los valores de manera inversa a la diferencia relacional, nos evitamos tener que efectuar la ultima Diferencia de la formula clasica, la cual daba la vuelta a los valores obtenidos, como hemos visto. Recordemos que, en el sentido clasico, una interseccion equivale a dos diferencias: R \ S = R (R S ). En este punto, solo queda proyectar la relacion R000 sobre los atributos A. Esto plantea un nuevo problema, pues para cada valor A puede haber varios grados de posibilidad distintos asociados a el. Por ello, aplicamos la Proyeccion Difusa con Funciones de Grupo, ecuacion 3.17, tomando el valor m nimo de todos los asociados a un mismo valor de A. Como buscamos los valores de A que estan relacionados (en R) con todos los valores de R0 , tomamos la Tnorma del m nimo en todas las Funciones de Grupo de F .
3.4 Un Ejemplo Practico de Division Relacional Difusa

Vamos a exponer un ejemplo simple pero signi cativo que muestre la forma en que se aplica la Division Difusa Generalizada y su capacidad expresiva: de baloncesto. Una relacion de la base de datos podr a tener los atributos (JUGADOR, EQUIPO, ALTURA, CALIDAD, NUM_CAMISETA...). Los campos ALTURA (que almacena la altura del jugador) y CALIDAD (que mide la calidad del jugador segun el numero de puntos medio por partido), permiten almacenar valores difusos (tipo 6 de la Tabla 2.4). Nosotros, para el ejemplo, usaremos las etiquetas lingu sticas de la Figura 3.3. Hemos eliminado las etiquetas \Muy Bajo" y \Muy Malo", por considerar que profesionalmente no juegan jugadores de esas caracter sticas. En este contexto, vamos a encontrar los equipos de baloncesto que poseen una plantilla con todos los tipos de jugadores (en ALTURA y CALIDAD) de los que dispone el equipo de Cordoba. Para encontrar dichos equipos, primero tomaremos una proyeccion de la relacion anterior sobre los atributos que nos interesan (EQUIPO, ALTURA y CALIDAD), quedando la relacion R que muestra la Tabla 3.7. Esta tabla no tiene atributos de compatibilidad puesto que solo hemos efectuado la proyeccion sobre una relacion base. Obtenemos una segunda relacion R0 mediante la proyeccion sobre los atributos ALTURA y CALIDAD despues de haber efectuado una seleccion con la condicion EQUIPO=Cordoba. En nuestro ejemplo, R0 contendra solo dos tuplas. Esta relacion puede verse en la Tabla 3.7. Antes de exponer el calculo de la Division Difusa Generalizada R R0 , realizaremos una serie de observaciones de caracter intuitivo acerca de los resultados que cabr an esperar. Si observamos ambas relaciones, podemos ver que en R tenemos que el equipo de Granada cumple con las condiciones de dicha division. Obviamente, el equipo de Cordoba tambien. Ambos equipos tienen dos tuplas con los mismos valores que R0 en los atributos ALTURA y CALIDAD.
Ejemplo 3.5 Supongamos que tenemos una base de datos Relacional Difusa sobre jugadores
68
ALTURA
1
Bajo
Normal
Alto
Muy Alto
0.5
0 170 175 180 185 190 195 200 205 210 cm.
CALIDAD
1 0.75 0.5
Malo
Regular
Bueno
Muy Bueno
0 5 10 15 20 25 30 35 40 45 Puntos/Partido
Figura 3.3: Ejemplo 3.5 de Division Relacional: De nicion de etiquetas sobre los atributos ALTURA y CALIDAD.
69
H EQUIPO ALTURA B Cordoba Bajo

Cordoba Granada Granada Granada Malaga Malaga Malaga Sevilla Sevilla Sevilla Cadiz Cadiz Almer a Almer a Huelva
CALIDAD
Muy Alto Bajo Muy Alto Alto Bajo Alto Muy Alto Bajo Muy Alto Normal Muy Alto Bajo Alto Bajo Alto
Muy Bueno Malo Muy Bueno Malo Regular Muy Bueno Malo Muy Bueno Bueno Malo Bueno Muy Bueno Bueno Muy Bueno Regular Muy Bueno
Tabla 3.7: Ejemplo 3.5 de Division Relacional: Relacion R.
H ALTURA B Bajo
Muy Bueno Muy Alto Malo
CALIDAD
Tabla 3.8: Ejemplo 3.5 de Division Relacional: Relacion R0 .
70
El equipo de Malaga tiene una tupla que coincide con una de R0 , (Bajo, Muy Bueno): Con compatibilidad 1 en CALIDAD y 1 en ALTURA. La otra tupla de R0 , (Muy Alto, Malo), no empareja directamente con ninguna otra tupla de Malaga. Sin embargo, vemos que no hay muchas diferencias: La compatibilidad con la tupla (Malaga, Alto, Malo) es de 1 en CALIDAD y de 0.5 en ALTURA (Alto y Muy Alto \se parecen", o son posiblemente iguales, con grado 0.5). Por tanto, parece logico que el equipo de Malaga debe aparecer en el resultado de la division, pues cumple \en parte" con los requisitos. Igualmente, el equipo de Sevilla tiene una tupla que coincide con una de R0 , (Muy Alto, Malo). La otra tupla de R0 , (Bajo, Muy Bueno), no empareja directamente con ninguna otra tupla de Sevilla, pero vemos que hay similitudes: La compatibilidad con la tupla (Sevilla, Bajo, Bueno) es de 1 en ALTURA y 0.75 en CALIDAD (Bueno y Muy Bueno \se parecen" con grado 0.75), y la compatibilidad con la tupla (Sevilla, Normal, Bueno) es de 0.5 en ALTURA y 0.75 en CALIDAD. As , vemos que el equipo de Sevilla tambien cumple \en parte" con los requisitos de la division. Con el equipo de Cadiz se empareja la tupla (Cadiz, Bajo, Bueno) con la tupla (Bajo, Muy Bueno) de R0 (con grados 1 y 0.75 en ALTURA y CALIDAD respectivamente). Sin embargo, la otra tupla de R0 , (Muy Alto, Malo), no se empareja con ninguna otra de Cadiz (si en ALTURA, pero en absoluto en CALIDAD). Por eso, parece obvio que el resultado deber a indicar que Cadiz no cumple los requisitos necesarios para estar en la relacion de la Division. Por ultimo, los equipos de Almer a y Huelva no cumplen claramente con los requisitos de la Division. Despues de este estudio informal acerca de los resultados esperados, pasemos a ver como se comporta la Division Difusa Generalizada que hemos de nido. Para calcular R R0 , calcularemos las siguientes ecuaciones: 1. Ecuacion 3.15: Calculamos R00 de la siguiente forma:
R00 = P (R; EQUIPO) R0
(3.19)
obteniendo la relacion que se expresa en la Tabla 3.9. 2. Ecuacion 3.16: Calculamos la Interseccion Difusa Cuali cada, R00 \Q R, teniendo en cuenta que hay un atributo con dominio \crisp" (EQUIPO). As , obtenemos la relacion R000 de la tabla 3.10. En el campo CEQUIPO tenemos la posibilidad de que las tuplas de R00 esten en R. En esta Tabla, hemos incluido las operaciones por las que se obtienen esos valores aplicando la ecuacion 3.10. Los valores a los que afectan las funciones min son los resultados de aplicar el comparador difuso generalizado de la ecuacion 3.5. Para aclarar el funcionamiento de la Interseccion Difusa Cuali cada vamos a efectuar paso a paso el calculo de CEQUIPO para las dos tuplas del equipo de Granada y para las dos del equipo de Cadiz: Calculo de CEQUIPO para la tupla (Granada, Bajo, Muy Bueno) de R000 . Como esta tupla es la tercera, tenemos que i = 3. Los pasos a seguir son los siguientes: (a) Hallar la seleccion de la ecuacion 3.9, sabiendo que n0 = 1: R3 = S (R; EQUIPO = Granada)
71
H EQUIPO ALTURA B Cordoba Bajo

Cordoba Granada Granada Malaga Malaga Sevilla Sevilla Cadiz Cadiz Almer a Almer a Huelva Huelva
CALIDAD
Muy Alto Bajo Muy Alto Bajo Muy Alto Bajo Muy Alto Bajo Muy Alto Bajo Muy Alto Bajo Muy Alto
Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo
Tabla 3.9: Ejemplo 3.5 de Division Relacional: Relacion R00 = P (R; EQUIPO) R0 .
CEQUIPO .
maxfminf0,0g, minf1,1gg Muy Alto maxfminf1,1g, minf0,0g, minf0,0gg Bajo maxfminf0,0g, minf1,1g, minf0.5,0.5gg Muy Alto maxfminf1,1g, minf0,0g, minf0,1gg Bajo maxfminf0,0g, minf0.5,1g, minf1,0gg Muy Alto maxfminf1,0.75g, minf0,0g, minf0.5,0.75gg Bajo maxfminf0,0g, minf1,1g, minf0,0gg Muy Alto maxfminf0,1g, minf1,0.75gg Bajo maxfminf1,0g, minf0,0gg Muy Alto maxfminf0,1g, minf1,0gg Bajo maxfminf0.5,0g, minf0,0.5gg Muy Alto maxfminf0,1gg Bajo maxfminf0.5,0gg Muy Alto Tabla 3.10: Ejemplo 3.5 de Division Relacional: Relacion R000 = R00 \Q R, con
H EQUIPO CEQUIPO (Calculo de CEQUIPO ) B Cordoba 1 = maxfminf1,1g, minf0,0gg

Cordoba Granada Granada Malaga Malaga Sevilla Sevilla Cadiz Cadiz Almer a Almer a Huelva Huelva 1 1 1 1 0.5 0.75 1 0.75 0 0 0 0 0 = = = = = = = = = = = = =
Bajo
ALTURA
Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo Muy Bueno Malo
CALIDAD
el calculo de
72
H EQUIPO ALTURA B Granada Bajo
Muy Bueno Granada Muy Alto Malo Granada Alto Regular
CALIDAD
Tabla 3.11: Ejemplo 3.5 de Division Relacional: Relaciones intermedias R3 y R4 . de donde obtenemos la relacion de la Tabla 3.11. (b) Calcular K3 (que sera el valor de CEQUIPO para esa tupla), segun la ecuacion 3.10, teniendo en cuenta que v = 3 porque en la seleccion anterior se seleccionaron 3 tuplas (cardinalidad de R3 ):
K3 =
= = =
= maxfminf1; 1g; minf0; 0g; minf0; 0gg = 1
e ewq max f min f = (d3q ; d3 )gg w=1;:::;3 q=ALTURA;CALIDAD e ew e ew max fminf = (d3(ALTURA) ; d3 (ALTURA) ); = (d3(CALIDAD ) ; d3 (CALIDAD) )gg w=1;:::;3 ew ew max fminf = (Bajo; d3 (ALTURA) ); = (Muy Bueno; d3 (CALIDAD) )gg w=1;:::;3 maxfminf = (Bajo; Bajo); = (Muy Bueno; Muy Bueno)g; minf = (Bajo; Muy Alto); = (Muy Bueno; Malo)g; minf = (Bajo; Alto); = (Muy Bueno; Regular)gg
donde = es el comparador difuso generalizado de la ecuacion 3.5. Calculo de CEQUIPO para la tupla (Granada, Muy Alto, Malo) de R000 (i = 4): (a) Hallar la seleccion de la ecuacion 3.9, R4 , que es la misma que la del punto anterior y su resultado es tambien la relacion de la Tabla 3.11. (b) Calcular K4 (que sera el valor de CEQUIPO para esa tupla), segun la ecuacion 3.10, teniendo en cuenta que v = 3 porque en la seleccion anterior se seleccionaron 3 tuplas:
K4 =
ew ew max fminf = (Muy Alto; d4 (ALTURA) ); = (Malo; d4 (CALIDAD) )gg = maxfminf = (Muy Alto; Bajo); = (Malo; Muy Bueno)g; minf = (Muy Alto; Muy Alto); = (Malo; Malo)g; minf = (Muy Alto; Alto); = (Malo; Regular)gg = maxfminf0; 0g; minf1; 1g; minf0:5; 0:5gg = 1
w=1;:::;3
Calculo de CEQUIPO para la tupla (Cadiz, Bajo, Muy Bueno) de R000 (i = 9): (a) Hallar la seleccion de la ecuacion 3.9:
R9 = S (R; EQUIPO = Cadiz)

de donde obtenemos la relacion de la Tabla 3.12.
73
H EQUIPO ALTURA CALIDAD B Cadiz Muy Alto Muy Bueno

Cadiz Bajo Bueno Tabla 3.12: Ejemplo 3.5 de Division Relacional: Relaciones intermedias R9 y R10 . (b) Calcular K9 (que sera el valor de CEQUIPO para esa tupla), segun la ecuacion 3.10, teniendo en cuenta que ahora v = 2 porque en la seleccion anterior se seleccionaron solo 2 tuplas:
ew ew K9 = w=1;2fminf = (Bajo; d9 (ALTURA) ); = (Muy Bueno; d9 (CALIDAD) )gg max = maxfminf = (Bajo; Muy Alto); = (Muy Bueno; Muy Bueno)g; minf = (Bajo; Bajo); = (Muy Bueno; Bueno)gg = maxfminf0; 1g; minf1; 0:75gg = 0:75 Calculo de CEQUIPO para la tupla (Cadiz, Muy Alto, Malo) de R000 (i = 10): (a) Hallar la seleccion de la ecuacion 3.9, R10 , de donde obtenemos, igual que
antes, la relacion de la Tabla 3.12. (b) Calcular K10 (que sera el valor de CEQUIPO para esa tupla), segun la ecuacion 3.10:
ew ew K10 = w=1;2fminf = (Muy Alto; d10(ALTURA) ); = (Malo; d10(CALIDAD) )gg max = maxfminf = (Muy Alto; Muy Alto); = (Malo; Muy Bueno)g; minf = (Muy Alto; Bajo); = (Malo; Bueno)gg = maxfminf1; 0g; minf0; 0gg
= 0
3. Ecuacion 3.17: Siguiendo con el proceso general de la Division Difusa, y para terminar, efectuamos la Proyeccion Difusa Generalizada de R000 sobre el atributo EQUIPO, con Funcion de Grupo \m nimo" (min) sobre el atributo CEQUIPO :
R R0 = P fming (R000 ; EQUIPO; CEQUIPO )

El resultado nal de la division puede verse en la Tabla 3.13.
(3.20)
t u
A la relacion resultante de la Division Difusa Generalizada se le puede aplicar una seleccion de forma que CEQUIPO u, donde u 2 0; 1] es un umbral. De esta forma, si en el ejemplo anterior, establecemos u = 0:7, no obtendremos las tuplas de los equipos de Malaga, Cadiz, Almer a y Huelva. Se podr a haber de nido la Division Difusa Generalizada para que no se obtuvieran aquellas tuplas en las que CEQUIPO = 0, pero de la forma de nida obtenemos mas informacion, ya que as podemos saber los equipos que no cumplen en absoluto los requisitos de la division.
74
H EQUIPO CEQUIPO B Cordoba 1

Granada Malaga Sevilla Cadiz Almer a Huelva 1 0.5 0.75 0 0 0
Tabla 3.13: Ejemplo 3.5 de Division Relacional: Relacion resultante de R R0 .
H ALTURA B Bajo
Normal
Tabla 3.14: Ejemplo 3.6 de Division Relacional: Relacion R0 .
3.5 Problemas que se Plantean y Posibles Soluciones

Hay un caso particular para el que la Division Difusa Generalizada puede parecer no comportarse correctamente. Este caso se da cuando, al hacer la division (R R0 ), una misma tupla de R se relaciona con todas o parte de las tuplas de R0 . Siguiendo en el mismo contexto que el Ejemplo 3.5 de la base de datos sobre equipos de baloncesto, vamos a ver un ejemplo en el que se da este caso:
Ejemplo 3.6 Supongamos que buscamos los equipos que tienen al menos un jugador \Bajo"
y al menos un jugador de altura \Normal". En este caso, R0 sera una relacion de cardinalidad 2, con el unico atributo ALTURA, como se muestra en la Tabla 3.14. Imaginemos, por ejemplo, que el equipo de Jaen tiene todos sus jugadores \Muy Altos", menos uno que es \Normal". En este caso, el resultado de la division devolvera ese equipo en una tupla con grado de posibilidad 0.5 (minf0.5,1g), obtenido al aplicar la Proyeccion con Funciones de Grupo (ecuacion 3.20) a la relacion R000 de la Tabla 3.15. t u En el ejemplo anterior se ve que la Division Difusa devuelve un equipo que se relaciona solo con una tupla de las dos de R0 , ya que ese equipo no tiene ningun jugador \Bajo", por lo que podr a ser conveniente que no se devolviera. El problema estriba en que hemos utilizado un denominador poco discriminador, al estar demasiado proximos los valores de \Bajo" y \Normal". Este tipo de problemas es t pico al manejar datos imprecisos. Si tenemos datos difusos, los resultados tambien lo seran y deberan interpretarse como tales. Ademas, siempre sera posible hacer otras consultas a la Base de Datos para conseguir mas informacion. Podemos encontrar una solucion al problema anterior, pero no sabemos hasta que punto es aconsejable, pues al solucionar ese problema estamos impidiendo que se muestre informacion que pudiera ser util. Una solucion podr a ser que al efectuar la Interseccion Difusa Cuali cada, en cada grupo, las tuplas de R solo pueden usarse una vez donde obtengan mayor grado de posibilidad. De
3.6. RELAJACION DEL CUANTIFICADOR EN LA DIVISION DIFUSA
75
H EQUIPO B ...
Jaen Jaen .. .
CEQUIPO
.. . 0.5 1 .. .
(Calculo de CEQUIPO )
ALTURA
= maxf0.5, 0, : : : ,0g = maxf1, 0, : : : ,0g
.. . Bajo Normal .. .
Tabla 3.15: Ejemplo 3.6 de Division Relacional: R000 (resultado de la Interseccion Difusa Cuali cada).
H EQUIPO B ...
Jaen Jaen .. .
CEQUIPO
.. . 0 1 .. .
(Calculo de CEQUIPO )
ALTURA
= maxf0, : : : ,0g = maxf1, 0, : : : ,0g
.. . Bajo Normal .. .
Tabla 3.16: Resultado de la Interseccion Difusa modi cada, para el Ejemplo 3.6. esta forma, en el Ejemplo 3.6, la relacion resultante de esta Interseccion Difusa modi cada es la que se muestra en la Tabla 3.16. Puede observarse que el resultado de la comparacion con la tupla con el valor \Normal" de R solo aparece una vez, donde obtiene el grado de posibilidad 1. Por tanto, el resultado nal ser a que este equipo obtiene un grado de posibilidad cero en la division (minf0,1g). La Division Difusa modi cada (usando la Interseccion Difusa modi cada) aumenta considerablemente el numero de calculos a efectuar de forma no justi cada para casos generales. La mejor solucion al problema planteado esta en dos factores fundamentales: 1. Elegir (si es posible) cuidadosamente las etiquetas lingu sticas de forma que la similitud entre ellas no sea excesiva. 2. Usar un umbral, u, adecuado y seleccionar las tuplas cuyo grado de compatibilidad sea mayor que u. Este umbral puede usarse al nal de calcular la Division Difusa. Ademas, puede ser util comparar los resultados que se obtienen con distintos umbrales y efectuar otras consultas similares a la base de datos.
3.6 Relajacion del Cuanti cador Universal en la Division Difusa

Hasta ahora, hemos visto un sistema para calcular el resultado de la division relacional en relaciones con atributos difusos. Esta division la hemos considerado desde el punto de vista clasico, es decir, hemos considerado exclusivamente el cuanti cador universal \para todo" (8) a la hora de calcular esta division. En este apartado vamos a exponer algunos metodos para relajar ese cuanti cador y permitir usar cuanti cadores difusos tanto relativos como absolutos. Los cuanti cadores difusos fueron explicados en el apartado 2.9.2.
76
Puede parecer que todos los cuanti cadores que pueden utilizarse para relajar el cuanti cador universal de la division son cuanti cadores relativos, ya que estos dependen de las tuplas existentes en la relacion del denominador de la division relacional. Ejemplos de estos cuanti cadores son \todos", \casi todos", \la mayor a", \aproximadamente la mitad", \la minor a"... Sin embargo, tambien pueden utilizarse cuanti cadores absolutos, que no dependan del numero de tuplas del denominador. Ejemplos de cuanti cadores absolutos son \1 o mas" (cuanti cador existencial), \mas de 5", \aproximadamente 5", \pocos"... El cuanti cador existencial es una muestra de cuanti cador absoluto que puede utilizarse en lugar del cuanti cador universal de la division. Para utilizar este cuanti cador, basta con utilizar la funcion maximo en lugar de la funcion m nimo en la proyeccion con funciones de grupo F de la ecuacion 3.17. Es decir, en vez de la de nicion de F de la ecuacion 3.18 utilizar amos la siguiente de nicion:
F = fmax; :n:0:; maxg
(3.21)
Para cualquier otro cuanti cador absoluto Q, se puede aplicar la funcion de grupo suma y a continuacion, aplicar la funcion del cuanti cador Q sobre el resultado obtenido:
F = fQ(sum); :n:0:; Q(sum)g
(3.22)
Para un cuanti cador relativo Q, se puede calcular la media aritmetica (avg) y a continuacion, aplicar la funcion del cuanti cador Q sobre el resultado obtenido:
F = fQ(avg); :n:0:; Q(avg)g

relacional difusa con los siguientes cuanti cadores:
(3.23)
Ejemplo 3.7 Siguiendo con el Ejemplo 3.5, supongamos que queremos aplicar la division
1. Cuanti cadzor existencial (9). 2. Cuanti cador absoluto \aproximadamente 2" de nido como una funcion triangular, de la siguiente forma: 80 si x 0 o si x 3 < Q(x) = : x 1 si 1 < x 2 3 x si 2 < x < 3 3. Cuanti cador relativo \algunos", de nido como: Q(x) = x. 4. Cuanti cador relativo \casi todos", de nido como en la Figura 3.4. 5. Cuanti cador universal (8). Entonces, el resultado de la division relacional difusa R R0 con estos cuanti cadores es el que se muestra en la Tabla 3.17. t u Otro ejemplo de division difusa con cuanti cadores difusas es expuesto mas adelante en el Ejemplo 3.15 (apartado 3.7.5).
3.6. RELAJACION DEL CUANTIFICADOR EN LA DIVISION DIFUSA
77
0 0.4 0.9 1
Figura 3.4: Cuanti cador difuso relativo \casi todos".
aprox: algunos 9 casi todos 8 H EQUIPO CEQUIPO CEQUIPO 2 CEQUIPO CEQUIPO CEQUIPO B Cordoba 1 1 1 1 1
Granada Malaga Sevilla Cadiz Almer a Huelva
1 1 1 0.75 0 0
1 0.5 0.75 0 0 0
1 0.75 0.875 0.375 0 0
1 0.7 0.95 0 0 0
1 0.5 0.75 0 0 0
Tabla 3.17: Ejemplo 3.7 de Division Difusa con cuanti cadores: Relacion resultante de R R0.
78
3.7 Estudio Comparativo con otras Propuestas de Division Difusa

En la bibliograf a podemos encontrar algunas propuestas para efectuar la Division Relacional en una Base de Datos Difusa. Generalmente estas propuestas usan un modelo de relaciones difusas o un signi cado de los grados distinto al que nosotros empleamos (ver secciones 3.1 y 2.8). Ahora exponemos algunas de estas propuestas, comparandolas con la que aqu damos.
3.7.1 La Division de Mouaddib

En 114], Mouaddib propuso un metodo para efectuar la division relacional en bases de datos difusas basada en la identi cacion de objetos que tuvieran similares caracter sticas. Para ello, usa un sistema de calcular la division valido en bases de datos tradicionales: Si tenemos la relacion R(X; Y ) y S (Y ), donde los atributos Y de R y los de S estan de nidos en el mismo dominio, entonces, la division relacional sera una relacion D(X ) que puede ser calculada de la siguiente forma:
D(X ) = \Ri con i 2 1; n] Ri (X ) = Ri0 X ] Ri0 (X; Y ) = Select(R; Y = yi) con yi 2 S
(3.24) (3.25) (3.26)
donde n es el numero de elementos de S , \ es el operador de interseccion, ] es la proyeccion sobre los atributos que haya dentro de los corchetes y el operador de seleccion se expresa con la palabra Select. En su modelo de bases de datos difusas, cada tupla tiene un valor 2 0; 1] asociado, que indica el grado con el que cada tupla pertenece a la relacion. Tambien puede verse como el grado de certeza de cada tupla.
R f S = \f Ri con i 2 1; n] Ri (X ) = Ri0 X ]f Ri0 (X; Y ) = Selectf (R; Y = yi ) con yi 2 S
(3.27) (3.28) (3.29)
donde \f es el operador de interseccion difusa, ]f es la proyeccion difusa y el operador de seleccion difusa lo expresa con la palabra Selectf . Cada relacion difusa (R f S , Ri , Ri0 ) esta representada por una funcion caracter stica. La funcion caracter stica asociada a R f S puede calcularse como sigue: = = R0i (u) =
R fS Ri (x)
min Ri (x) con x 2 DomX max 0 (u) con u 2 Ri0 u:X =x Ri min(u: ; max min( yi (y); u:Y (y))) con y 2 DomY y
(3.30) (3.31) (3.32)
donde u: denota el grado de pertenencia de u a R y yi es un valor de S .
3.7. ESTUDIO COMPARATIVO CON OTRAS PROPUESTAS
79
Colores white whitish creme yellow yellowish red

white whitish creme yellow yellowish red 1 0.8 0.4 0 0 0 0.8 1 0.5 0 0 0 0.4 0.5 1 0 0 0 0 0 0 1 0.8 0 0 0 0 0.8 1 0 0 0 0 0 0 1
Tabla 3.18: Ejemplo 3.8 de Division de Mouaddib: Similitud entre colores.
Mushroom m1 m1 m1 m2 m3 m3
Color white yellow red red whitish yellow
1 0.8 0.7 1 0.6 1
Tabla 3.19: Ejemplo 3.8 de Division de Mouaddib: Relacion R.
Color whitish 1 yellowish 1 Tabla 3.20: Ejemplo 3.8 de Division de Mouaddib: Relacion S .
80
(Mushrooms) y su color. Los colores son escalares y su funcion caracter stica de similitud esta en la Tabla 3.18. Por ejemplo, para las 3 primeras tuplas u1, u2 y u3 de R, tenemos que: = min(1; maxfmin( whitish (y); white (y))g) y = min(1; maxf0:8; 0:8; 0:4; 0; 0; 0g) = 0:8 y 01 (u2) = R01 (u3) = 0:6 R
R01 (u1)
Ejemplo 3.8 Sean R y S las relaciones de las Tablas 3.19 y 3.20 respectivamente, sobre setas
(3.33) (3.34) (3.35)
Entonces, deducimos que:

R1 (m1) = max( R01 (u1); R01 (u2); R01 (u3)) = 0:8
De similar forma obtenemos que R2 (m1) = 0:8, de donde calculamos el resultado nal para m1:
R f S (m1)
= min( R1 (m1); R2 (m1)) = min(0:8; 0:8) = 0:8
(3.36)
Para las otras tuplas (m2 y m3) obtenemos que:

R f S (m2) R f S (m3)
= min( R1 (m2); R2 (m2)) = min(0; 0) = 0 = min( R1 (m3); R2 (m3)) = min(0:6; 0:8) = 0:6
(3.37) (3.38)
t u
3.7.1.1 Analisis de la Propuesta

La division de Mouaddib representa un caso bastante particular y su modelo de bases de datos no permite representar mas tipos que los escalares y un grado ( ) asociado a cada escalar. Este grado tiene un signi cado de pertenencia. Sin embargo, GEFRED nos permite representar multitud de tipos entre los que esta incluido el tipo que usa Mouaddib, que ser a el tipo 5 de la Tabla 2.4, con un unico valor no normalizado. Ademas, el metodo de Mouaddib no funciona correctamente, pues en la ecuacion 3.32 desplaza la variable y por todo el dominio del atributo Y . Esto implica que el resultado de la division puede variar con solo modi car el dominio y la funcion de similitud asociada al mismo. Por ejemplo, si nosotros introducimos un nuevo valor en el dominio de un atributo la relacion resultante puede verse alterada, como se demuestra en el siguiente ejemplo.
Ejemplo 3.9 Cambiemos la segunda tupla de R por los valores (m1,yellowish,1). En este
caso obtenemos los mismos valores de la division del Ejemplo 3.8. Introduzcamos ahora un nuevo color entre white y whitish, que llamaremos white whitish, tal que whitish (white whitish) = 0:9 y white (white whitish) = 0:9. En ese caso, vemos que el resultado de la division ha variado, pues obtenemos un grado de 0.9 para m1, cuando lo esperable es 0.8, como antes de modi car el dominio. t u
81
Nuestra division puede obtener similares resultados que la division de Mouaddib pero sin el inconveniente anterior. Para ello basta con usar la siguiente funcion de comparacion difusa (en vez de la ecuacion 3.5): (3.39) donde x e y son los valores que queremos comparar. Cada valor tiene a su vez dos campos: x.value es el valor asociado a x y que debe pertenecer al dominio del atributo en cuestion y x: 2 0; 1] es el grado asociado a ese valor. En el mismo art culo, Mouaddib presenta el concepto de Informacion Matizada (Nuanced Information) con el cual permite que su modelo de base de datos admita distribuciones de posibilidad. La principal desventaja con respecto a la division que aqu presentamos es que la division de Mouaddib solo permite un atributo comun a ambas relaciones (R y S ), mientras que en nuestra propuesta podemos tener cualquier numero de atributos comunes a ambas relaciones. Mouaddib utiliza tambien medidas de necesidad. Para utilizar la medida de necesidad en la division que aqu presentamos solo tenemos que utilizar el siguiente comparador difuso:
= (p; p0 ) = inf max ( (d); 1 p e N ee d2U
e p0 (d))
= (x; y ) = min(x:
; y: ;
x:value (y:value))
(3.40)
Mouaddib utiliza tambien grados con el signi cado de importancia y propone una division relacional en la cual se pondera la importancia de cada atributo en ambas relaciones con unos pesos entre 0 y 1. Esta consideracion no es tenida en cuenta en nuestro modelo, y los grados que usamos son grados de cumplimiento, no grados de importancia. En 145] Umano y Fukami proponen su modelo de BDRD, el cual fue expuesto en el apartado 2.5. En su division, R S , considera que en el resultado estaran las tuplas tales que los valores del grado S para todas las tuplas de S son menores o iguales que los valores del grado R en las tuplas correspondientes. las columnas R y S expresan, respectivamente, el grado de pertenencia de cada tupla a su relacion. El resultado puede verse en la Tabla 3.23. La tupla <a1 ; b1 > esta en el resultado porque los valores de los grados 0.8 y 0.3 de las tuplas de S son menores que los valores de los grados 1 y 0.7 de las tuplas <a1 ; b1 ; c1 ; d1 > y <a1 ; b1 ; c3 ; d3 > respectivamente. El grado para esta tupla es igual a: min(0:8 ^ 1; 0:3 ^ 0:7) = min(0:8; 0:3) = 0.3. Como el grado 0.3 de la tupla <c3 ; d3 > de S es mayor que el grado 0.2 de la tupla <a3; b3 ; c3 ; d3 > de R, la tupla <a3 ; b3 > no aparece en el resultado. t u Cuando las relaciones incluyen distribuciones de posibilidad como valores de atributos los resultados son obtenidos evaluando la igualdad de los valores de los atributos. Ademas, a~aden que si en grados de pertenencia hay distribuciones de posibilidad entonces se debe n de nir una relacion de orden para esas distribuciones de posibilidad, indicando una forma para hacerlo.
3.7.2 La Division de Umano/Fukami
Ejemplo 3.10 Sean dos relaciones R y S con los valores de las Tablas 3.21 y 3.22, donde
82 1 0.7 0.9 0.8 0.2 0.9

R

a1 a1 a2 a3 a3 a1
A B C D
b1 b1 b2 b3 b3 b1
c1 c3 c3 c1 c3 c2
d1 d3 d3 d1 d3 d2
Tabla 3.21: Ejemplo 3.10 de Division de Umano/Fukami: Relacion R.

S
0.8 c1 d1 0.3 c3 d3 Tabla 3.22: Ejemplo 3.10 de Division de Umano/Fukami: Relacion S .
C D

La principal ventaja que presenta el modelo de bases de datos de Umano y Fukami es que nos permite almacenar un grado de pertenencia para cada tupla. Sin embargo, nosotros creemos que en la mayor a de los casos esa informacion no es muy util, pues en la mayor a de los casos reales se tienen entidades que sabemos que lo son (pertenecen a una relacion con grado 1), pero que puede que desconozcamos exactamente algunos de sus atributos. Por ejemplo, si tenemos una base de datos de alumnos, clientes o jugadores de baloncesto, sabremos que esas entidades lo son con grado 1. Es raro encontrar, en la practica, casos en los que una entidad lo sea con cierto grado en una relacion \base" de la base de datos. Por ejemplo, un jugador de baloncesto lo es o pertenece a un equipo con grado 1, siempre. Lo mas normal es que desconozcamos, o sea dif cil medir con exactitud, algun o algunos de sus atributos: edad, altura, color del pelo, calidad... El grado de pertenencia es util tras alguna operacion y es visto o como grado de pertenencia al conjunto que genera esa operacion o como grado de cumplimiento de las condiciones establecidas en esa operacion. Por otra parte, Umano y Fukami no explican detenidamente que hacer en una division difusa cuando los valores de los atributos son distribuciones de posibilidad. Cosa que s hacen con los demas operadores. Simplemente, se limitan a indicar que \cuando las relaciones incluyen distribuciones de posibilidad como valores de atributos los resultados son obtenidos evaluando la igualdad de los valores de los atributos" (pagina 25 de 145]). 0.3
R S
a1 b1
A B
Tabla 3.23: Ejemplo 3.10 de Division de Umano/Fukami: Relacion resultante R S .
83
3.7.3 Distintos Tipos de Divisiones para Distintos Signi cados, segun Bosc et al.
En 23] Bosc, Dubois, Pivert y Prade hacen un estudio detallado de algunos tipos de divisiones dependiendo del signi cado de los grados asociados a cada tupla de cada relacion: Grado de cumplimiento en atributos graduales, nivel de importancia en una consulta o incertidumbre en los datos. En su estudio se centran en los dos primeros signi cados. En su art culo, ellos ven dos clases de problemas, centrandose en el segundo de ellos exclusivamente: Almacenar y manipular informacion incompleta, permitiendo imprecision e incertidumbre: Esto puede ser conseguido por distintos mecanismos, como por ejemplo a traves de la probabilidad 11, 153] (apartado 2.1.4) o de la teor a de la posibilidad 127, 143, 147] (Cap tulo 2). Admitir la posibilidad de poder efectuar consultas exibles (difusas) usando predicados o condiciones imprecisas y teniendo en cuenta que, en una consulta, algunas partes de la condicion pueden ser mas importantes que otras. As , las consultas exibles necesitan una expresion de las preferencias (comparaciones difusas) y unos niveles de importancia (umbrales). Para la division consideran dos interpretaciones posibles, pero ambas se basan en bases de datos clasicas y las relaciones difusas consideradas son el resultado de una consulta difusa efectuada sobre una relacion clasica. De esta consulta difusa se obtiene una relacion en la cual existe un grado para cada tupla. Consideran dos tipos de signi cados para esos grados: 1. Grado de cumplimiento: Una propiedad puede cumplirse con cierto grado entre dos extremos: La propiedad se cumple totalmente (usualmente grado 1) y la propiedad no se cumple en absoluto (usualmente grado 0). 2. Grado de importancia: Distintos objetos (tuplas) pueden tener diferentes importancias, de forma que existan objetos mas importantes que otros. O sea, ellos solo consideran relaciones difusas como consecuencia de una seleccion sobre una relacion clasica (\crisp") usando predicados difusos o por medio de la valoracion directa de los niveles de importancia. Supongamos que tenemos dos relaciones R(X; A) y S (A; Y ), donde X , A e Y son atributos simples o conjuntos de atributos. Notaremos como T (t) el grado de la tupla t en la relacion T . Entonces, en 23] se consideran los siguientes dos casos, segun las interpretaciones que se den a R (x; s A]) y a S (s):
Caso 1 Grado de cumplimiento Grado de cumplimiento Caso 2 Grado de cumplimiento Grado de importancia
Un inconveniente de este modelo es que, aunque el grado esta asociado a un atributo, solo considera un grado por cada tupla. De esta forma no es posible establecer distintos grados para distintos atributos dentro de una misma tupla. Este problema se hace mas patente cuando A es un conjunto formado por varios atributos.
R (x; s A])
S (s)
84

X x1 x1 x2 x2 x3 x3 x4 x4 x5 x5 A a1 a2 a1 a2 a1 a2 a1 a2 a1 a2
0.8 0.8 0.2 0.5 0.2 1 0.3 0.5 0.2 0.7
R
Tabla 3.24: Ejemplo 3.11 de Division de Bosc et al.: Relacion R.
(3.41) interpretando el cuanti cador universal de la division como una conjuncion generalizada y usando la T-norma del m nimo. En este caso la division puede ser efectuada usando dos modelos de implicacion: 1 si a b (3.42) b en otro caso 1 Implicacion de Goguen : a ! b = min(1; b=a) si a = 0 (3.43) si a 6= 0 donde consideramos para la division que a = S (s) y b = R (x; s A]). Con la implicacion de Godel, cuando R (x; s A]) S (s), el resultado de la implicacion es (x; s A]) y esta evaluacion es absoluta puesto que no depende de S (s). O sea, la implicacion R de Godel no mide si el grado de cumplimiento en R se parece mucho o poco al grado en S . A veces, puede interesar un resultado que mida ese acercamiento de forma relativa, dando la relacion R (x; s A])= S (s). Para ello, podemos usar la implicacion de Goguen que es una R-implicacion, a ! b = supfc 2 0; 1]; a c bg, generada usando el producto en la operacion . Ejemplo 3.11 Sean dos relaciones R y S con los valores de las Tablas 3.24 y 3.25, donde las columnas R y S expresan, respectivamente, el grado de pertenencia de cada tupla a su relacion. Entonces, en la Tabla 3.26 se muestran los resultados de la division: A la izquierda empleando la implicacion de Godel y a la derecha empleando la implicacion de Goguen. En esas relaciones se muestran tambien las operaciones efectuadas para calcular el grado de cumplimiento en cada tupla. t u Es importante destacar que, en estas dos implicaciones, para que un elemento xi aparezca en el resultado es obligatorio que todos los elementos de S esten relacionados en R con xi : Si S (s) > 0 y R (x; s A]) = 0, entonces R S (x) = 0. Por el contrario, la implicacion de Lukasiewicz no se comporta as y su resultado ser a 1 S (s) en este caso (ver ecuacion 3.45). Ademas, la implicacion de Lukasiewicz no permite distinguir entre el Caso 1 y el Caso 2. Implicacion de Godel : a ! b =
Caso 1: El grado de las tuplas de la division se calculara por: R S (x) = min( S (s) ! R (x; s A])) s

A a1 0.3 a2 0.8
Tabla 3.25: Ejemplo 3.11 de Division de Bosc et al.: Relacion S .
85
X x1 x2 x3 x4 x5
Implicacion de Godel
1.0 0.2 0.2 0.5 0.2 = = = = =
(Calculo de ) minf1, 1g minf0.2, 0.5g minf0.2, 1g minf1, 0.5g minf0.2, 0.7g
X x1 x2 x3 x4 x5
Implicacion de Goguen
1.00 0.63 0.67 0.63 0.67 = = = = =
(Calculo de ) minfminf1, 0.8/0.3g, minf1, 0.8/0.8gg minfminf1, 0.2/0.3g, minf1, 0.5/0.8gg minfminf1, 0.2/0.3g, minf1, 1/0.8gg minfminf1, 0.3/0.3g, minf1, 0.5/0.8gg minfminf1, 0.2/0.3g, minf1, 0.7/0.8gg
Tabla 3.26: Ejemplo 3.11 de Division de Bosc et al. (caso 1): Resultados de R S segun las implicaciones de Godel y Goguen.
Caso 2: En este caso, la relacion S puede ser vista como un conjunto de requisitos que
deben cumplir los objetos X de R, de forma que cada requisito tiene asociado el grado de importancia que tiene. As , una tupla x cumplira totalmente las condiciones de la division si posee en R el maximo grado de cumplimiento con todos los requisitos expresados en S que tienen alguna importancia, independientemente del grado de importancia que tengan:
R S (x) = 1
() (8s; S (s) > 0 ) R (x; s A]) = 1)
Por otra parte, una tupla x no cumplira en absoluto las condiciones de la division si existe al menos un requisito en S con el maximo nivel de importancia y ademas x no cumple en absoluto este requisito:
R S (x) = 0
() (9s; S (s) = 1 ^ R (x; s A]) = 0)
Para las situaciones intermedias se utiliza la ecuacion 3.41, donde ahora la implicacion usada es la implicacion de Dienes: Implicacion de Dienes : a ! b = maxf1 a; bg (3.44)
Observese que la implicacion de Dienes respeta los dos casos particulares que hemos explicado justo antes. La relacion S debe estar normalizada con respecto a , esto es, el mayor grado de importancia debe ser 1 (9si; S (si ) = 1), para as tener una escala apropiada para los niveles de importancia. Si S no esta normalizada entonces estamos dividiendo por una relacion que esta, en cierto sentido, vac a.
86

X x1 x1 x2 x3 x3 x4 x4 x5 x6 x6 x7 x7 x8 A a1 a2 a1 a1 a2 a1 a2 a2 a1 a2 a1 a2 a2
1.0 1.0 1.0 0.4 0.8 0.2 0.8 0.8 0.4 0.2 0.2 0.2 0.2
R
Tabla 3.27: Ejemplo 3.12 de Division de Bosc et al.: Relacion R.
A a1 0.3 a2 1.0
Tabla 3.28: Ejemplo 3.12 de Division de Bosc et al.: Relacion S .
Ejemplo 3.12 Sean dos relaciones R y S con los valores de las Tablas 3.27 y 3.28. Observe
que la relacion S esta normalizada. Entonces, en la Tabla 3.29 se muestran los resultados de la division. En esa relacion se muestran tambien las operaciones efectuadas para calcular el grado de cumplimiento en cada tupla. t u
Observese en este caso que, para que un elemento xi aparezca en el resultado, no es obligatorio que todos los elementos de S esten relacionados en R con xi , cosa que s pasaba en el caso 1.

La principal diferencia entre la division que proponemos y el enfoque de Bosc et al. es que ellos parten de bases de datos clasicas y las relaciones difusas consideradas son el resultado de una consulta difusa efectuada sobre una relacion clasica. De esta consulta difusa se obtiene una relacion en la cual existe un grado para cada tupla pero no admiten valores difusos como valores de los atributos en una relacion. Ademas, hay que destacar que ese grado esta asociado a la tupla entera, no a un atributo particular. Por tanto, estos modelos de division no son aplicables cuando ambas relaciones tienen varios atributos en comun y queremos que en la division se tengan en cuenta todos ellos. En el caso 1 se dan ciertos casos que podr an ser vistos como incoherencias. Este caso ocurre cuando un objeto x de R se relaciona con todas las tuplas de S pero con un grado

X x1 x2 x3 x4 x5 x6 x7 x8
1.0 0.0 0.8 0.7 0.7 0.2 0.2 0.2 = = = = = = = =
(Calculo de minfmaxf1 minfmaxf1 minfmaxf1 minfmaxf1 minfmaxf1 minfmaxf1 minfmaxf1 minfmaxf1 ) 0.3, 1.0g, maxf1 0.3, 1.0g, maxf1 0.3, 0.4g, maxf1 0.3, 0.2g, maxf1 0.3, 0.0g, maxf1 0.3, 0.4g, maxf1 0.3, 0.2g, maxf1 0.3, 0.0g, maxf1 1, 1.0gg 1, 0.0gg 1, 0.8gg 1, 0.8gg 1, 0.8gg 1, 0.2gg 1, 0.2gg 1, 0.2gg
87
Tabla 3.29: Ejemplo 3.12 de Division de Bosc et al. (caso 2): Resultado de R S segun la implicacion de Dienes.
X x1 x2 x3 x4 x5
Implicacion de Lukasiewicz
1.0 0.7 0.9 0.7 0.9 = = = = =
(Calculo de ) minf1, 1g minf1 0.1, 1 0.3g minf1 0.1, 1g minf1, 1 0.3g minf1 0.1, 1 0.1g
Implicacion de Lukasiewicz modi cada

X x1 x2 x3 x4 x5
0.5 0.7 0.8 0.7 0.9 = = = = =
(Calculo de ) minf1 0.5, 1 0.0g minf1 0.1, 1 0.3g minf1 0.1, 1 0.2g minf1 0.0, 1 0.3g minf1 0.1, 1 0.1g
Tabla 3.30: Ejemplo 3.11 de Division de Bosc et al. (caso 1 modi cado): Resultados de R S segun las dos implicaciones de Lukasiewicz. ligeramente inferior al que marca S . En ese caso, x es recuperado en la relacion de la division pero con un grado que puede ser muy peque~o en relacion a lo cerca que esta de cumplir las n condiciones de la division. As , en el Ejemplo 3.11 la tupla de x5 esta muy cerca de cumplir las condiciones de la division, pues solo esta a 0.1 grados por debajo de los requisitos expresados en la relacion S en ambos valores (a1 y a2 ). Sin embargo, usando la implicacion de Goguen obtiene 0.67 y usando la de Godel obtiene solo un grado de 0.2. Ese problema puede ser solucionado utilizando la implicacion de Lukasiewicz: Implicacion de Lukasiewicz : a ! b = 1 si a b 1 (a b) en otro caso (3.45)
Ademas, puede interesarnos encontrar tuplas que cumplan los requisitos de la division estrictamente como se expresan en la relacion S . Para solucionar este problema podemos utilizar una modi cacion de la anterior implicacion: Implicacion de Lukasiewicz modi cada : a ! b = 1 ja bj (3.46)
donde ja bj expresa el valor absoluto de esa diferencia. Con esas dos implicaciones los resultados de la division R S con las Tablas del Ejemplo 3.11 son los expresados en la Tabla 3.30.
88
Otra posible implicacion aplicable es la de Rescher-Gaines, que es tremendamente simple y que no obtiene los resultados graduados: 1 si a b (3.47) 0 en otro caso Como ya se ha indicado, en el caso 2 la principal ventaja estriba en que para que un elemento aparezca en el resultado no es obligatorio que todos los elementos de S esten relacionados, en R, con dicho elemento, ya que todo depende de la importancia que tenga ese elemento. Esto puede verse como una relajacion del cuanti cador universal de la division, aunque en su propuesta no consideran la posibilidad de utilizar cuanti cadores difusos como los explicados en el apartado 2.9.2. Implicacion de Rescher-Gaines : a ! b = En 162] Yager expone una division difusa basada, de nuevo, en relaciones difusas que simplemente a~aden un grado de pertenencia a cada tupla. Sin embargo, su metodo aporta la n novedad de relajar el cuanti cador universal de la division, utilizando cuanti cadores difusos de nidos de la forma de Zadeh 169] (apartado 2.9.2). Su propuesta se basa en los operadores OWA (Ordered Weighted Average) introducidos por el mismo Yager en 160]: De nicion 3.4 Un operador OWA de dimension n es una funcion F F : 0; 1]n ! 0; 1] (3.48) que tiene asocido un vector de n pesos: wi 2 0; 1], con i = 1; : : : ; n, de forma que
n X i=1
3.7.4 La Division de Yager
wi = 1
n X i=1
y donde para cualquier argumento (a1 ; : : : ; an ), se tiene la siguiente de nicion
F (a1 ; : : : ; an) =
bi wi
(3.49)
donde los bi son los elementos ai ordenados de mayor a menor: b1 b2 : : : bn . t u En s ntesis, es un metodo intermedio entre tomar el valor m nimo y tomar el valor maximo de un conjunto de valores (a1 ; : : : ; an ). As , si el vector de pesos (w1 ; : : : ; wn ) es (0; : : : ; 0; 1) la funcion F (a1 ; : : : ; an ) tomara el valor m nimo de los ai y si el vector de pesos es (1; 0; : : : ; 0) la funcion tomara el valor maximo. Mostraremos el metodo para efectuar su division relacional difusa, a traves del siguiente ejemplo: Ejemplo 3.13 Sean R y S las relaciones de las Tablas 3.31 y 3.32 respectivamente. La relacion difusa S almacena los requisitos de destreza manual. As , para cada tipo de habilidad, indica el grado con el que dicha habilidad requiere destreza manual. Sea el cuanti cador difuso relativo \la mayor a " modelado de forma simple: Q(r) = r, con r 2 0; 1]. Entonces, la consulta \mostrar la gente que tiene la mayor a de las habilidades que requieren destreza manual " se soluciona con una division entre R y S de la siguiente forma:
89
Nombre Habilidad Jean I 1.0 Jean II 0.7 Jean III 0.5 Barbara I 0.3 Barbara II 0.6 Debbie I 1.0 Debbie II 0.7 Debbie III 0.5 Debbie IV 0.2 Tina II 1.0 Patricia I 1.0 Patricia II 0.8 Patricia III 0.2 Tabla 3.31: Ejemplo 3.13 de Division de Yager: Relacion R.
Habilidad I II III IV
1.0 0.8 0.2 0.0
Tabla 3.32: Ejemplo 3.13 de Division de Yager: Relacion S .
90

1. Hallar la gente de R: Es una proyeccion simple sobre el atributo \Nombre", de la que obtenemos: fJean, Barbara, Debbie, Tina, Patriciag. + 2. Para cada elemento u obtenido en el paso anterior, calcular Ru , como la proyeccion en R sobre los atributos que no estan en u. + 3. Evaluar el grado de verdad de la a rmacion \Q S 's son Ru ", o sea, \la mayor a de los + ". Para ello: elementos de S estan en Ru (a) Ordenamos de menor a mayor los grados de S y calculamos su suma d: e1 = 0; e2 = 0:2; e3 = 0:8; e4 = 1 y d = 2. (b) Calculamos el conjunto de valores Sj , de forma que S0 = 0 y
(c) Calculamos el conjunto de pesos: wj = Q(Sj ) Q(Sj 1 ) En este caso tenemos que wj = ej =d con j 2 f1; 2; 3; 4g: w1 = 0; w2 = 0:1; w3 = 0:4 y w4 = 0:5. (d) Para cada u: i. Calcular los Ci , con i 2fI,II,III,IVg: + Ci = maxf1 i ; Ru (i)g + + donde i y Ru (i) son los grados del elemento i en S y en Ru respectivamente. ii. Ordenar de mayor a menor los Ci : b1 b2 b3 b4 . iii. Calcular el grado de verdad buscado como:
S1 = 0; S2 = 0:1; S3 = 0:5 y S4 = 1.
Sj = edj + Sj
T (u) =
4 X
j =1
bi wi
Los 3 ultimos pasos, para \Jean" ser an calculados de la siguiente forma: CI = maxf1 1:0; 1:0g = 1:0 CII = maxf1 0:8; 0:7g = 0:7 CIII = maxf1 0:2; 0:5g = 0:8 CIV = maxf1 0:0; 0:0g = 1:0 De donde obtenemos que b1 = 1; b2 = 1; b3 = 0:8; b4 = 0:7 y, por tanto: El resultado global se muestra en la Tabla 3.33 con la mayor a . El valor de 8 indica el resultado obtenido utilizando el cuanti cador 8, con el que Q(r) = 1 si y solo si r = 1. Este ultimo cuanti cador, de hecho, lo que hace es tomar el m nimo de los Ci , que coincide con la medida de necesidad entre los valores de R con respecto a los de S para un determinado \Nombre". t u
T (Jean) = 1 0 + 1 0:1 + 0:8 0:4 + 0:7 0:5 = 0:77

Nombre Jean Barbara Debbie Tina Patricia
la mayor a
91
0.77 0.47 0.77 0.42 0.82
0.70 0.30 0.70 0.00 0.80
Tabla 3.33: Ejemplo 3.13: Resultado de la Division de Yager.

La division de Yager tiene la caracter stica principal de relajar el cuanti cador universal, pudiendo usar cualquier otro cuanti cador difuso Q, como por ejemplo el cuanti cador difuso \la mayor a " del ejemplo anterior. Esta relajacion la hace a traves de los operadores OWA. En la division que proponemos nosotros tambien se permite relajar el cuanti cador, pudiendo usar cualquier tipo de cuanti cador, incluso aquellos que son no monotonos. Yager considera solo los cuanti cadores monotonos, aunque, de hecho, solo estudia el caso particular de los cuanti cadores monotonos crecientes. Yager utiliza un modelo de BDRD similar al empleado por Mouaddib (apartado 3.7.1) que no permite representar mas tipos que los escalares y un grado ( ) asociado a cada escalar. Este grado tiene un signi cado de pertenencia. Como dijimos anteriormente este tipo de datos es tambien considerado por GEFRED, pero con signi cado de posibilidad (distribuciones de posibilidad no normalizadas sobre escalares). Ademas, Yager no considera en su division el caso en el que ambas relaciones tengan varios atributos comunes con distinto grado cada uno. Algunos resultados merecer an un estudio detallado, ya que, por ejemplo \Patricia" cumple perfectamente con los requisitos expresados en la relacion S y sin embargo solo obtiene 8 = 0:8. Con el cuanti cador difuso obtiene la mayor a = 0:82, un valor que creemos demasiado peque~o con respecto al que intuitivamente se espera obtener. n
3.7.5 La Division de Vila et al.

En 149], Vila, Cubero, Medina y Pons proponen un novedoso sistema para el calculo de la division relacional R(A; B ) S (B ), en BDRD bajo el modelo posibil stico, es decir, en las que se pueden almacenar distribuciones de posibilidad como valores en sus atributos. Su sistema se basa en \comprimir" las relaciones involucradas, de forma que: La relacion del numerador R se quede con tantas tuplas como valores distintos existan para el conjunto de atributos A y la relacion del denominador S se quede con una unica tupla. Las distribuciones de posibilidad de B son comprimidas en una unica distribucion de posibilidad tomando el valor maximo en cada distribucion, para cada valor del dominio subyacente. Si llamamos B (R) a la relacion R comprimida de esa forma y P a la distribucion de posibilidad resultante de la relacion S , entonces, su division es efectuada de la siguiente forma:
A( Q ( (R))) B 'P B
(3.50)
92 P# P1 P1 P1 P2 P2 P3 P3 P4 P4 P4 P4 P5 P6

S# 0.8/S1, 0.5/S2 0.7/S1, 0.6/S2 0.8/S3, 0.7/S4 1/S1 1/S4 0.6/S1, 0.9/S3 1/S2 0.7/S1, 0.2/S3 1/S2 1/S3 0.6/S1, 0.5/S4 1/S3 0.5/S1, 0.7/S2, 1/S3
Tabla 3.34: Ejemplo 3.14 de Division de Vila et al.: Relacion R. donde A es la proyeccion sobre los atributos de A y Q'P es una seleccion generalizada B llamada '-seleccion dependiente de la medida difusa Q. A grandes rasgos, para un cuanti cador difuso Q creciente se obtiene una medida Q . Por ejemplo, el cuanti cador Q puede ser expresado como:
8 >0 < (x Q(x) = > (b :1
aQ ) aQ )
si 0 x aQ si aQ < x < bQ si bQ x 1
(3.51)
donde aQ ; bQ 2 0; 1] y aQ bQ . Estos dos valores representan al cuanti cador, de forma que para el cuanti cador 9 corresponden los valores (0,0) y para el cuanti cador 8 corresponden los valores (1,1). Entonces, podemos obtener el valor Q de la siguiente forma:
Q = (bQ
aQ)=2 + 1 bQ
Q B 'P
(3.52) a~ade un grado que es calculado n (3.53)
Con esos datos, podemos de nir que la seleccion de la siguiente forma:

Q
(B jP ) + (1
Q )N (B jP )
donde (AjP ) y N (AjP ) son las medidas de posibilidad y necesidad respectivamente con las que el B se empareja con P .
Ejemplo 3.14 Sea R la relacion de la Tabla 3.34, donde el atributo S# es difuso. Al comP = f0:5=S 1; 0:7=S 2; 1=S 3g
primir la relacion R obtenemos la relacion de la Tabla 3.35. Y sea P una distribucion de posibilidad de nida como:

P# P1 P2 P3 P4 P5 P6 S# 0.8/S1, 0.6/S2, 0.8/S3, 0.7/S4 1/S1, 1/S4 0.6/S1, 1/S2, 0.9/S3 0.7/S1, 1/S2, 1/S3, 0.5/S4 1/S3 0.5/S1, 0.7/S2, 1/S3
93
Tabla 3.35: Ejemplo 3.14 de Division de Vila et al.: Relacion R comprimida. P# P1 P2 P3 P4 P5 P6

9
casi todos
0.80 0.50 0.90 1.00 1.00 1.00
0.64 0.10 0.66 0.76 0.44 0.60
0.60 0.00 0.60 0.70 0.30 0.50
Tabla 3.36: Ejemplo 3.14: Resultado de la Division de Vila et al. Consideremos, por ejemplo, los siguientes 3 cuanti cadores: 9 con sus valores asociados (0,0) y 9 = 1, \casi todos ", con sus valores (0.7,0.9) y casi todos = 0:2 y por ultimo, el cuanti cador clasico para la division, 8, con sus valores (1,1) y 8 = 0. En la Tabla 3.36 se incluyen los resultados para los 3 cuanti cadores considerados tomando el maximo y el m nimo como la T-conorma y la T-norma respectivamente. As , por ejemplo para P1 tenemos los siguientes calculos para cada cuanti cador:
casi todos (P 1) = (0:2
9 (P 1) = maxfminf0:5; 0:8g; minf0:7; 0:6g; minf1; 0:8g; minf0; 0:7gg = 0:8 8(P 1) = minfmaxf1 0:5; 0:8g; max f1 0:7; 0:6g; max f1 1; 0:8g; maxf1
0:8) + (1 0:2) 0:6 = 0:64
0; 0:7gg = 0:6
Es facil obtener los valores para cualquier otro cuanti cador, teniendo los valores de 9 (posibilidad) y de 8 (necesidad). t u

La division de Vila et al. tiene la caracter stica principal de relajar el cuanti cador universal, pudiendo usar cualquier otro cuanti cador difuso Q creciente, como por ejemplo el cuanti cador difuso \casi todos " del ejemplo anterior. Ademas, el modelo de BDRD que emplea es un modelo posibil stico, por lo que permite el uso de distribuciones de posibilidad, aunque no contempla expl citamente el uso de escalares con una relacion de semejanza entre ellos. Esta division no de ne el caso en el que ambas relaciones tengan varios atributos comunes, aunque da una nocion sobre como se podr a efectuar. En terminos generales, obtiene el conjunto de los elementos de A para los que la union de los valores de B con los que estan relacionados, es \similar" a la union de los valores de la
94
H EQUIPO B Cordoba
9 CEQUIPO
Granada Malaga Sevilla Cadiz Almer a Huelva
1 1 1 1 1 1 1
C algunos
1 1 1 0.875 0.5 0.75 0.5
EQUIPO
Nuestra Propuesta 1 1 1 0.875 0 0.25 0

EQUIPO
C casi todos
8 CEQUIPO
Propuesta de Vila et al.

algunos casi todos
1 1 1 0.75 0 0.5 0
1 1 1 1 1 1 1
0.75 0.75 0.75 0.5 0.5 0.5 0.5
0.6 0.6 0.6 0.2 0.2 0.2 0.2
0.5 0.5 0.5 0 0 0 0
Tabla 3.37: Ejemplo 3.15 de comparacion entre la propuesta de Division de Vila et al. y nuestra propuesta. relacion denominador S . Ese \similar" puede ser visto como una medida de posibilidad, de necesidad o de una mezcla de ambas, dependiendo del cuanti cador empleado. Por tanto, la propuesta de Vila et al. mas que una division relacional en sentido estricto, es, como ellos mismos llaman, una \seleccion generalizada" que permite efectuar selecciones con cierta similitud semantica a la division relacional. Su propuesta es interesante pues aporta la operacion de compresion y la seleccion generalizada, operaciones estas que pueden resultar muy utiles en consultas exibles a BDRD. Algunos resultados merecer an un estudio detallado, ya que, por ejemplo \P6" cumple perfectamente con los requisitos expresados en P , o sea S#=P , y sin embargo solo obtiene 8 = 0:5, un valor que creemos demasiado peque~o con respecto al que intuitivamente se n espera obtener. La diferencia entre esta propuesta y la nuestra se ve facilmente con un ejemplo: 3.8, pero considerando solo el atributo CALIDAD. As pues, los resultados de R R0 obtenidos por nuestra propuesta y por la propuesta de Vila et al. estan expresados en la Tabla 3.37 utilizando cuatro cuanti cadores: (1) Existencial, (2) universal, (3) el cuanti cador difuso \algunos" de nido como Q(x) = x, esto es, con sus valores (0,1), siguiendo la ecuacion 3.51, y algunos = 0:5 y (4) el cuanti cador difuso \casi todos", de nido como en el Ejemplo 3.14, esto es, con sus valores (0.7,0.9) y casi todos = 0:2. Puede apreciarse que, quizas, los resultados de nuestra propuesta son mas acordes a los resultados que intuitivamente uno espera obtener. Ademas, nuestra propuesta distingue entre los casos de los equipos de \Sevilla", \Cadiz" y \Almer a", dando distinto grado a cada uno de esos equipos. Naturalmente, esa graduacion depende del cuanti cador difuso empleado. u t Por otra parte, solo considera cuanti cadores difusos cuya funcion Q sea creciente y siguiendo la ecuacion 3.51, algo demasiado restrictivo, ya que algunos cuanti cadores son inherentemente decrecientes (global o localmente), tales como \la minor a", \exclusivamente unos pocos", \aproximadamente menos que la mitad", \aproximadamente x"... Nuestra propuesta permite el uso de cualquier tipo de cuanti cadores difusos, independientemente de la forma que tenga su funcion Q, como se muestra en el Ejemplo 3.7.
Ejemplo 3.15 Sea R la relacion de la Tabla 3.7 (Ejemplo 3.5) y sea R0 la relacion de la Tabla
3.8. CONCLUSIONES Y LINEAS FUTURAS SOBRE LA DIVISION DIFUSA
95
3.8 Conclusiones y L neas Futuras sobre la Division Relacional Difusa

La Division Difusa Generalizada presentada permite extender de forma consistente la semantica de la Division Relacional al ambito de las BDRD. Las principales ventajas de nuestra propuesta son: Las relaciones difusas pueden almacenar muchos tipos de datos difusos (distribuciones de posibilidad, escalares...) y lo unico que necesitamos es tener de nida una funcion de comparacion para esos valores, la cual puede ser sustituida sin necesidad de alterar el proceso de la division. Por supuesto, si usamos distintas funciones de comparacion los resultados podran ser diferentes. Las relaciones sobre las que se aplica la division pueden disponer de cualquier numero de atributos comunes. Permite la relajacion del cuanti cador universal propio de la operacion de Division Relacional, con cualquier tipo de cuanti cador difuso de nido como se explico en el apartado 2.9.2. Ademas, sus resultados pueden a~adirse a los de otras operaciones, como las presentadas n en 150, 163, 169] para obtener mas informacion de una base de datos. Por ejemplo, podemos saber en que medida es cierta la siguiente a rmacion y, ademas, saber que alumnos cumplen esa a rmacion y en que grado la cumple cada uno:
La mayor a de los alumnos son Buenos (o Muy Buenos) en al menos una asignatura y Malos (o Muy Malos) en al menos otra asignatura.
La Division Relacional Difusa Generalizada puede ser extendida para el caso en el que R0 tenga ademas otros atributos no comunes a R. Esta extension se hace de la misma forma que para la Division clasica (explicada en el apartado 1.2.4.1). Hemos estudiado aqu la Division Relacional en Bases de Datos Difusas cuando los atributos de A (atributos no comunes a ambas relaciones) son \crisp", esto es, atributos en los que no surgen problemas al aplicar la proyeccion sobre ellos (cuando se eliminan tuplas redundantes). Si entre los atributos de A hay atributos con dominios difusos el problema surge al efectuar las siguientes operaciones: Ecuacion 3.11 para el calculo de la Proyeccion Difusa Generalizada con Funciones de Grupo: En esta operacion se proyecta sobre atributos de A (all llamados X 0 ). En el computo del resultado de las funciones de grupo no hay problemas porque en X se usan exclusivamente atributos de compatibilidad (que tienen dominio crisp: 0; 1]). Ecuacion 3.13 para el calculo de la Proyeccion Difusa Generalizada con Funciones de Grupo: Esta ecuacion aplica una condicion de igualdad sobre atributos de A. Ecuacion 3.15, para el calculo de la Division Difusa Generalizada: En esta operacion se proyecta sobre todos los atributos de A.
96
Por tanto, para incluir atributos con dominios difusos entre los atributos de A, es necesario adoptar previamente un criterio para saber cuando dos valores difusos pueden ser considerados iguales. Un ejemplo es el criterio de Prade y Testemale 129] de la ecuacion 3.1. El problema que presenta este criterio es que no cumple la propiedad transitiva, y por tanto, el resultado puede variar dependiendo del orden de evaluacion de las tuplas de una relacion. Buckles y Petry, en 28, 30], exponen otras aproximaciones al problema, dentro del modelo propuesto por estos autores. Actualmente, estamos estudiando una propuesta que contribuya a reducir, en lo posible, el problema de la igualdad de conjuntos difusos y el problema de la redundancia en Bases de Datos Difusas. No obstante, la eliminacion total de este problema, de forma unica para todos los contextos, es imposible, por la naturaleza difusa de los datos en cuestion. Tambien estamos estudiando la posibilidad de relajar el cuanti cador universal pero utilizando los operadores OWA sobre los grados resultantes de la Interseccion Difusa Cuali cada. Para ello, el problema que surge es como obtener los pesos wi del operador OWA (ver De nicion 3.4). Una posible ampliacion de nuestra propuesta consiste en considerar el caso en el que las relaciones sobre las que se aplica la division relacional tengan atributos de compatibilidad asociados a algunos de sus atributos.
Cap tulo 4
Calculo Relacional Difuso

Como parte integrante del modelo relacional de bases de datos (apartado 1.2) Codd introdujo en 42] dos niveles de Lenguajes para la Manipulacion de Datos (DML, Data Manipulation Languages ): El Algebra Relacional y el Calculo Relacional. Ambos lenguajes fueron explicados basicamente en el apartado 1.2.4 para bases de datos clasicas (con todos los dominios crisp), y se adaptan perfectamente a ellas. En bases de datos difusas las de niciones se complican para atender a una casu stica mayor. En el apartado 2.7 se explico el modelo GEFRED 102, 103] de bases de datos relacionales difusas. Como se ha visto GEFRED dispone de un algebra relacional difuso para este modelo, incluyendo la operacion de la division (Cap tulo 3 y 72]). Aqu , damos la de nicion de un calculo relacional difuso orientado a dominios para el modelo GEFRED, aunque sus fundamentos pueden usarse en otros modelos. En 32] se propone un calculo de dominios para el modelo de bases de datos relacionales difusas de Buckles-Petry 28, 30] (apartado 2.3), el cual es mas restrictivo que el modelo GEFRED (apartado 2.7) y no cuenta con los atributos de compatibilidad para evaluar el grado de cumplimiento de la condicion impuesta en una expresion. Hemos elegido el calculo de dominios en vez del de tuplas porque tiende a estar mas cerca del lenguaje natural que el calculo de tuplas. Al usar variables de dominio y tratar as cada atributo independientemente, el calculo de dominios es mas expl cito y mas facil de usar. La diferencia fundamental entre el calculo de tuplas y el de dominios estriba basicamente en como el usuario entiende la base de datos, esto es, las relaciones y los atributos. En el calculo de tuplas las entidades principales son las relaciones, las cuales tienen propiedades particulares (sus atributos). En el calculo de dominios las entidades principales son los atributos, los cuales se pueden relacionar entre ellos usando las relaciones de la base de datos. Esta ultima vision esta mas cercana a como el hombre ve y entiende el universo que representa la base de datos. En primer lugar daremos la de nicion del calculo relacional difuso de dominios. Despues veremos las expresiones en calculo de los operadores primitivos del algebra y de los operadores no primitivos mas t picos y una demostracion sobre como para cualquier expresion algebraica se puede encontrar una expresion equivalente en calculo. Posteriormente, mostraremos un mecanismo para averiguar, en la relacion resultante, el grado de cumplimiento con el que cada valor de cada tupla ha satisfecho la condicion de la consulta. Finalmente, expondremos unos ejemplos practicos que muestran la capacidad o potencia expresiva de este lenguaje y como extraer los grados de cumplimiento en la relacion resultante (muy importante para 97
98
CAPITULO 4. CALCULO RELACIONAL DIFUSO
considerar el conjunto de tuplas del resultado como un conjunto difuso).
4.1 Calculo Relacional Difuso de Dominios (Fuzzy Domain Relational Calculus)

Para la de nicion del Calculo Relacional Difuso de Dominios nos basaremos en el Calculo Relacional de Dominios clasico (apartado 1.2.4.2), usando la notacion de Ullman 141]. Primero de niremos las expresiones validas de este Calculo Relacional, junto con los atomos difusos y las Formulas Bien Formadas (WFF) con atomos difusos. Posteriormente, veremos como restringir las expresiones del calculo a aquellas que representan una relacion nita (expresiones \seguras").
4.1.1 De nicion de las Expresiones del Calculo Difuso de Dominios

Las expresiones, en Calculo de Dominios son de la forma: donde: del dominio en el que se de nan. Estas variables toman valores dentro del rango (o dominio) de un atributo concreto de una relacion difusa generalizada. Por eso, a veces se les nombra con igual nombre que ese atributo. Con estas variables expresamos una tupla con los atributos que deseamos que tenga nuestra relacion resultante u objetivo. La relacion resultante sera tambien una relacion difusa generalizada. Entre los xi de la parte izquierda puede tambien haber constantes o expresiones que usen constantes y variables pero, para simpli car y enfocar mejor el problema, no tendremos en cuenta estas posibilidades. (x1 ; x2 ; : : : ; xn ) es una Formula Bien Formada o WFF (Well Formed Formula ), que esta construida a partir de elementos llamados atomos difusos y de unos operadores espec cos. Esta formula debe tener como unicas variables libres x1 ; x2 ; : : : ; xn y expresa un predicado o condicion que debe ser cumplida por las tuplas resultantes. Un predicado solo puede ser Verdadero o Falso (recordemos que esta basado en el calculo de predicados de primer orden). Todos estos conceptos los de nimos a continuacion.
fx1 ; x2 ; : : : ; xn j (x1 ; x2 ; : : : ; xn)g
(4.1)
x1 ; x2 ; : : : ; xn son variables de dominio, esto es, variables que toman valores dentro
4.1.1.1 Atomos Difusos Los atomos difusos de las formulas (WFF) los de nimos como formados por dos partes:
1. Grado de cumplimiento: 2. Umbral de cumplimiento: y se expresaran usando el comparador crisp \ " (o usualmente tambien \>") de la siguiente forma1 :
consulta.
1 Puede
utilizarse otro comparador distinto a \ " y a \>", aunque cambiar a totalmente el sentido de la
4.1. CALCULO RELACIONAL DIFUSO DE DOMINIOS
99
El grado de cumplimiento
de los atomos puede, a su vez, ser de dos tipos:
1. Pertenencia: = R(x1 ; x2 ; : : : ; xn ), donde R es una relacion difusa generalizada de grado n y cardinalidad m (como en la ecuacion 2.10) y cada xi es una variable de dominio o una constante (crisp o difusa). Este atomo expresa el grado de cumplimiento (o de verdad) que tiene la a rmacion que sostiene que (x1 ; x2 ; : : : ; xn ) es una tupla de R. Este grado de cumplimiento se calcula de la siguiente forma:
e R(x1 ; x2 ; : : : ; xn ) = r=1;:::;mfc=1;::: ;nf = (drc ; xc )gg max min
(4.2)
donde = es un comparador difuso generalizado (ver De nicion 2.5) sobre D inducido por el comparador extendido = (d; d0 )= (d; d0 ), de nido de forma general, para distribuciones de posibilidad, como:
=(p; p0 ) ee
min (= (p; p0 ); p (p); p0 (p0 )) e e = sup min ( p (d); p0 (d)) e e

(p;p0 )2U U
sup
(4.3) (4.4)
d2U
donde p; p0 2 D, y sus distribuciones de posibilidad asociadas son p y p0 respecee e e tivamente. U es el dominio de discurso sobre el que se construye el dominio difuso generalizado D (ver De nicion 2.1). El comparador = se puede traducir por \posiblemente igual" y su de nicion puede cambiarse por otra distinta. En otros tipos de datos (como los escalares), su de nicion sera distinta, adaptada al tipo de datos en cuestion (relaciones de similitud 166]). En el apartado 5.2.1.7 se da una de nicion de este comparador para distribuciones de posibilidad sobre escalares con una relacion de similitud. Nosotros, usaremos la de nicion anterior a lo largo de este cap tulo, aunque queremos remarcar que el calculo que de nimos es independiente del comparador empleado para evaluar la igualdad entre valores difusos. Para determinados tipos de valores es posible que se requiera de nir previamente un comparador de igualdad para ellos. Si notamos por K a una tupla (k1 ; : : : ; kn ) donde todos ki son constantes, entonces, e e llamaremos tupla mas parecida a K en R a la tupla j {esima, (dj 1 ; : : : ; djn ), tal que cumple que:
r=1;::: ;m c=1;:::;n
max f min f
= (d ; k )gg = min f = (d ; k )g erc c ejc c c=1;:::;n
(4.5)
e e Esto es, la tupla mas parecida a K en R es la tupla (dj 1 ; : : : ; djn ) de R que mas \se parece" a (k1 ; : : : ; kn ). Por tanto, R(K ) toma el valor (por la ecuacion 4.2) de la
100

similitud entre K y su tupla mas parecida en R. En otras palabras, la ecuacion 4.2 calcula la mayor similitud entre K y una tupla de R (que sera su tupla mas parecida). A esa similitud que calcula la ecuacion 4.2, a veces, para simpli car, le llamaremos grado de pertenencia de una tupla a R.
2. Comparacion: = (x; y), donde es un comparador difuso generalizado inducido por el comparador extendido , y x e y son variables de dominio o constantes (crisp o difusas). Este atomo difuso expresa el grado de cumplimiento con el que x se relaciona con y mediante el comparador . Estos atomos difusos los llamaremos comparaciones difusas. Se puede observar que las comparaciones crisp son un caso particular de las comparaciones difusas y estan incluidas dentro de estas. Por tanto, por cuestiones de claridad, en las expresiones del calculo tambien podremos usar comparaciones crisp, con la notacion in ja tradicional: x y, donde x e y son constantes o variables de dominio y es un comparador aritmetico: 2 f=; 6=; <; ; >; g. El umbral de cumplimiento es una constante real, con 2 0; 1], que expresa un l mite que debe igualar o superar para que el atomo se considere Verdad. Por simplicidad, establecemos que los atomos se podran escribir sin el umbral cuando se desee expresar que el grado de cumplimiento sea no nulo. O sea, cuando en un atomo no aparezca el umbral, se supone que este es expresado con el comparador \>" y = 0. Esto sera muy usual en las comparaciones crisp, re riendose a que estas sean verdad, y en los atomos de pertenencia para indicar que solo vamos a considerar las tuplas que pertenecen a la relacion con grado no nulo.
Ejemplo 4.1 Consideremos que:

R y S son relaciones difusas generalizadas de grado 4 y 3 respectivamente. x1 , x2 y x3 son variables de dominio.
\Bueno" es una etiqueta lingu stica constante con una distribucion de posibilidad asociada.
#n
es un numero difuso que expresa \aproximadamente n", siendo numerica.

>
una constante
es el comparador difuso generalizado \mayor que". es el comparador difuso generalizado \mucho mayor que".
>>
Entonces, las Tablas 4.1 y 4.2 recogen algunos ejemplos de atomos difusos de Pertenencia y de Comparacion respectivamente, junto con su signi cado. Observese como en cualquier campo de un atomo difuso pueden aparecer variables de dominio, constantes crisp o constantes difusas (numeros difusos, etiquetas lingu sticas, distribuciones de posibilidad...). t u El signi cado y la utilidad de los umbrales de cumplimiento var an en funcion del tipo de atomo:

R(x1 ; x2 ; 13; 8) 0:6 La tupla (x1 ; x2 ; 13; 8) pertenece a R con grado m nimo 0.6 R(x1 ; x2 ; x3 ; #8) 0:5 La tupla (x1 ; x2 ; x3 ; #8) pertenece a R con grado m nimo 0.5 S (x1 ; Bueno; x3 ) La tupla (x1 ; Bueno; x3 ) pertenece a S con grado no nulo
Tabla 4.1: Ejemplos de atomos difusos de Pertenencia y su signi cado.
= (x1 ; Bueno) 0:9 >(x1 ; #15) 0:25 >>(#5; x2 ) 0:5
101
x1 es \Bueno" con grado m nimo 0.9 x1 es mayor que \aproximadamente 15" con grado m nimo 0.25 \Aproximadamente 5" es mucho mayor que x2 con grado m nimo 0.5
Tabla 4.2: Ejemplos de atomos difusos de Comparacion y su signi cado. Atomos de Pertenencia: En este tipo de atomos aplicamos un criterio de indistinguibilidad de tuplas, o sea, un criterio que indica si 2 tuplas podemos considerarlas su cientemente parecidas. En la ecuacion 4.2 asignamos a R(x1 ; : : : ; xn ) el valor de la similitud de la tupla (x1 ; : : : ; xn ) con la tupla de R que mas se le parezca. Consideraremos que esas dos tuplas son su cientemente parecidas o, lo que es lo mismo, que (x1 ; : : : ; xn ) 2 R si esa similitud es mayor o igual que el umbral de cumplimiento preestablecido , esto es, si R(x1 ; : : : ; xn ) . En ese caso, el atomo se aceptara como Verdad y en otro caso se tomara como Falso. Atomos de Comparacion: Los umbrales de cumplimiento indican si se considera que el atomo de la comparacion difusa es aceptado como Verdad o rechazado por ser Falso: Si el valor que devuelve el comparador difuso ( ) es mayor o igual que , entonces el atomo sera Verdad. En caso contrario, el atomo sera Falso.
4.1.1.2 Formulas Bien Formadas con Atomos Difusos: WFF (Well Formed Formulas )
A continuacion, de nimos los operadores validos y lo que son ocurrencias de variables de dominio libres y ligadas, a la vez que de nimos el concepto de Formula Bien Formada o WFF con atomos difusos. Una WFF con atomos difusos esta de nida como las WFF del calculo clasico pero incluyendo atomos difusos: 1. Un atomo difuso es una WFF. Todas sus ocurrencias de variables de dominio son libres. 2. Si es una WFF, tambien lo es : (NOT ). La formula : sostiene que es falsa. Las ocurrencias de variables de dominio en : son libres o ligadas segun esten en . 3. Si 1 y formula
2 son WFF, tambien lo son 1 _ 2 ( 1 OR 2 ) y 1 ^ 2 ( 1 AND 2 ). La 1 _ 2 sostiene que es cierta 1 o es cierta 2 o lo son ambas, y la formula 1 ^ 2 sostiene que 1 y 2 son ambas ciertas. Las ocurrencias de variables de dominio en 1 _ 2 y 1 ^ 2 son libres o ligadas segun esten en 1 y 2 .
4. Si 1 y 2 son WFF, tambien lo es 1 ! 2 (IF 1 THEN 2 ), indicando que si 1 es cierta tambien lo es 2 . Las ocurrencias de variables de dominio en 1 ! 2 son libres o ligadas segun esten en 1 y 2 .
102
5. Si es una WFF y x es una variable de dominio que aparece como libre en , entonces tambien son WFF 9x( ) y 8x( ), siendo las ocurrencias de x ligadas en esas dos ultimas WFF. La formula 9x( ) sostiene que existe un valor de x tal que cuando sustituimos este valor en todas las ocurrencias libres de x en , la formula se hace cierta. La formula 8x( ) sostiene que para cualquier valor de x, si sustituimos ese valor en todas las ocurrencias libres de x en , la formula se hace cierta. 6. Si es una WFF, tambien lo es ( ). 7. Nada mas es una WFF. Los parentesis pueden situarse cuando sean necesarios para alterar la precedencia de los operadores o para aclarar el orden de evaluacion de estos. Normalmente se supone que el orden de precedencia es el siguiente: Atomos, cuanti cadores (9 y 8), negacion (:), conjuncion (^), disyuncion (_) e implicacion (!), en ese orden. Igualmente, se pueden introducir tambien otros operadores como XOR (eXclusive OR), NOR (NOT OR), NAND (NOT AND)... Nosotros no lo hemos hecho para simpli car. Observese que solo utilizamos dos tipos de cuanti cadores, el existencial y el universal. Sin embargo es posible de nir otros cuanti cadores difusos que relajen, de alguna forma, las consultas. Por ejemplo, podr amos usar cuanti cadores del tipo \la minor a", \la mayor a", \aproximadamente n", \aproximadamente la mitad"... La de nicion de este tipo de cuanti cadores difusos es un tema complejo que estudiaremos de forma independiente en el apartado 4.5. Notaremos como (x1 ; : : : ; xn ) a una WFF donde las variables x1 ; : : : ; xn son variables libres (no necesariamente todas las que haya en ). A veces, notaremos una WFF simplemente , sin que esto indique que no tiene variables libres. Si en la posicion i apareciera una constante ki en lugar de la variable xi , (x1 ; : : : ; ki ; : : : ; xn ), se supondra que todas las ocurrencias de la variable xi son sustituidas por la constante ki . Obviamente, xi deja de ser variable libre, por lo que tenemos que: (x1 ; : : : ; xi 1 ; ki ; xi+1 ; : : : ; xn ) = 1 (x1 ; : : : ; xi 1 ; xi+1 ; : : : ; xn ) donde 1 es la misma WFF pero con las ocurrencias de xi sustituidas por la constante ki . La de nicion anterior de WFF se puede simpli car eliminando de la de nicion algunos operadores, como lo demuestra el siguiente lema:
por expresiones equivalentes en funcion de los otros operadores: 1. Reemplazar cada subformula de la forma 1 ^ 2 por :(: 1 _: 2 ). Esta transformacion se denomina Ley de DeMorgan. 2. Reemplazar cada subformula de la forma 8x( (x)) por :9x(: (x)). 3. Reemplazar cada subformula de la forma 1 ! 2 por : 1 _ 2 . Por tanto, en 0 solo apareceran operadores :, _ o 9, que son los realmente imprescindibles. Los otros son utiles para conseguir expresiones mas simples e intuitivas. t u
Lema 4.1 Si es una formula en calculo relacional (de tuplas o de dominios), entonces hay una formula equivalente 0 sin ocurrencias de los operadores ^, 8 o !. Demostracion: Para eliminar los operadores ^, 8 y ! de una formula basta con sustituirlos
103
J.D. Ullman, en 141], de ne las llamadas expresiones \seguras" (\safe ") del calculo relacional clasico. Las expresiones seguras son aquellas que producen relaciones nitas. Las expresiones no seguras deben descartarse ya que carecen de sentido. Si llamamos X a un conjunto de variables de dominio x1 ; : : : ; xn , un ejemplo de expresion no segura es fX j :R(X )g, la cual denota todas las tuplas posibles que no estan en R, algo imposible de conseguir si algun dominio de R es in nito. Para de nir las expresiones seguras, Ullman de ne DOM( ) como el conjunto de s mbolos que aparecen expl citamente en o que son componentes de alguna tupla en alguna relacion mencionada en . Con esto, Ullman dice que una expresion en calculo relacional clasico fX j (X )g es segura si: 1. Siempre que X cumpla , todos los componentes de X son miembros de DOM( ). 2. Para cada subformula de de la forma 9u(w(u)), si u cumple w para cualesquiera otros valores de las otras variables libres de w, entonces, u 2 DOM(w). 3. Para cada subformula de de la forma 8u(w(u)), si u 62 DOM(w), entonces u cumple w para todos los valores de las otras variables libres de w. Como dice Ullman, el proposito de los puntos (2) y (3) es asegurar que podemos determinar la verdad de una formula cuanti cada (con 9 o 8) considerando solo los u que pertenecen a DOM(w). Por ejemplo, cualquier formula de la forma
4.1.2 Restriccion del Calculo Relacional Difuso para Producir Relaciones Finitas
9u (R(u; : : : ) ^
cumple (2), y cualquier formula de la forma
) )
(4.6) (4.7)
8u (:R(u; : : : ) _
) o tambien 8u (R(u; : : : ) !
cumple (3). Observe que, en la de nicion de seguridad, no asumimos que cualquier variable libre de w, excepto u, tenga necesariamente valores en DOM(w). Las reglas (2) y (3) deben sostenerse independientemente del valor de estas variables. Todas las variables que aparezcan en una WFF deben formar parte, como m nimo, de un atomo difuso de pertenencia. As , una variable tiene el dominio del atributo que le corresponda segun la posicion de esa variable en el atomo. Esa variable solo puede tomar los valores que tenga ese atributo en esa relacion (o relaciones). En algunas versiones del calculo relacional (como QUEL 89]), se puede establecer previamente el rango de cada variable, de forma que la formula queda, en algunos casos, ligeramente simpli cada. En calculo relacional difuso, debido a las caracter sticas difusas de su entorno de trabajo y a que podemos establecer umbrales de cumplimiento, a veces puede ser util utilizar expresiones no seguras desde un punto de vista estricto y manejarlas como si fueran seguras, esto es, manejarlas, a traves de la llamada \evaluacion limitada", restringiendo su evaluacion solo con valores en DOM( ).
De nicion 4.1 En Calculo Relacional Difuso diremos que una expresion es segura si, estableciendo todos sus umbrales a 1, la expresion es segura considerandola desde un punto de vista clasico. Todas las expresiones se evaluaran, segun la \evaluacion limitada", como si
104
fueran seguras: Para calcular el resultado de la consulta sera obligatorio que todos los valores del resultado pertenezcan a DOM( ). O sea, el resultado siempre se restringe exclusivamente a valores en DOM( ). Ademas, los valores de DOM( ) pueden estar relacionados entre s formando las tuplas de las relaciones. t u
En formulas con el formato de la ecuacion 4.6, DOM( ) se restringe a los valores contenidos en la relacion R. La de nicion anterior es logica, ya que no tiene sentido considerar todas las posibles tuplas de nuestro universo, que pueden ser in nitas. En su lugar, como en el calculo clasico, solo trataremos con tuplas que existan en las relaciones pertinentes de nuestra base de datos. En la siguiente seccion se estudian unos casos en los que se aclara esto.
4.2 Capacidad Expresiva del Calculo Relacional Difuso de Dominios

Para cualquier expresion del algebra relacional difuso existe una expresion equivalente en calculo relacional difuso de dominios. Esta a rmacion es basica para la completitud relacional y sera demostrada mas adelante (Teorema 4.1). En esta seccion, primero vamos a expresar los operadores primitivos del algebra relacional en calculo relacional difuso de dominios (union, diferencia, producto cartesiano, proyeccion y seleccion). Posteriormente, expresaremos en calculo otros operadores no primitivos del algebra (interseccion, division y reunion). Las consultas con el calculo difuso son especialmente expresivas por dos motivos principalmente: El calculo es no procedimental y por tanto debemos indicar solo lo que queremos (no como obtenerlo), y, ademas, podemos establecer unos umbrales ( ) que nos regulen el grado de cumplimiento m nimo que deseamos que tengan los valores de las tuplas del resultado. En bases de datos clasicas el grado de cumplimiento debe ser siempre maximo, objetivo que se consigue con = 1 en todos los atomos difusos. Eso no indica forzosamente que el acoplamiento entre todos los distintos valores difusos sea exacto, sino que existe total posibilidad de que ambos valores sean (o se re eran) al mismo valor. Naturalmente, si los posibles valores difusos del dominio (etiquetas, distribuciones de posibilidad...) estan convenientemente de nidos entonces, con = 1 aseguramos un acoplamiento exacto entre los valores comparados. Por valores difusos o etiquetas lingu sticas \convenientemente de nidas" entendemos aquellos valores (x; y) tal que, si son considerados distintos no sean tan parecidos como para que = (x; y) = 1 (ver ecuacion 4.3). Hay que destacar que en algunas expresiones no tiene sentido poner un umbral < 1 en los atomos de pertenencia ya que aplicaremos la \evaluacion limitada". La explicacion a este hecho la damos a continuacion usando como ejemplo la expresion de la union. En los atomos en los que puede ser util poner un umbral < 1 lo indicamos expl citamente.
4.2.1 Operadores Primitivos del Algebra

Los operadores primitivos del algebra difuso, expresados en calculo relacional difuso de dominios, son los siguientes:
4.2. CAPACIDAD EXPRESIVA DEL CALCULO RELACIONAL DIFUSO
105
1. Union Difusa (Fuzzy Union ): Sean R y R0 dos relaciones de grado n compatibles respecto de la union (con igual numero y tipo de sus atributos). La union de ambas relaciones viene dada por la siguiente expresion en calculo: R R0 = fx1 ; : : : ; xn j R(x1 ; : : : ; xn ) _ R0(x1 ; : : : ; xn)g (4.8) En palabras, esa expresion produce el conjunto de tuplas (x1 ; : : : ; xn ) tales que estan en R o en R0 . Ver Ejemplo 4.6 en la seccion 4.4. En la expresion de la union no tiene sentido poner un umbral < 1 en los atomos de pertenencia. Cada tupla del resultado pertenecera con grado 1 a una de las dos relaciones: R o R0 . El grado de pertenencia a la otra relacion no nos importa. Esa expresion es segura desde un punto de vista clasico, por lo que decimos que es segura en nuestro Calculo Relacional Difuso. Sin embargo, desde un punto de vista difuso esa expresion no es segura, ya que podr an existir tuplas que cumplieran y con todos o alguno de sus elementos fuera de DOM( ). Esa situacion ocurrir a con mayor frecuencia cuanto menor fueran los umbrales. En tal caso, como hemos indicado, el resultado se restringe a valores que pertenezcan a DOM( ). Con esa restriccion los umbrales de cumplimiento pierden su sentido, y por eso no son colocados en la expresion. 2. Diferencia Difusa (Fuzzy Di erence ): Sean R y R0 dos relaciones de grado n compatibles respecto de la union. La diferencia entre ambas relaciones se expresa como: R R0 = fx1 ; : : : ; xn j R(x1 ; : : : ; xn ) ^ :R0 (x1 ; : : : ; xn ) g (4.9) En palabras, esa expresion produce el conjunto de tuplas (x1 ; : : : ; xn ) tales que estan en R y no pertenecen a R0 con un grado mayor o igual que . Con = 1 tenemos una diferencia similar al estilo clasico. Con < 1 se eliminaran tambien del resultado aquellas tuplas de R que pertenezcan a R0 en un grado su cientemente grande ( ). Esa pertenencia a R0 se calculara por la ecuacion 4.2. Ver Ejemplo 4.13 en la seccion 4.4. Igualmente, aqu no tiene sentido poner un umbral < 1 en el atomos de R, ya que, para que la expresion sea segura, las tuplas (x1 ; : : : ; xn ) que seran evaluadas seran las de R, que pertenecen a R con grado 1. Tambien podr an evaluarse las tuplas de R0 , pero estas pertenecen a R0 con grado 1, y 1 , por lo que dichas tuplas nunca apareceran en el resultado (independientemente de su grado de pertenencia a R). 3. Producto Cartesiano Difuso (Fuzzy Cartesian Product o Times ): Sean R y R0 dos relaciones de grado n y m respectivamente. El producto cartesiano de ambas relaciones se expresa como: R R0 = fx1 ; : : : ; xn ; v1 ; : : : ; vm j R(x1 ; : : : ; xn) ^ R0(v1 ; : : : ; vm )g (4.10) En palabras, esa expresion produce el conjunto de todas las tuplas posibles (x1 ; : : : ; xn ; v1 ; : : : ; vm ) tales que (x1 ; : : : ; xn ) pertenece a R y (v1 ; : : : ; vm ) pertenece a R0 . 4. Proyeccion Difusa (Fuzzy Projection ): Sean R una relacion de grado n y (A1 ; : : : ; Ak ) un conjunto de atributos de R con k < n. Entonces, la proyeccion de R sobre esos atributos se expresa como: P (R; A1 ; : : : ; Ak ) = fx1 ; : : : ; xk j 9xk+1; : : : ; xn R(x1; : : : ; xn)g (4.11)
106
Hemos supuesto que los atributos sobre los que proyectamos son los k primeros para simpli car la expresion. La extrapolacion en el caso de que no sean los primeros es trivial. Esa expresion produce una relacion similar a R, pero eliminando los atributos sobre los que no se proyecta. Ver Ejemplos 4.12 y 4.13 en la seccion 4.4. 5. Seleccion Difusa (Fuzzy Selection ): Sean R una relacion de grado n y F una formula que expresa la condicion que deben cumplir las tuplas de R. Entonces, la seleccion en R con la condicion F se expresa como: S (R; F ) = fx1 ; : : : ; xn j R(x1 ; : : : ; xn ) ^ F 0 g (4.12) donde F 0 es la formula F con cada operando i, denotando el i-esimo componente, reemplazado por xi . Esa expresion produce una relacion con las tuplas de R que cumplen el predicado F (o la WFF F 0 ). Ver Ejemplo 4.12 en la seccion 4.4.
4.2.2 Operadores No Primitivos del Algebra
Hay otros operadores muy utiles del algebra relacional que no son primitivos, es decir, pueden ser expresados en terminos de los operadores primitivos. Vamos a expresar en Calculo Relacional Difuso los mas t picos: 1. Interseccion Difusa (Fuzzy Intersection ): Sean R y R0 dos relaciones de grado n compatibles respecto de la union. La interseccion de ambas relaciones viene dada por la siguiente expresion en calculo: R \ R0 = fx1 ; : : : ; xn j R(x1 ; : : : ; xn ) ^ R0(x1 ; : : : ; xn) 0 g (4.13) En palabras, esa expresion produce el conjunto de tuplas (x1 ; : : : ; xn ) tales que pertenecen a R (en grado m nimo ) y pertenecen a R0 (en grado m nimo 0 ). Si observamos esa expresion vemos que podr an existir tuplas que pertenezcan a R y a R0 con grado mayor que y 0 respectivamente y cuyos valores no esten en DOM( ). Para calcular el resultado se aplicara la \evaluacion limitada" restringiendolo a tuplas con valores que pertenezcan a DOM( ). Con esa restriccion tenemos que el umbral de cumplimiento del atomo de R sera util en las tuplas de R0 (ya que las de R pertenecen a R con grado 1). Igualmente, el umbral 0 del atomo de R0 se aplica a las tuplas de R. As , se considerara que una tupla de R pertenece a la interseccion si pertenece a R0 en grado m nimo 0 . Si = 0 = 1 tenemos una interseccion similar al estilo clasico. Ver Ejemplo 4.7 en la seccion 4.4. 2. Reunion Difusa (Fuzzy Join ): Sean R y R0 dos relaciones de grado n y m. La reunion de ambas relaciones se expresa como: R ./ R0 = fx1 ; : : : ; xn ; v1 ; : : : ; vm j R(x1 ; : : : ; xn ) ^ R0(v1 ; : : : ; vm ) ^ (xi ; vj ) g
(xi ;vj )
(4.14)
con i 2 f1; : : : ; ng y j 2 f1; : : : ; mg. En palabras, esa expresion produce el conjunto de tuplas (x1 ; : : : ; xn ; v1 ; : : : ; vm ) tales que (x1 ; : : : ; xn ) pertenece a R, (v1 ; : : : ; vm ) pertenece a R0 y cumplen que (xi ; vj )
4.2. CAPACIDAD EXPRESIVA DEL CALCULO RELACIONAL DIFUSO
107
siendo xi y vj dos variables con dominio en atributos de R y R0 respectivamente. Observese que una reunion es una seleccion sobre el producto cartesiano. La reunion natural (natural join ) es una variante en la que se comparan todos los atributos con igual nombre en ambas relaciones usando el comparador difuso \posiblemente igual" (ecuacion 4.3) y en la que se puede eliminar del resultado uno de cada dos atributos que comparamos. En una reunion natural difusa puede interesar no eliminar ningun atributo o mezclar, de alguna forma, los dos atributos en un unico atributo. 3. Division Difusa (Fuzzy Quotient o Division ): La de nicion del operador division del algebra relacional clasico esta incluida en el apartado 1.2.4.1. Sean R y R0 dos relaciones de grado n + m y m respectivamente, siendo los atributos de R0 de igual tipo a los ultimos m atributos de R, de nidas como:
R(a1 ; : : : ; an ; b1 ; : : : ; bm ) R0 (b1 ; : : : ; bm )
Entonces, la Division Relacional, R R0 , se puede expresar como la siguiente consulta: Dame las tuplas (a1 ; : : : ; an ) de R que se relacionan (en R) con todas las tuplas de R0 (en grado m nimo ). En bases de datos difusas la forma de relacionarse sera por similitud (no por igualdad). Por tanto, podemos dar un grado de cumplimiento a esa similitud. En Calculo Relacional Difuso de Dominios esa consulta se obtiene por la siguiente expresion:
R R0 = fa1 ; : : : ; an j 8b1 ; : : : ; bm (R0(b1 ; : : : ; bm ) ! R(a1 ; : : : ; an ; b1 ; : : : ; bm )
)g (4.15)
Esa expresion produce el conjunto de tuplas A = (a1 ; : : : ; an ) tal que si B = (b1 ; : : : ; bm ) pertenece a R0 entonces (A; B ) pertenece a R en grado m nimo . Observe que el atomo de R tiene un umbral de cumplimiento . Esto hace posible que en el resultado haya tuplas que cumplen parcialmente la condicion de la consulta. Si establecemos = 1 solo se recuperaran las tuplas (a1 ; : : : ; an ) de R que se relacionan (en R) con todos los valores de R0 de forma exacta. O sea, si = 1 tenemos una division al estilo clasico. Con < 1 tendremos en el resultado ademas tuplas que se parecen a todas las de R0 en grado m nimo . Ver Ejemplo 4.12 en la seccion 4.4. Puede verse facilmente que esta de nicion de la division relacional difusa es totalmente equivalente a la de nida en el cap tulo anterior 72] pero aplicando, a esta ultima, una seleccion de forma que obtengamos solamente las tuplas con grado mayor o igual que el umbral . Ademas, como se vera en el apartado 4.3, el procedimiento que de nimos para obtener los grados de cumplimiento del resultado obtiene los mismos grados que los obtenidos aplicando la division relacional difusa del cap tulo anterior.
108
Teorema 4.1 Toda expresion E en algebra relacional difusa se puede expresar con una expresion segura del calculo relacional difuso de dominios.
4.2.3 Traduccion de Algebra Relacional Difuso a Calculo Relacional Difuso de Dominios
Demostracion: Basandonos en lo dicho anteriormente, para la demostracion operaremos por induccion sobre el numero de operadores de la expresion E: Si E no tiene operadores se trata de una unica relacion R, sin operar sus datos de ninguna forma. En ese caso, si R tiene grado n la expresion en calculo de dominios es: R = fx1 ; : : : ; xn j R(x1 ; : : : ; xn )g En el caso de que E tenga uno o mas operadores, se procedera segun el operador principal. El operador principal puede ser la Union (E=E1 E2 ), la Diferencia (E=E1 E2 ), el Producto Cartesiano (E=E1 E2 ), la Proyeccion (E=P (E1 ; A1 ; : : : ; Ak )) o la Seleccion (E=S (E1 ; F )). En cada caso, se aplica respectivamente la ecuacion 4.8, 4.9, 4.10, 4.11 y 4.12 sustituyendo los atomos de pertenencia de R y R0 en las ecuaciones por las WFF de las expresiones en calculo de E1 y E2 respectivamente. t u Ejemplo 4.2 Consideremos la formula clasica de la Division Relacional, expresada en la
ecuacion 1.4. Para pasarla a una expresion en Calculo Relacional Difuso de Dominios supondremos que A = (a1 ; : : : ; an ) y que el resto de atributos es B = (b1 ; : : : ; bm ). Entonces, tenemos que:
fA j 9B R(A; B )g A (R) (R ) R 0 fA; B j 9B (R(A; B )) ^ R0(B )g A ( A (R ) R 0 ) R fA; B j 9B (R(A; B )) ^ R0(B ) ^ :R(A; B ) g 0 ) R) fA j 9B (9B (R(A; B )) ^ R0(B ) ^ :R(A; B ) )g A (( A (R) R Con lo que construimos la expresion de nitiva, equivalente a la division relacional y en la que hemos eliminado el segundo 9B (R(A; B )) ya que su mision era delimitar el dominio de A y eso ya lo hace el primero:
(4.16) )g Puede verse que esta expresion es equivalente a la mostrada en la ecuacion 4.15. t u
R R0 =
R0 ) R) fA j 9B (R(A; B )) ^ :9B (R0 (B ) ^ :R(A; B )

A (R) A (( A (R)
4.3 Calculo de la Relacion Difusa Resultante

Con lo visto hasta el momento ya podemos escribir cualquier expresion en este Calculo Relacional Difuso de Dominios. Sin embargo, en bases de datos difusas es muy util saber el grado de cumplimiento con el que un determinado valor cumple o satisface una condicion. En particular, el modelo GEFRED cuenta con los llamados \atributos de compatibilidad", los Cj de cada atributo Aj de cada relacion difusa generalizada (ver De nicion 2.2). Para calcular los valores de Cj , los cij llamados \grados de compatibilidad" de cada atributo en una tupla, de niremos el Grado de una variable de dominio en una WFF:
4.3. CALCULO DE LA RELACION DIFUSA RESULTANTE
109
Vamos a de nir una funcion que se aplicara a una WFF . Esta funcion devolvera el grado con el que un valor concreto, de una tupla concreta, satisface el predicado . A la funcion habra que indicarle que valor (x) y de que tupla (S ) queremos evaluar: S . Para este calculo x no tendremos en cuenta los umbrales de cumplimiento, , de los atomos de .
4.3.1 Grado de una variable en una WFF con una sustitucion
De nicion 4.2 Sea E el conjunto de todas las expresiones seguras del Calculo Relacional Difuso de Dominios, el conjunto de todas las WFF de E , (x1 ; : : : ; xn ) 2 es una WFF
con todos los xi como unicas variables libres, y x una variable de dominio (que puede aparecer o no en ). Entonces, para evaluar si es Verdad o Falso tenemos que sustituir las variables libres en por unos valores (s1 ; : : : ; sn ) a los que llamaremos sustitucion S . Supondremos, por el lema 4.1, que en hay como maximo los tres tipos de operadores basicos: negacion (:), disyuncion (_) y cuanti cador existencial (9). Entonces, de nimos recursivamente lo que llamamos Grado de una variable de dominio x en una WFF con una sustitucion S , notado por S ( ), como una funcion: x
! 0; 1] (4.17) ) 2 0; 1] donde es una constante con el requisito de que 62 0; 1]. Esta constante indica que el Grado
S: x S( x
de la variable x en no es aplicable o carece de sentido. Nosotros supondremos que < 0 (para simpli car la de nicion de la disyuncion). Atendiendo al tipo de operador con mas precedencia de , se pueden dar 4 casos: 1. Sin operadores: En este caso es un atomo difuso y distinguiremos entre los dos tipos de atomos difusos: Pertenencia y Comparacion. 2. Negacion. 3. Disyuncion. 4. Cuanti cador existencial. Vamos a estudiar esos 4 casos para hallar el valor de S ( ). La de nicion es recursiva, x donde el caso base es el caso 1 (cuando es un atomo). En el resto de los casos, el grado en se obtiene en funcion de los grados en las subformulas obtenidas al evaluar el operador con mas precedencia en : 1. Sin operadores ( es un atomo): En este caso, se atendera al tipo de atomo que sea: (a) Pertenencia:
S (R(x ; : : : 1 x
; xn; K )
8 R(K ) > < K ) = > R(S; c ); R(S; K )g : minf ri
si no hay variables en el atomo si x = Ai y @Ci si x = Ai y 9Ci en otro caso (4.18)
donde:
110
IF RETURN ELSE IF = IF

@ variables en el atomo
R(K )
END IF ELSE (* Si RETURN END IF END IF
x Ai con i 2 f1; : : : ; n + pg THEN (* Si x es un atributo 9Ci en R THEN Buscar la r-esima tupla de R tal que sea la tupla mas parecida a (S; K ) en R con mayor cri: RETURN minfcri ; R(S; K )g ELSE (* @Ci *) RETURN R(S; K ) x NO
es un atributo de
de
*)
R *)
Figura 4.1: Algoritmo para calcular el grado S en un atomo de Pertenencia. x
formula de la ecuacion 4.2. Ai con i 2 f1; : : : ; ng, es un atributo de R. La comparacion x = Ai indica que la variable x tiene el dominio del atributo Ai . cri es un valor del atributo de compatibilidad Ci de R, asociado al atributo e e Ai , de una tupla r tal que su componente de valor (dr1 ; : : : ; drn ) es la tupla mas parecida a (S; K ) en R. La tupla mas parecida a (S; K ) en una relacion siempre existe e incluso puede haber varias con igual similitud. En caso de que existan varias se tomara la que tenga mayor cri . Calcular el grado S en un atomo de Pertenencia R(x1 ; : : : ; xn ; K ) es simple, x siguiendo el algoritmo de la Figura 4.1. Para \Buscar la tupla r-esima de R tal que sea la tupla mas parecida a (S; K ) en R con mayor cri " y devolver (con RETURN) el resultado pertinente, podemos usar el algoritmo de la Figura 4.2, donde suponemos que R tiene m tuplas y donde renombramos la tupla (S; K ) a Y = (y1 ; : : : ; yn+p). (b) Comparacion:
S( x
R es una relacion difusa generalizada de grado n + p. K es una lista con todas las constantes (k1 ; : : : ; kp) que aparecen en el atomo. Los valores de R(S; K )=R(s1 ; : : : ; sn ; k1 ; : : : ; kp ) y R(K ) se calculan por la
(xi ; y)
8 < )=:
(si ; y) si xi es una variable y x = xi (xi ; y) si xi es una constante (de x) en otro caso
(4.19)
donde si es el valor de S correspondiente a la variable xi . Con x = xi indicamos que ambas variables son la misma variable (tienen el mismo dominio).

G := 0 (* Mayor similitud: ( ) *) C := 0 (* Mayor grado de compatibilidad: ri *) FOR := 1 TO DO (* Para cada tupla de ... *) M := minw=1;:::;n+p = ( tw w ) (* M := Similitud entre y la -esima tupla *) IF G M THEN G := M C := ti ELSE IF G = M AND C ti THEN C := ti END IF END IF END FOR RETURN min C G
111
R S; K t
<
e d ;y g Y
<c
f; g
Figura 4.2: Algoritmo para \Buscar la tupla r-esima de R tal que sea la tupla mas parecida a (S; K ) en R con mayor cri ".
2. Negacion: (x1 ; : : : ; xn ) = : 1 (x1 ; : : : ; xn )
S( x
(x1 ; : : : ; xn )) =
S ( 1 (x1 ; : : : x
; xn))
si S ( 1 (x1 ; : : : ; xn )) 6= x en otro caso
(4.20)
3. Disyuncion: (x1 ; : : : ; xn ) = 1 (u1 ; : : : ; up ) _ 2 (v1 ; : : : ; vq ), donde cada uj es un xk distinto y cada vj es un xk distinto, aunque algunos de los u's pueden coincidir con algunos de los v's.
S( x
(x1 ; : : : ; xn )) = maxf S ( 1 (u1 ; : : : ; xp )); S ( 2 (v1 ; : : : ; vq ))g x x

solo si son
(4.21)
los
Al ser < 0 aseguramos que el grado en una disyuncion va a ser grados de ambas partes de la disyuncion.
S( x
4. Cuanti cador existencial: (x1 ; : : : ; xn ) = 9xn+1 ( 1 (x1 ; : : : ; xn+1 ))
(x1 ; : : : ; xn )) =
sn+1 2DOM( )
max
f S ( 1 (x1 ; : : : ; xn ; sn+1))g x
(4.22)
Observe que DOM( )=DOM( 1). A 1 le llamaremos subformula del 9. Observe que al evaluar el grado de 1 , sn+1 sera una constante y sera tratada como tal. Naturalmente, el valor de sn+1 estara dentro del dominio de la variable xn+1 .
t u
112
B1

B
1 0.75 0.5
B2
B3
0 1 2 3 4 5 6 7 8 9 10 11
C
1
C1
C2
C3
0.66
0.25 0 1 2 3 4 5 6 7 8 9 10 11
Figura 4.3: Ejemplo 4.3: De nicion de etiquetas sobre los atributos B y C.
Ejemplo 4.3 Sea R una relacion con dos atributos, B y C, que tienen de nidas las etiquetas
(b; c) = R(b; c) ^ (
= (b; B2)
de la Figura 4.3. Ademas, supondremos que aun no hay atributos de compatibilidad en R. Sea la siguiente WFF: 0:7 !
= (c; C2)
0:5)
donde = es el comparador difuso generalizado de la ecuacion 4.3. Entonces, si tenemos una sustitucion S = (B3; C1) 2 R, podremos calcular S ( (b; c)). c Para ello, apliquemos el lema 4.1 a , obteniendo que (b; c) = :(:R(b; c) _ :(:
= (b; B2)
0:7 _
= (c; C2)
0:5))
Una forma muy simple de hallar S ( (b; c)) es seguir los siguientes 3 pasos: c 1. Sustituir en todos sus atomos por los grados de la misma variable c en cada atomo con la misma sustitucion S :
S( c
(b; c)) :(: S (R(b; c)) _ :(: S ( c c

S( c
= (b; B2)
0:7) _ S ( c
= (c; C2)
0:5)))
2. Hallar cada grado de cada atomo independientemente y sustituirlo en su lugar: (b; c)) :(:1 _ :(: _ 0:66))
113
3. Operar segun la De nicion 4.2. En general, lo que se hace es quedarse con los valores que son distintos de . Los operadores se van resolviendo de mayor a menor prioridad:
S( c
(b; c))
1 0:34 0:66
S( b
:(1 1 _ :( _ 0:66)) :(0 _ :(0:66)) :(0 _ (1 0:66)) :(0 _ 0:34) :(0:34)
De igual forma, podemos calcular el grado de b en con la misma sustitucion S = (B3; C1): (b; c))
:(: S (R(b; c)) _ :(: S ( =(b; B2) 0:7) _ b b :(:1 _ :(:0:75 _ )) :(1 1 _ :(1 0:75 _ )) :(0 _ :(0:25)) :(:(0:25))
0:25
S ( = (c; C2) b
0:5)))
La constante podemos verla como un s mbolo que nos indica que debemos eliminar esa parte y centrarnos en otra. t u A la luz del ejemplo anterior podemos construir el siguiente lema que simpli ca algunas operaciones en el caso de que exista un operador de conjuncion:
Lema 4.2 Sea una WFF cuyo operador principal es el operador de conjuncion ^, es decir, la formula es del tipo (x1 ; : : : ; xn ) = 1 (u1 ; : : : ; up ) ^ 2 (v1 ; : : : ; vq ), donde cada uj es un xk distinto y cada vj es un xk distinto, aunque algunos de los u's pueden coincidir con algunos de los v's. En ese caso: 8 S ( (u ; : : : ; x )) si S ( 1 ) 6= y S ( 2 ) = > S 1 1 x x x < x ( 2 (v1 ; : : : ; vqp)) si S ( 1 ) = y S ( 2 ) 6= S ( (x ; : : : ; x )) = x x 1 n x x > minf S ( 1 (u1 ; : : : ; xp)); en otro caso : S ( 2 (v1 ; : : : ; vq )) g x (4.23) Demostracion: Por el lema 4.1 (ley de DeMorgan) tenemos que: (x1 ; : : : ; xn ) = :(: 1 (u1 ; : : : ; up ) _ : 2 (v1 ; : : : ; vq ))
Sean = = Se pueden dar 4 casos distintos:
S ( 1 (u1 ; : : : ; xp )) x S ( 2 (v1 ; : : : ; vq )) x
114 1.
6= y = : En este caso el resultado que obtenemos segun este lema es . Por la De nicion 4.2 obtenemos tambien el mismo resultado:
S( x
(x1 ; : : : ; xn )) :(: _ : ) :(1
_ ) :(1
) :(1
) 1 (1
)=
2.
= y 6= : En este caso el resultado segun este lema es . Por la De nicion 4.2 obtenemos tambien :
S( x
(x1 ; : : : ; xn )) :(: _ : ) :( _ 1
S( x
) 1 (1
)=
3. 4.
6= y 6= : El resultado es minf ; g, igual que el obtenido por la De nicion 4.2:

(x1 ; : : : ; xn )) :(: _ : ) 1 maxf1
;1
g = minf ; g
= y = : Por este lema obtenemos como resultado minf ; g = , igual que el obtenido por la De nicion 4.2:
S( x
(x1 ; : : : ; xn )) :(: _ : ) :( _ ) :
Si tomaramos > 1 podr amos simpli car la ecuacion 4.23 tomando solo el tercer caso, pero la ecuacion 4.21 de la disyuncion no quedar a tan simple. t u Presentamos otros dos lemas que pueden simpli car el calculo de la funcion existen operadores de implicacion (!) o cuanti cadores universales (8). cuando
Lema 4.3 Sea una WFF cuyo el operador principal es el operador de implicacion !, es decir, la formula es del tipo (x1 ; : : : ; xn ) = 1 (u1 ; : : : ; up ) ! 2 (v1 ; : : : ; vq ), donde cada uj es un xk distinto y cada vj es un xk distinto, aunque algunos de los u's pueden coincidir con algunos de los v's. En ese caso: 8 1 S ( (u ; : : : ; x )) si S ( ) 6= y S ( ) = > S x 1 1 x 1 x 2 < x ( 2 (v1; : : : ; vq )) p si S ( 1 ) = y S ( 2 ) 6= S ( (x ; : : : ; x )) = x x 1 n x x x x x > maxf1 S ( 1 ); S ( 2 )g si S ( 1 ) 6= y S ( 2 ) 6= : si S ( 1 ) = y S ( 2 ) = x x (4.24) Demostracion: Por el lema 4.1 tenemos que:
(x1 ; : : : ; xn ) = : 1 (u1 ; : : : ; up ) _ Sean = =
S ( (u ; : : : ; x )) p x 1 1 S ( (v ; : : : ; v )) q x 2 1
2 (v1 ; : : :
; vq )
Se pueden dar 4 casos distintos: 1. 6= y = : En este caso el resultado que obtenemos segun este lema es 1 la De nicion 4.2 obtenemos tambien el mismo resultado: S ( (x1 ; : : : ; xn )) : _ (1 ) _ 1 x
. Por

2. 3. 4.
115
= y 6= : En este caso el resultado segun este lema es . Por la De nicion 4.2 obtenemos tambien : S ( (x1 ; : : : ; xn )) : _ _ x
6= y 6= : El resultado es maxf1 ; g, igual que el obtenido por la De nicion 4.2: S ( (x1 ; : : : ; xn )) : _ (1 ) _ maxf1 ; g x
= y = : Por este lema obtenemos como resultado , igual que el obtenido por la De nicion 4.2: S ( (x1 ; : : : ; xn )) : _ _ x
Lema 4.4 Sea una WFF cuyo el operador principal es cuanti cador universal 8, es decir, la formula es del tipo (x1 ; : : : ; xn ) = 8xn+1 1 (x1 ; : : : ; xn+1 ). Entonces:
S( x
t u
(x1 ; : : : ; xn )) =
A 1 le llamaremos subformula del 8. Observe que al evaluar el grado de una constante y sera tratada como tal. Demostracion: Por el lema 4.1 tenemos que: (x1 ; : : : ; xn ) = :9xn+1 : 1 (x1 ; : : : ; xn+1 ) Sean ( 1 ; : : : ; f ) todos los f valores de sn+1, y sea i = S ( 1 (x1 ; : : : ; xn ; i )) x con i = 1; : : : ; f . Entonces, segun este lema el resultado que obtenemos es: S ( (x1 ; : : : ; xn )) = minf 1 ; : : : ; g f x Por la De nicion 4.2 el resultado es: S ( (x1 ; : : : ; xn )) : S (9xn+1 : 1 (x1; : : : ; xn+1 )) x x 1 maxf1 1 ; : : : ; 1 f g Podemos ver que ambos resultados son equivalentes.
sn+1 2DOM( )
min
f S ( 1 (x1 ; : : : ; xn; sn+1))g x
(4.25)
1 , sn+1
sera
t u
Con los elementos de nidos anteriormente podemos indicar que que el resultado de una expresion segura en calculo relacional difuso de dominios de la forma: fx1 ; x2; : : : ; xn j (x1 ; x2 ; : : : ; xn)g es una relacion difusa generalizada R como la siguiente: R = H = f(A1 :: D1 ;; C1 ]);;:::::: ;;((An :: Dn ;;Cn ])gg e e B = f(A1 dr1 cr1 ]) An drn crn ]) con r = 1; 2; : : : ; m, siendo m el numero de tuplas de la relacion y cuyas componentes H y B, se obtienen de la siguiente forma:
4.3.2 Relacion Difusa Generalizada Resultante
116
e e 1. Calcular la componente de valor del cuerpo, f(A1 : dr1 ); : : : ; (An : drn )g, come e puesta por todas las tuplas (dr1 ; : : : ; drn ) que cumplen (hacen cierto) el predicado er1 ; : : : ; drn). Llamamos m al numero de tuplas que cumplen el predicado. e (d
2. La componente de compatibilidad del cuerpo, f cr1 ]; : : : ; ; crn ]g, se calcula despues, teniendo en cuenta que en la cabecera existe el atributo de compatibilidad Ci , con i 2 1; n], si y solo si Sir ( (x1 ; : : : ; xn )) 6= , para todas las sustituciones Sr = x e e (dr1 ; : : : ; drn ) con r = 1; 2; : : : ; m. Es facil observar que si el grado vale para una sustitucion, valdra tambien para todas las demas. Entonces, si existe el atributo Ci , sus grados de compatibilidad, para todas las m tuplas se calculan de la siguiente forma:
e e donde r = 1; 2; : : : ; m y Sr = (dr1 ; : : : ; drn ) es la r{esima tupla de R. Tambien, podemos considerar que @Ci (y por tanto podremos eliminarlo) si cri = 1 8r = 1; : : : ; m. Si todas las tuplas tienen un valor 1 en un atributo de compatibilidad concreto, ese atributo de compatibilidad no nos aporta ninguna informacion, ya que eso es lo que suponemos si no existe el atributo de compatibilidad.
Aplicamos la funcion con las sustituciones Sr , esto es, con todas las tuplas que ya han satisfecho el predicado de la consulta. Esto podr a plantear la pregunta de como obtener esas tuplas para luego aplicarle la funcion que les corresponda. Sin embargo, esa pregunta no tiene demasiado sentido ya que estamos de niendo un calculo relacional y este es, por de nicion, un lenguaje no procedimental (non procedural ). Es decir, sus expresiones dicen que deseamos obtener, pero no como obtenerlo. Una vez obtenidas, de alguna forma, las tuplas del resultado (R), calculamos el grado de compatibilidad de cada valor de cada tupla, con la funcion . Ademas, con ligeros retoques a la funcion (eliminando los valores ), es facil obtener el grado con el que cada tupla globalmente ha satisfecho la condicion completa.
cri =
Sr ( xi
(x1 ; : : : ; xn ))
(4.26)
4.4 Ejemplos de Consultas en Calculo Relacional Difuso

El Calculo Relacional Difuso tiene mayor capacidad expresiva del Calculo Relacional Clasico del que procede. Para mostrar esa potencia y para aclarar el calculo de la relacion difusa generalizada resultante de una consulta, en esta seccion daremos una serie de ejemplos con los que hemos intentado abarcar la inmensa casu stica que nos podemos encontrar en una consulta. Cada uno de los ejemplos siguientes esta enfocado a uno o varios de esos casos particulares, pero todos estan basados en un mismo contexto, el cual explicamos a continuacion. Supongamos que tenemos una Base de Datos Relacional Difusa sobre jugadores de baloncesto. Una relacion de la Base de Datos podr a tener los atributos (JUGADOR, EQUIPO, ALTURA, CALIDAD, NUM_CAMISETA...). Para los ejemplos tomaremos una proyeccion de esta supuesta relacion que se muestra en la Tabla 4.3. Los campos ALTURA (que almacena la altura del jugador) y CALIDAD (que mide la calidad del jugador segun el numero de puntos medio por partido) permiten almacenar valores difusos (tipo 6 de la Tabla 2.4). Nosotros, para los ejemplos, usaremos las etiquetas lingu sticas de la Figura 4.4. Hemos eliminado las etiquetas \Muy Bajo" y \Muy Malo", por considerar que profesionalmente no juegan jugadores de esas caracter sticas.
4.4. EJEMPLOS DE CONSULTAS EN CALCULO RELACIONAL DIFUSO
117
H JUGADOR EQUIPO ALTURA B J1 Almer a Alto

J2 J3 J4 J5 J6 J7 J8 J9 J10 J11 J12 J13 J14 J15 J16 J17 J18 J19 J20 Almer a Cadiz Cadiz Cordoba Cordoba Granada Granada Granada Huelva Jaen Jaen Jaen Jaen Malaga Malaga Malaga Sevilla Sevilla Sevilla
CALIDAD
Bajo Muy Alto Bajo Bajo Muy Alto Bajo Muy Alto Alto Alto Bajo Normal Alto Alto Bajo Alto Muy Alto Bajo Muy Alto Normal
Muy Bueno Regular Muy Bueno Bueno Muy Bueno Malo Malo Malo Regular Muy Bueno Muy Bueno Regular Muy Bueno Muy Bueno Muy Bueno Regular Muy Bueno Bueno Bueno Bueno
Tabla 4.3: Relacion R.

ALTURA
1
Bajo
Normal
Alto
Muy Alto
0.5
0 170 175 180 185 190 195 200 205 210 cm.
CALIDAD
1 0.75 0.5
Malo
Regular
Bueno
Muy Bueno
0 5 10 15 20 25 30 35 40 45 Puntos/Partido
Figura 4.4: De nicion de etiquetas sobre los atributos ALTURA y CALIDAD.
118
H JUGADOR EQUIPO ALTURA CALTURA Sustitucion B J2 Almer a Bajo 1 S1

J4 J5 J7 J11 J12 J15 J18 J20 Cadiz Cordoba Granada Jaen Jaen Malaga Sevilla Sevilla Bajo Bajo Bajo Bajo Normal Bajo Bajo Normal 1 1 1 1 0.5 1 1 0.5
S2 S3 S4 S5 S6 S7 S8 S9
Tabla 4.4: Relacion R4:4 . Para los ejemplos usaremos como identi cadores de las variables de dominio las iniciales del nombre del atributo a cuyo dominio pertenezcan (j , e, a y c). A los predicados, les llamaremos como hasta ahora . A la relacion resultante de cada ejemplo le llamaremos Ri , donde i es el numero del ejemplo. Ejemplo 4.4 Mostrar los jugadores con sus equipos y alturas de aquellos jugadores Bajos (en grado m nimo 0.5). La expresion que resuelve esa consulta ser a: 0:5)g Primero se calcula la componente de valor, esto es, las tuplas (j; e; a) que cumplen el predicado. En este caso, existen 9 tuplas que cumplan el predicado: Ver componente de valor de la relacion resultante mostrada en la Tabla 4.4. Llamaremos Sr con r = 1; : : : ; 9 a las 9 tuplas de la componente de valor. Por comodidad, en la Tabla 4.4 indicamos a la derecha de cada tupla la sustitucion a la que corresponde. Despues, para calcular la componente de compatibilidad hay que estudiar que atributos de compatibilidad existen. Los atributos CJUGADOR y CEQUIPO no los consideraremos en el resultado, ya que tenemos que: 8r = 1; : : : ; 9 cr(JUGADOR) = Sr ( (j; e; a)) = 1 j cr(EQUIPO) = Sr ( (j; e; a)) = 1 e Observe que, como en S hay un valor de la clave primaria de R (atributo JUGADOR), para calcular el grado de la WFF se puede eliminar el 9c, sustituyendo la variable c por el unico valor posible para cada Si . O sea, como en S hay un valor de la clave primaria, el valor de c que alcance el grado maximo (ecuacion 4.22) sera el correspondiente a la tupla de su clave primaria. El atributo CALTURA existe y para cada Sr tenemos que: cr(ALTURA) = Sr ( (j; e; a)) a Por ejemplo, para la ultima tupla (jugador \J20") con r = 9, tenemos que: c9(ALTURA) = S9 ( (j; e; a)) a = (J20;Sevilla;Normal) ( (j; e; a)) a
= (a; Bajo)
fj; e; a j 9c(R(j; e; a; c) ^

De donde, si aplicamos el metodo del Ejemplo 4.3, obtenemos que
(J20;Sevilla;Normal) ( a
119
(j; e; a))
9c(R(J20; Sevilla; Normal; c) ^
R(J20; Sevilla; Normal; Bueno) ^ 0:5 1 ^ 0:5 0:5
= (Normal; Bajo))
El cuanti cador existencial lo eliminamos cuando sustituimos todas las ocurrencias de la variable c por el valor \Bueno", que hace maximo el grado de la subformula del 9. En particular, ese valor de c es el unico que existe en R con la sustitucion S9 , ya que la sustitucion contiene un valor de la clave primaria. El grado en ese atomo, con ese valor de c, es 1. Con otros valores de c su grado es 0. Como es una conjuncion, tomamos el grado mas peque~o de n ambos atomos (segun el lema 4.2). Por eso, con otros valores de c tenemos que minf0; 0:5g = 0 y con c = \Bueno" tenemos que minf1; 0:5g = 0:5. De todos esos valores tomamos el maximo (ecuacion 4.22), y obtenemos que maxf0; : : : ; 0; 0:5g = 0:5, que es el resultado nal. Habra tantos ceros como valores de c haya en DOM( ) distintos a \Bueno". t u
Ejemplo 4.5 Obtener los jugadores con sus equipos y alturas de aquellos jugadores de Jaen
o Malaga que son de altura Normal (en grado m nimo 0.5) o Bajos (en grado m nimo 0.7). La expresion que resuelve esa consulta ser a:
fj; e; a j 9c(R(j; e; a; c) ^ (e = Jaen _ e = Malaga) ^ (( =(a; Bajo) 0:7) _ ( =(a; Normal) 0:5)) )g
Observe que los atomos como e = Jaen son comparaciones crisp y se podr an haber puesto como comparaciones difusas del tipo = (e; Jaen) 1. Esas comparaciones tomaran el valor 1 si son ciertas y 0 si son falsas. Por motivos de claridad las expresamos como comparaciones crisp. La relacion resultante, R4:5 , se muestra en la Tabla 4.5. El atributo CEQUIPO no lo escribimos porque su valor es 1 para todas las tuplas que se seleccionen, ya que para cualquier sustitucion Sr = (srj ; sre; sra ), se tiene que:
segura y como la unica relacion que se usa es R, entonces, todos los valores del resultado estaran en R. Por tanto, el grado en el atomo de pertenencia siempre sera 1 para cualquier valor de c. Ademas, tenemos que en la relacion resultante los equipos (sre ) seran de \Jaen" o de \Malaga", por lo que una de esas dos comparaciones sera igual a 1 y la otra igual a 0. Por tanto, para cualquier sustitucion Sr , el resultado sera: maxf1; 0g = 1.
9c(R(srj ; sre; sra ; c) ^ (sre = Jaen _ sre = Malaga) ^ ( _ )) max f1 ^ (sre = Jaen _ sre = Malaga) ^ g c2DOM( ) sre = Jaen _ sre = Malaga En el primer paso, eliminamos el 9 aplicando la ecuacion 4.22. Ese predicado es una WFF
(j; e; a))
Sr ( e
120
H JUGADOR EQUIPO ALTURA CALTURA Sustitucion B J11 Jaen Bajo 1 S1

J12 J13 J14 J15 J16 Jaen Jaen Jaen Malaga Malaga Normal Alto Alto Bajo Alto 1 0.5 0.5 1 0.5
S2 S3 S4 S5 S6
Tabla 4.5: Relacion R4:5 . El calculo de CALTURA se hace de la misma forma. Veamos como se calcular a para las tuplas S1 y S6 (Tabla 4.5):
c1(ALTURA) =
S1 ( a
(j; e; a))
9c(R(J11; Jaen; Bajo; c) ^( _ ) ^ ( =(Bajo; Bajo) _ =(Bajo; Normal)) ) 1 ^ ^ (1 _ 0:5) minf1; maxf1; 0:5gg = 1 9c(R(J16; Malaga; Alto; c) ^( _ ) ^ ( =(Alto; Bajo) _ =(Alto; Normal)) ) 1 ^ ^ (0 _ 0:5) minf1; maxf0; 0:5gg = 0:5
c6(ALTURA) =
S6 ( a
(j; e; a))
En el primer caso la variable c es sustituida por \Muy Bueno" y en el segundo caso se sustituye por \Regular". Esos son los unicos valores de c que hacen que el grado de la subformula del 9 sea mayor que 0. t u
Ejemplo 4.6 Partiendo de las relaciones R4:4 (Tabla 4.4) y R4:5 (Tabla 4.5) de los Ejemplos 4.4 y 4.5 respectivamente, la union (en terminos de algebra relacional) de ambas relaciones
corresponder a a la consulta: Obtener los jugadores con sus equipos y alturas de aquellos jugadores que pertenecen a R4:4 o a R4:5 . La expresion que resuelve esa consulta ser a, como en la ecuacion 4.8:
por lo que no los indicamos en la relacion resultante de la Tabla 4.6. Por ejemplo, vamos a ver como se calculan para las tuplas S6 , S10 y S12 . Observe que para calcular los valores de compatibilidad debemos aplicar dos veces la ecuacion 4.18 (o su algoritmo):
R4:4 R4:5 = fj; e; a j R4:4 (j; e; a) _ R4:5 (j; e; a)g Los valores de los atributos de compatibilidad CJUGADOR y CEQUIPO seran todos igual a 1,
c6(EQUIPO) = c10(EQUIPO) = c12(EQUIPO) =
S6 ( ) e S10 ( ) e S12 ( ) e
S6 (R4:4 (j; e; a)) e S10 (R4:4 (j; e; a)) e S12 (R4:4 (j; e; a)) e
_ _ _
S6 (R4:5 (j; e; a)) e S10 (R4:5 (j; e; a)) e S12 (R4:5 (j; e; a)) e
1 _1 0 _1 1 _0
1 1 1
121
H JUGADOR EQUIPO ALTURA CALTURA Sustitucion B J2 Almer a Bajo 1 S1

J4 J5 J7 J11 J12 J13 J14 J15 J16 J18 J20 Cadiz Cordoba Granada Jaen Jaen Jaen Jaen Malaga Malaga Sevilla Sevilla Bajo Bajo Bajo Bajo Normal Alto Alto Bajo Alto Bajo Normal 1 1 1 1 1 0.5 0.5 1 0.5 1 0.5
S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12
Tabla 4.6: Relacion R4:6 = R4:4 R4:5 del Ejemplo 4.6.
H JUGADOR EQUIPO ALTURA CALTURA B J11 Jaen Bajo 1

J12 J15 Jaen Normal 0.5 Malaga Bajo 1 Tabla 4.7: Relacion R4:7 = R4:4 \ R4:5 del Ejemplo 4.7. Note que el calculo de cr(JUGADOR) , con r = 1; : : : ; 12, es similar al de cr(EQUIPO) . Para las mismas tuplas, obtengamos ahora los valores del atributo de compatibilidad CALTURA , sabiendo que ese atributo existe en R4:4 y en R4:5 :
c6(ALTURA) = c10(ALTURA) = c12(ALTURA) =
S6 ( ) a S10 ( ) a S12 ( ) a
minf0:5; 1g _ minf1; 1g 0 _ minf0:5; 1g minf0:5; 1g _ 0
maxf0:5; 1g = 1 maxf0; 0:5g = 0:5 maxf0:5; 0g = 0:5
t u
Ejemplo 4.7 En la misma l nea que el ejemplo anterior, la interseccion (en terminos de
algebra relacional) de ambas relaciones R4:4 y R4:5 corresponder a a la consulta: Obtener los jugadores con sus equipos y alturas que pertenecen a R4:4 y a R4:5 . La expresion que resuelve esa consulta ser a, como en la ecuacion 4.13:
no aparecen en la relacion resultante de la Tabla 4.7. El calculo de ambos es muy similar: Para cualquier sustitucion Sr con r = 1; 2; 3 tenemos que:
R4:4 \ R4:5 = fj; e; a j R4:4(j; e; a) ^ R4:5 (j; e; a)g Los valores de los atributos de compatibilidad CJUGADOR y CEQUIPO son siempre 1, por lo que
cr(EQUIPO) =
Sr ( e
) 1 ^1 1
122
H EQUIPO CEQUIPO B Almer a 0.5

Cordoba Granada Jaen Malaga 1 1 0.5 0.5
Tabla 4.8: Relacion R4:8 . Para el atributo de compatibilidad CALTURA tenemos que: c1(ALTURA) = c3(ALTURA) = S1 ( ) = S3 ( ) minf1; 1g ^ minf1; 1g 1 a a c2(ALTURA) = S2 ( ) minf0:5; 1g ^ minf1; 1g minf0:5; 1g = 0:5 a
igual que 0.5):
t u
Ejemplo 4.8 Mostrar los equipos que tienen al menos un jugador Malo (en grado mayor o
0:5)g (4.27) El resultado de esta consulta esta en la Tabla 4.8. Por ejemplo, el valor para CEQUIPO en la primera tupla S1 , c1(EQUIPO) , lo obtenemos mediante:
= (c; Malo)
fe j 9j; a; c(R(j; e; a; c) ^
y c) son sustituidas (segun la ecuacion 4.22) por los valores de j , a y c (JUGADOR, ALTURA y CALIDAD) que hay en DOM( ) para tomar el mayor grado de todas esas sustituciones. En la ecuacion anterior hemos eliminado aquellos valores de j , a y c que no tienen una tupla en R con EQUIPO=S1 (Almer a), ya que para esos valores el grado en la subformula del 9 es 0. Al calcular S3 ( ) nos encontramos que existen tres valores posibles para las variables j , e a y c que hacen que el grado en la subformula del 9 sea mayor que 0. Estos tres valores son los de las tres tuplas de R con EQUIPO=S3 (Granada):
S3 ( e
9j; a; c( S1 (R(j; e; a; c)) ^ S1 ( =(c; Malo) 0:5)) e e maxf S1 (R(J1; e; Alto; Muy Bueno) ^ = (Muy Bueno; Malo) 0:5); e S1 (R(J2; e; Bajo; Regular) ^ = (Regular; Malo) 0:5) g e maxfminf1; 0g; minf1; = (Regular; Malo)gg = maxf0; 0:5g = 0:5 Observe que cuando evaluamos el cuanti cador existencial (9), las variables ligadas (j , a
)
S1 ( e
9j; a; c( S3 (R(j; e; a; c)) ^ S3 ( =(c; Malo) 0:5)) e e maxf S3 (R(J7; e; Bajo; Malo)) ^ S3 ( = (Malo; Malo) 0:5); e e S3 (R(J8; e; Muy Alto; Malo)) ^ S3 ( = (Malo; Malo) 0:5); e e S3 (R(J9; e; Alto; Regular)) ^ S3 ( = (Regular; Malo) 0:5) g e e maxfminf1; = (Malo; Malo)g; minf1; = (Malo; Malo)g; minf1; = (Regular; Malo)g g maxfminf1; 1g; minf1; 1g; minf1; 0:5gg = maxf1; 1; 0:5g = 1
123

Cadiz Cordoba Granada Huelva Jaen Malaga Sevilla 1 0.75 0.66 0.75 0.75 0.75 1
Tabla 4.9: Relacion R4:9 .

Cordoba Granada Jaen Malaga 0.75 0.66 0.5 0.5
Tabla 4.10: Relacion R4:10 . Al aplicar la ecuacion 4.22, tomaremos el mayor grado de los tres, que puede ser el grado de la tupla del jugador \J7" o el del jugador \J8", las cuales consiguen ambas grado 1 (la tupla de \J9" consigue solo grado 0.5). t u
Ejemplo 4.9 Mostrar los equipos en los que existe al menos un jugador Bueno (en grado
mayor o igual que 0.5):
fe j 9j; a; c(R(j; e; a; c) ^
La relacion R4:9 esta en la Tabla 4.9.
= (c; Bueno)
0:5)g
(4.28)
t u
Ejemplo 4.10 Mostrar los equipos en los que existe al menos un jugador Malo (en grado
m nimo 0.5) y un jugador Bueno (en grado m nimo 0.5):
fe j 9j; a; c(R(j; e; a; c) ^ 9j; a; c(R(j; e; a; c) ^
= (c; Malo) = (c; Bueno)
0:5) ^ 0:5)g
El resultado se muestra en la Tabla 4.10. Si observamos los Ejemplos 4.8 y 4.9, se ve que el predicado de este ejemplo esta formado por la conjuncion de los predicados de ambos ejemplos. Por tanto, esa consulta es equivalente a la siguiente:
fe j R4:8(j; e; a) ^ R4:9 (j; e; a)g t u
124
Ejemplo 4.11 Mostrar aquellos equipos en los que todos sus jugadores sean Bajos (en grado m nimo 0.5) o Buenos (en grado m nimo 0.75): fe j 8j; a; c (R(j; e; a; c) ! ( = (a; Bajo) 0:5 _ = (c; Bueno) 0:75) ) g
La relacion resultante se muestra en la Tabla 4.11. Veamos como obtenemos ese resultado: Si llamamos 1 a la subformula del 8, tenemos que: (e) = 8j; a; c
1 (j; e; a; c)
Por ejemplo, para la primera tupla (Tabla 4.11), aplicando el lema 4.4, buscamos los valores de (j; a; c) en DOM( ) que consiguen un menor grado en 1 con la sustitucion S1 . Los valores de (j; a; c) tales que (j;Almer a; a; c) 2 R obtienen grado 1. Segun eso, tenemos que hay dos valores para (j; a; c) para los que el grado puede ser menor que 1 (las dos tuplas del equipo de Almer a). En la siguiente ecuacion expresamos solo esos dos valores de (j; a; c):
c1(EQUIPO) =
S1 ( e
(e)) = minf S1 ( 1 (J1; e; Alto; Muy Bueno)); e S1 ( 1 (J2; e; Bajo; Regular)) g e 1 ! (0 _ 0:75) 1 ! (1 _ 0:66)
S1 ( e
Desarrollando esos grados por el lema 4.3 obtenemos que

S1 ( 1 (J1; e; Alto; Muy Bueno)) e S1 ( 1 (J2; e; Bajo; Regular)) e
maxf1 1; 0:75g maxf1 1; 1g
0:75 1
y entonces
c1(EQUIPO) =
(e)) = minf0:75; 1g = 0:75
Aplicando el lema 4.1 obtenemos tambien el mismo resultado, teniendo que la consulta es equivalente a
fe j :9j; a; c : (:R(j; e; a; c) _
= (a; Bajo) = (c; Bueno)
0:5 _ 0:75) g
3
Si llamamos 2 a esa WFF quitandole la primera negacion y tambien el cuanti cador, tenemos que: Entonces, para la primera tupla tenemos que:
a esa WFF quitandole
(e) = : 2 (e) = :9j; a; c( 3 (j; e; a; c)) = :9j; a; c(: 1 (j; e; a; c))
c1(EQUIPO) =
S1 ( e
(e)) = 1
S1 ( 2 (e)) e
Para resolver S1 ( 2 (e)) buscamos los valores de (j; a; c) en DOM( ) que consiguen un e mayor grado en 3 con la sustitucion S1 . Segun eso, tenemos que hay dos valores de (j; a; c) para los que el grado puede ser mayor que 0. En la siguiente ecuacion expresamos solo esos dos valores de (j; a; c), que son las dos tuplas del equipo de Almer a:
125

Cadiz Huelva Jaen Sevilla 0.75 0.75 0.66 1
Desarrollando esos grados obtenemos que S1 ( 3 (J1; e; Alto; Muy Bueno)) :(:1 _ 0 _ 0:75) :(0:75) 0:25 e S1 ( 3 (J2; e; Bajo; Regular)) :(:1 _ 1 _ 0:66) :(1) 0 e y entonces S1 ( (e)) = maxf0:25; 0g = 0:25 e 2 Por tanto, obtenemos el resultado esperado: c1(EQUIPO) = S1 ( (e)) = 1 S1 ( 2 (e)) = 1 0:25 = 0:75 e e Para la cuarta tupla, S4 , tambien vamos a desarrollar las ecuaciones: c4(EQUIPO) = S4 ( (e)) e Ahora tenemos que existen 4 valores de (j; a; c) en DOM( ) que pueden tener un grado en 1 con la sustitucion S1 menor que 1 (los 4 del equipo de Jaen). En la siguiente ecuacion expresamos solo esos 4 valores de (j; a; c): S4 ( (e)) = minf S4 ( 1 (J11; e; Bajo; Muy Bueno)); e e S4 ( 1 (J12; e; Normal; Regular)); e S4 ( (J13; e; Alto; Muy Bueno)); e 1 S4 ( (J14; e; Alto; Muy Bueno)) g e 1 Calculando cada uno de esos grados tenemos que: S4 ( 1 (J11; e; Bajo; Muy Bueno)) 1 ! (1 _ 0:75) maxf1 1; 1g 1 e S4 ( 1 (J12; e; Normal; Regular)) 1 ! (0:5 _ 0:66) maxf1 1; 0:66g 0:66 e S4 ( 1 (J13; e; Alto; Muy Bueno)) 1 ! (0 _ 0:75) maxf1 1; 0:75g 0:75 e S4 ( 1 (J14; e; Alto; Muy Bueno)) 1 ! (0 _ 0:75) maxf1 1; 0:75g 0:75 e Con lo anterior, obtenemos que c4(EQUIPO) = S4 ( (e)) = minf1; 0:66; 0:75; 0:75g = 0:66 e
S1 ( (e)) = maxf S1 ( (J1; e; Alto; Muy Bueno)); e 2 e 3 S1 ( (J2; e; Bajo; Regular)) g e 3
t u
126
H EQUIPO ALTURA B Almer a Alto

Almer a Cadiz Cadiz Cordoba Cordoba Granada Granada Granada Huelva Jaen Jaen Jaen Malaga Malaga Malaga Sevilla Sevilla Sevilla
CALIDAD
Bajo Muy Alto Bajo Bajo Muy Alto Bajo Muy Alto Alto Alto Bajo Normal Alto Bajo Alto Muy Alto Bajo Muy Alto Normal
Muy Bueno Regular Muy Bueno Bueno Muy Bueno Malo Malo Malo Regular Muy Bueno Muy Bueno Regular Muy Bueno Muy Bueno Regular Muy Bueno Bueno Bueno Bueno
Tabla 4.12: Relacion R0 para el Ejemplo 4.12.
H ALTURA CALIDAD B Muy Alto Muy Bueno

Bajo Bueno Tabla 4.13: Relacion R00 para los Ejemplos 4.12 y 4.13.
Ejemplo 4.12 Dame los equipos que tienen jugadores con iguales caracter sticas (en altura
y calidad) que el equipo de Cadiz (en grado m nimo 0.5). Para resolver esta consulta vamos a considerar dos relaciones R0 y R00 de nidas mediante las siguientes expresiones:
R0(e; a; c) = fe; a; c j 9j R(j; e; a; c)g R00(a; c) = fa; c j 9j R(j; Cadiz; a; c)g

donde R(j; e; a; c) es la relacion difusa generalizada de la tabla 4.3. En terminos de algebra relacional, la relacion R0 es una proyeccion de la relacion R sobre los atributos EQUIPO, ALTURA y CALIDAD. La relacion R00 es el resultado de una seleccion con la condicion EQUIPO=Cadiz y posteriormente una proyeccion sobre los atributos ALTURA y CALIDAD. Las relaciones R0 y R00 se muestran en las Tablas 4.12 y 4.13 respectivamente. En algebra relacional la consulta de este Ejemplo se resuelve mediante la division relacional R0 R00, que es equivalente a la siguiente expresion en Calculo Relacional de Dominios, como en la ecuacion 4.15:
127

Cadiz Jaen Malaga Sevilla 1 0.5 0.75 0.75
R0 R00 = fe j 8a; c (R00 (a; c) ! R0(e; a; c) 0:5)g

Observe como en el atomo de R0 incluye un umbral de cumplimiento ( = 0:5). Esto hace que en el resultado haya tuplas que cumplen parcialmente la condicion de la consulta. Si establecemos = 1 solo se recuperaran los equipos que tienen jugadores exactamente con iguales caracter sticas (en altura y calidad) que el equipo de Cadiz. El resultado de la consulta de este ejemplo, R4:12 , se representa en la relacion de la Tabla 4.14. El grado de compatibilidad para la primera tupla (S1 ) viene dado por la siguiente ecuacion, en la que hemos expresado los valores (a; c) de DOM( ) que, segun la De nicion 4.1, son las 2 tuplas de R00 :
c1EQUIPO =
S1 ( e
) = minf S1 (R00 (Muy Alto; Muy Bueno) ! R0 (e; Muy Alto; Muy Bueno)); e S1 (R00 (Bajo; Bueno) ! R0 (e; Bajo; Bueno)) g e = minfmaxf1 1; 0:5g; max f1 1; 0:66gg = minf0:5; 0:66g = 0:5 = = = = minfmaxf1 minfmaxf1 minfmaxf1 minfmaxf1 1; 1g; maxf1 1; 1gg 1; 0:5g; maxf1 1; 0:75gg 1; 1g; maxf1 1; 0:75gg 1; 0:75g; max f1 1; 1gg = = = = 1 0:5 0:75 0:75
Brevemente, los grados de compatibilidad para las otras tuplas vienen dados por:
c2EQUIPO c3EQUIPO c4EQUIPO c5EQUIPO
Cualquier consulta posible se puede efectuar mediante una unica expresion en calculo relacional. Esto es, cualquier expresion algebraica, con cualquier numero de operadores, se puede expresar en calculo en una unica expresion, como se demostro en el Teorema 4.1. Basandonos en esto, este ejemplo se podr a tambien haber resuelto con una unica expresion, sin usar las relaciones R0 ni R00 , obteniendo los mismos resultados (Tabla 4.14):
fe j 8j 0; a; c (R(j 0 ; Cadiz; a; c) ! 9j R(j; e; a; c) 0:5) g

La division relacional difusa se expone en el cap tulo anterior y en 72], obteniendo el mismo resultado que se obtiene mediante calculo relacional con = 0. Para obtener identicos resultados si > 0, en algebra tendremos que aplicar tras la division una seleccion que recupere solo las tuplas cuyo grado sea mayor o igual que . t u
128
H ALTURA B Alto
Bajo Muy Alto Bajo Bajo Muy Alto Bajo Alto Normal Muy Alto Normal
Muy Bueno Regular Muy Bueno Bueno Muy Bueno Malo Malo Regular Regular Bueno Bueno
CALIDAD
Tabla 4.15: Relacion R000 para el Ejemplo 4.13.
H ALTURA B Alto
0.5 Bajo 0.34 Muy Alto 1 Bajo 1 Alto 1 Normal 0.5 Normal 0.5
CALTURA
CALIDAD
Muy Bueno Regular Malo Malo Regular Regular Bueno
CCALIDAD
0.5 0.34 1 1 1 0.5 0.5
Tabla 4.16: Relacion R4:13 = R000 R00 del Ejemplo 4.13. relacion R0 de la Tabla 4.12 sobre los atributos ALTURA y CALIDAD. La relacion resultante, R000, se muestra en la tabla 4.15 y es obtenida mediante la expresion: R000(a; c) = fa; c j 9e R0(e; a; c)g Entonces, partiendo de las relaciones R000 (Tabla 4.15) y R00 (Tabla 4.13) la diferencia relacional, R000 R00 (ecuacion 4.9), adquiere en calculo relacional mayor expresividad, resolviendo la consulta siguiente: Dame las tuplas de R000 que no estan en R00 (en grado m nimo 0.75): R000 (a; c) R00 = fa; c j R000(a; c) ^ :R00 (a; c) 0:75g El resultado se muestra en la Tabla 4.16. El calculo de los grados de compatibilidad es facil. Para cualquier tupla i, se cumple que ci(ALTURA) = ci(CALIDAD) y, por ejemplo, para las dos primeras tuplas (S1 y S2 ) tenemos que: S1 ( ) = S1 ( ) 1 ^ :0:5 minf1; 1 0:5g = 0:5 a c S2 ( ) = S2 ( ) 1 ^ :0:66 minf1; 1 0:66g = 0:34 a c Observe que para todas las tuplas el grado en la parte izquierda de la conjuncion sera siempre 1. Por tanto, al tomar el m nimo de la conjuncion (lema 4.2) el resultado sera el
Ejemplo 4.13 Tomemos ahora una proyeccion (en terminos de algebra relacional) de la
4.5. CUANTIFICADORES DIFUSOS EN EL CALCULO RELACIONAL DIFUSO
129
grado en la parte derecha de la conjuncion. Esa parte esta negada (:) por lo que, cuanto mas pertenezca una tupla a R00 menos pertenecera a la diferencia y menor sera el grado de compatibilidad de sus atributos en el resultado. Si una tupla pertenece a R00 en grado mayor que 0.75 entonces no pertenecera al resultado, ya que 0.75 es el umbral de cumplimiento que hemos adoptado. As , si el umbral es , en el resultado apareceran siempre grados de cumplimiento mayores o iguales que 1 . t u
4.5 Cuanti cadores Difusos en el Calculo Relacional Difuso

El Calculo Difuso presentado no contempla la posibilidad de la inclusion de cuanti cadores difusos (absolutos o relativos) del tipo de \muchos", \casi todos"... 20, 149, 150, 158, 162, 163, 164, 169]. La utilidad y forma de uso de estos cuanti cadores se vieron en el apartado 2.9.2 en general y en los apartados 5.2.1.1 y 5.2.1.3 se veran aplicados a FSQL. En este apartado vamos a dar unos posibles signi cados de estos cuanti cadores, indicando como aplicar la funcion aqu de nida cuando nos encontramos tales cuanti cadores. Para calcular en que medida se cumple un cuanti cador se puede tener en cuenta lo siguiente: La proporcion de tuplas que cumplen la condicion y el grado con el que cumplen la condicion todas las tuplas (incluidas las que no superan el umbral establecido). Por ejemplo, si buscamos los \equipos en los que casi todos sus jugadores son Buenos (con grado m nimo 0.75)", para evaluar el grado de los equipos que se seleccionen, habr a que tener en cuenta: El numero de jugadores \Buenos" (con grado m nimo 0.75), el numero de jugadores no \Buenos" (con grado m nimo 0.75) y el grado con el que todos ellos son \Buenos". O sea, si un equipo E1 tiene de diez jugadores, siete \Buenos" con grado 1 y tres \Buenos" con grado 0, y otro equipo E2 tiene de diez jugadores, siete \Buenos" con grado 1 y tres \Buenos" con grado 0.7, su grado de cumplimiento del cuanti cador casi todos no debera, quizas, ser el mismo. Una posible solucion, teniendo en cuenta toda esa informacion, es ponderar de alguna forma cada uno de esos 3 factores: 1. T : Total de elementos que cumplen la condicion. En caso de cuanti cadores relativos ese numero habra que dividirlo por el total de elementos considerados. 2. M : Sumatoria de los grados de cumplimiento de los elementos que cumplen la condicion. Como el grado de cumplimiento siempre es menor o igual que 1, tenemos que T M . En caso de cuanti cadores relativos ese numero habra que dividirlo por el total de elementos considerados. 3. N : Sumatoria de los grados de cumplimiento de los elementos que no cumplen la condicion. En caso de cuanti cadores relativos ese numero habra que dividirlo por el total de elementos considerados. No obstante la in uencia del tercer factor N es discutible y puede ser eliminado. Incluso, en determinados casos, puede usarse solo uno de los dos primeros factores, sin in uir demasiado en el resultado nal. La diferencia entre usar distintas combinaciones de estos cuanti cadores producira variaciones de pocos decimales y, esas diferencias pueden ser casi inapreciables en el resultado nal moviendo adecuadamente el umbral de cumplimiento para el cuanti cador difuso.
130
Aqu proponemos un sistema para utilizar los dos primeros factores: Sea 2 0; 1] un peso que indica la importancia del primer factor T con respecto al segundo M . Entonces, el factor considerado sera:
T + (1
)M
(4.29)
De esta forma, si = 1 indica que solo se usa el primer factor T y si = 0 indica que solo se usa el segundo factor M . Como T M , a mayor valor de , mayor sera la expresion anterior y de ella depende el numero de tuplas a recuperar. Naturalmente, el numero de tuplas recuperadas tambien depende del umbral que se establezca al cuanti cador difuso. El valor de esa expresion es el que sera utilizado como argumento de la funcion Q que represente al cuanti cador. La de nicion de los cuanti cadores puede depender del valor de . As , cada cuanti cador podr a de nirse en funcion del valor , de forma que dependiendo de este su de nicion adopte una u otra forma, aunque, posiblemente, el matiz que esto represente tenga escasa relevancia global. Entonces, teniendo en cuenta todo lo anterior, la forma de expresar un cuanti cador difuso en Calculo Relacional Difuso de Dominios es: (x1 ; : : : ; xn ) = Q xn+1
1 (x1 ; : : :
; xn+1)
(4.30)
indicando que el cuanti cador Q se cumple en 1 para los valores de xn+1 con un grado m nimo de , evaluando el total en la forma que indica la ecuacion 4.29 con el valor de indicado como super ndice de Q.
De nicion 4.3 Sea una WFF cuyo el operador principal es un cuanti cador difuso Q (absoluto o relativo). Es decir, la formula es del tipo de la ecuacion 4.30. El cuanti cador Q esta de nido como una funcion del tipo indicado en el apartado 2.9.2. Entonces:
S( x
(x1 ; : : : ; xn )) = Q( T + (1
)M )
(4.31)
donde T y M son el primer y segundo factor respectivamente, tal y como se han explicado anteriormente. Para calcular T hay que contar cuantas tuplas cumplen el predicado 1 (y dividirlo por el numero total de tuplas evaluadas si el cuanti cador es relativo). Para calcular M hay que sumar los grados de las tuplas cumplen el predicado 1 (y dividirlo por el numero total de tuplas evaluadas si el cuanti cador es relativo). t u
Ejemplo 4.14 Mostrar los equipos en los que casi todos (en grado m nimo 0 y con = 0:8) sus jugadores son Buenos (en grado m nimo 0.75). Donde \casi todos" es un cuanti cador difuso relativo de nido como la funcion Q de la Figura 4.5, en la que la ecuacion de la recta entre x = 0:4 y x = 0:9 es: y = (x 0:4)=0:5. La expresion que resuelve esa consulta ser a:
fe j Casi todos0:8 j; a; c(R(j; e; a; c) ! 0
= (c; Bueno)
0:75) g

1
131
0 0.4 0.9 1
Figura 4.5: Cuanti cador difuso relativo \casi todos".
H EQUIPO T M CEQUIPO B Almer a 1/2 0.75/2 0.15

Cadiz Cordoba Granada Jaen Malaga Sevilla 2/2 1.75/2 1/2 0.75/2 0/3 0/3 3/4 2.25/4 2/3 1.5/3 3/3 3/3 1.00 0.15 0.00 0.63 0.47 1.00
Tabla 4.17: Relacion R4:14 . Considerando la relacion R de la Tabla 4.3, obtenemos la relacion R4:14 con los datos de la Tabla 4.17, en donde hemos expresado tambien los valores de T y M para cada equipo. Tengase en cuenta que:
CEQUIPO = Q( T + (1
)M )
Hemos puesto el umbral del cuanti cador difuso a cero, para recuperar todos los equipos y su grado de compatibilidad. Si ese umbral fuera establecido a 0.5 (con igual valor de ) solo se hubieran recuperado los equipos de Cadiz, Jaen y Sevilla. t u
4.6 Estudio Comparativo con otras Propuestas de Calculo Difuso

En 32], Buckles, Petry y Sachar proponen un calculo de dominios para el modelo de bases de datos relacionales difusas de Buckles-Petry 28, 30] (apartado 2.3), el cual es mas restrictivo que el modelo GEFRED (apartado 2.7). Como se ha visto, su modelo permite representar menor cantidad de tipos de informacion. En las condiciones de su calculo, los umbrales de cumplimiento se pueden establecer para cada atributo y no para cada atomo, por lo que no se pueden especi car consultas como la siguiente: \Lista los jugadores que son altos (en grado m nimo 0.9) y bajos (en grado m nimo 0.5)". Tampoco consideran en su de nicion la
132
posibilidad de usar cuanti cadores difusos, ci~endose exclusivamente a los dos cuanti cadores n crisp: Existencial (9) y universal (8). Ademas, como en su modelo no incluyen los atributos de compatibilidad de GEFRED, en la de nicion de su Calculo Difuso, no incluyen un metodo formal para calcular los grados de cumplimiento para la condicion establecida. Esto ultimo nos parece una caracter stica fundamental de todo lenguaje de consulta difuso sobre bases de datos difusas o clasicas. En 97], Li y Liu hacen un estudio muy general del calculo relacional aplicado a bases de datos difusas. En las WFF del calculo difuso que proponen no incluyen ni siquiera el uso de los cuanti cadores existencial (9), universal (8) ni, por supuesto los cuanti cadores difusos. Ademas, no proveen de un metodo claro para calcular el grado de cumplimiento de la condicion para las tuplas seleccionadas y en la WFF establecen un umbral de cumplimiento general para toda la formula y no para cada atomo difuso. En los atomos de pertenencia utilizan funciones de pertenencia, de las que no se aporta ninguna de nicion, sobre todo para valores no extra dos de la relacion (del tipo que damos nosotros en la ecuacion 4.2).
4.7 Conclusiones y L neas Futuras sobre el Calculo Relacional Difuso

En este cap tulo hemos presentado un Calculo Relacional Difuso para aplicarlo a bases de datos difusas, que permite expresar condiciones difusas y cuanti cadores difusos. El Calculo Relacional Difuso es una extension del Calculo Relacional Clasico, por lo que tambien es posible usarlo en bases de datos clasicas o en relaciones sin atributos difusos. Ademas, hemos presentado la funcion que, como hemos visto, es un evaluador que devuelve el grado con el que un valor concreto x, de una tupla concreta (S; K ) satisface el predicado . Esta funcion nos va a permitir averiguar el grado con el que cada valor de cada tupla cumple la condicion impuesta en la consulta, es decir, nos devuelve los grados de compatibilidad de la relacion difusa generalizada resultante. El trabajo de la funcion es fundamental, ya que el Calculo Relacional esta basado en la logica de predicados de primer orden, por lo que los predicados solo pueden ser Verdaderos o Falsos. Esta dualidad la utilizamos, como en el modelo clasico, para ver si una tupla pertenece o no a la relacion resultante: Si los valores de la tupla hacen que el predicado sea Verdad, esa tupla pertenecera al resultado y aparecera en el. Por el contrario, si sus valores hacen que el predicado sea Falso, esa tupla no pertenecera al resultado y no sera considerada. Entonces, si una tupla cumple el predicado es porque cada uno de los valores de esa tupla han satisfecho las condiciones impuestas en ese predicado. Sin embargo, cada uno de esos valores ha satisfecho esas condiciones con un cierto grado en el intervalo 0,1], y el conocimiento de esos grados es vital en bases de datos difusas. El trabajo de la funcion es calcular esos grados. Es facil traducir una expresion en Calculo Relacional Difuso de Dominios a otra equivalente en un Calculo Relacional Difuso de Tuplas. Con esto conseguimos tener los dos niveles de lenguajes de consulta que dise~o Codd 42] n para bases de datos relacionales pero extendidos a bases de datos relacionales difusas: El Algebra Relacional Difuso (de nido en 102, 103, 72] y en el cap tulo anterior) y el Calculo Relacional Difuso aqu expuesto. Un trabajo interesante ser a elaborar un metodo e ciente para calcular la componente de valor del resultado de una expresion en Calculo Relacional Difuso, que podr a basarse en el \algoritmo de reduccion de Codd" 42].
Cap tulo 5
Arquitectura de la BDRD: El Servidor FSQL (Fuzzy SQL)

La arquitectura de la BDRD (Base de Datos Relacional Difusa) muestra los elementos basicos con los que esta construida y como se relacionan unos con otros. Esos elementos son de distinta naturaleza: Estructuras de datos (tablas, vistas...), gramaticas para la de nicion de DML (Data Manipulation Language) y DDL (Data De nition Language), programas (en distintos lenguajes), datos... El objetivo de esta arquitectura es, como ya se ha indicado, poder almacenar y tratar informacion imprecisa, difusa, y para ello necesitamos formalizar un metodo de hacerlo. Es decir, es absolutamente imprescindible de nir como se van a almacenar estos nuevos tipos de informacion y como es posible comunicarse con la BDRD para conseguir nuestro proposito. Este canal de comunicacion sera una v a para que los usuarios, sea directamente o a traves de aplicaciones espec cas puedan trabajar con la BDRD. Para la construccion de ese canal hemos preferido modi car un canal ya existente y ampliamente empleado: El Lenguaje de Consulta Estructurado SQL (Structured Query Language) 26, 37, 38, 52, 86]. As pues, hemos modi cado el lenguaje SQL para adaptarlo a las necesidades de una BDRD, de forma que permita expresar valores difusos, condiciones difusas, atributos difusos, grados de compatibilidad, umbrales de cumplimiento... naciendo as el que hemos denominado SQL Difuso, Fuzzy SQL o FSQL 75, 77, 78]. Para que el lenguaje FSQL cobrara vida hemos creado un Servidor FSQL multiusuario, implantado de acuerdo con el modelo Cliente/Servidor, para uno de los SGBD (Sistemas Gestores de Bases de Datos) mas potentes y difundidos en la actualidad: Oracle 92, 99, 116, 117]. El programa Cliente FSQL, que permite consultar esa BDRD de forma facil, comoda y exible usando el Servidor FSQL, sera explicado en el Cap tulo 6. Ademas del Servidor FSQL, hemos construido un programa Cliente FSQL, llamado FQ, para Windows 95/98/NT (ver apartado 6.3 y Apendice G). En este cap tulo explicaremos primero como hemos conseguido almacenar valores difusos partiendo de un SGDB clasico (Oracle), explicando como se ha implementado el modelo GEFRED de BDRD 102, 103]. Esta es la base de nuestro Sistema de BDRD. A continuacion daremos una de nicion de la sintaxis y la semantica del lenguaje FSQL (tanto de sentencias DML como DDL). Posteriormente de niremos la arquitectura de nuestro modelo Cliente/Servidor de BDRD y como se ha programado el Servidor de Consultas FSQL (version 1.2). Terminaremos el cap tulo con una lista de las mejoras mas importantes que pueden 133
134
CAPITULO 5. ARQUITECTURA DE LA BDRD: EL SERVIDOR FSQL
incorporarse tanto al lenguaje FSQL como a proximas versiones del Servidor FSQL.
5.1 Implementacion de la BDRD: FIRST

En 103] se expuso un modulo para permitir extender la capacidad de un SGBDR clasico para que pueda representar y manipular informacion \imprecisa". Este modulo, llamado FIRST 106] (Fuzzy Interface for Relational SysTems, Interface Difuso para Sistemas Relacionales), utiliza GEFRED como modelo teorico y los recursos del modelo relacional clasico para poder representar este tipo de informacion. Ademas, para poder efectuar las operaciones t picas sobre la BDRD (creacion de tablas, de etiquetas, consultas exibles...) hemos extendido el lenguaje SQL para que permita tratar los nuevos datos. Esta extension la hemos llamado FSQL (Fuzzy SQL) y sera explicada en la seccion 5.2. Nosotros hemos modi cado ligeramente FIRST para mejorarlo y adaptarlo a nuevas necesidades. El resultado es el siguiente: La Figura 5.1 muestra el esquema general de FIRST. Como la idea de partida es la de construirlo sobre un gestor de bases de datos convencional, todos los desarrollos a realizar toman a dicho gestor como el elemento principal al que van dirigidas todas las peticiones. En breve, explicamos cada uno de esos modulos: SGBDR (Sistema Gestor de Bases de Datos Relacionales, Relational DabaBase Management System, RDBMS): Todas las operaciones que hayamos concebido para la extension difusa que representa nuestra implementacion, se traduciran a peticiones al SGBDR an trion (en general en SQL). Las peticiones al SGBDR se realizaran empleando el lenguaje SQL o FSQL, dependiendo si la consulta involucra o no relaciones y/o condiciones difusas. Como veremos, las sentencias FSQL seran procesadas por el Servidor FSQL. BD (Base de Datos): Almacena, en formato relacional toda la informacion que sea de interes, igual que cualquier otra base de datos. La unica diferencia es que nuestra base de datos permitira el almacenamiento de informacion difusa en sus tablas. La forma en que se representan los datos en dichas tablas dependera de la naturaleza de los mismos y se vera en los proximos apartados. FMB (Fuzzy Metaknowledge Base, Base de Metaconocimiento Difuso): El \diccionario" o \catalogo del sistema" de un SGBDR representa aquella parte del sistema que almacena informacion sobre los datos recogidos en la base de datos, as como otro tipo de informaciones: Usuarios, permisos, accesos, datos de control... Dentro de este catalogo hemos incluido la FMB, que extiende esta parte del sistema a n de que pueda recoger aquella informacion necesaria relacionada con la naturaleza \imprecisa" de la nueva coleccion de datos a procesar. Su organizacion y la informacion que almacena se veran mas adelante. Servidor FSQL: Su objetivo es captar las sentencias en lenguaje FSQL y traducirlas a un lenguaje que entienda el SGBDR, el lenguaje SQL. Para efectuar esta traduccion utilizara la informacion almacenada en la FMB. Este Servidor esta ntegramente
5.1.1 Esquema General de FIRST
5.1. IMPLEMENTACION DE LA BDRD: FIRST
' $ ' & ' % $ & & % # "$ $ ! ' ' ' & % % & &
BD FMB Fuzzy Base de Datos
DIC Clasico
HHHH Y HH j HH
Catalogo del Sistema
$ % $ %
135
SGBDR
Sistema Gestor de Bases de Datos Relacionales Servidor FSQL FSQLF
6? 6?
Interfaz o
HHHH Y HH j HH
Cliente FSQL
Cliente Visual
FORM Difuso
Figura 5.1: Esquema General de FIRST.
programado en el lenguaje PL/SQL de Oracle y se encuentra implantado como una coleccion de modulos almacenados en el Servidor Oracle. Nuestro Servidor FSQL podra ser instalado en cualquier plataforma donde exista una implementacion de Oracle.
Cliente FSQL: Se trata de un programa que hace de interfaz entre el hombre (u otro programa) y el Servidor FSQL. Este programa puede ser muy simple, pues el trabajo principal de una operacion FSQL sera efectuado por el Servidor FSQL. El programa Cliente FSQL puede ser programado para cualquier Sistema Operativo y en cualquier lenguaje de programacion1 . En el Cap tulo 6 se explican las funciones de este programa y como puede programarse. Nosotros hemos desarrollado un Cliente FSQL para Windows 95/98/NT llamado FQ (ver apartado 6.3 y Apendice G). Por supuesto, es posible desarrollar Clientes FSQL visuales, que ayuden a editar sentencias difusas sin necesidad de conocer la sintaxis de FSQL ni la de SQL. Actualmente estamos desarrollando un
1 Los unicos requisitos de un lenguaje para poder programarse un Cliente FSQL en el son que permita efectuar consultas sobre la base de datos clasica y que permita ejecutar procedimientos almacenados en el SGBD
136

1
Figura 5.2: Formato de una distribucion de posibilidad trapezoidal. Cliente FSQL visual programado en lenguaje Java (apartado 6.4), para que pueda ser ejecutado a traves de una red TCP/IP (como Internet o una Intranet, por ejemplo).
5.1.2 Representacion del Conocimiento Impreciso

Los diferentes elementos que forman parte del tratamiento impreciso pueden recibir diferentes representaciones. As pues, por ejemplo, una distribucion de posibilidad normalizada puede venir representada por diferentes tipos de funciones (parabolas, hiperbolas...). Nosotros emplearemos para la misma una representacion trapezoidal del tipo del representado en la Figura 5.2. Lo mismo se puede decir para la forma en que modelamos las operaciones relacionales difusas, as como para el resto de los items u objetos \difusos" que nuestro sistema va a utilizar. Pudiera parecer que el criterio de representacion expuesto supone una fuerte restriccion, sin embargo, esto no es as dada la naturaleza \imprecisa" de la informacion con la que tratamos. No parece muy acertado modelar unos datos, que en s son imprecisos, con una representacion extremadamente precisa dada por funciones no lineales. A esto habr a que a~adir la perdida de e ciencia, pues los calculos en funciones no lineales son, en general, mas n costosos que en funciones lineales. En este apartado vamos a mostrar los criterios de representacion empleados en nuestra implementacion. Estos criterios no son exclusivos de una implementacion concreta, como FIRST y su Servidor FSQL, sino que representan la base sobre la que construir la implementacion de los mismos de acuerdo con el esquema dise~ado para la realizacion de un SGBDRD n (SGBDR Difusas). Podr amos decir, por tanto, que constituyen un paso intermedio a cubrir entre la formulacion de un modelo de Bases de Datos Relacionales Difusas y la implementacion efectiva de un sistema basado en el. En 104] se encuentran algunos de los aspectos relacionados con la representacion e implementacion de un SBDRD. A continuacion resumimos los criterios adoptados para la representacion del conocimiento impreciso 103]: Datos difusos, comparadores difusos, umbrales de cumplimiento y cuanti cadores de la consulta.
5.1.2.1 Representacion de los Datos Difusos y/o con Tratamiento Difuso

Para los diferentes tipos de datos que constitu an la de nicion de dominio difuso generalizado, recogidos en la Tabla 2.4, acordamos los siguientes criterios de representacion:

1
137
Alto
0 170 175 180 185 190 195 200 205 210 cm.
Figura 5.3: Ejemplo de una Etiqueta Lingu stica para el concepto \Alto". 1. Datos Precisos (crisp, clasicos): Se empleara la representacion que proporcione el SGBDR an trion. Es decir, se adoptaran los formatos para cadenas alfanumericas, valores numericos, fechas, horas... e incluso objetos, soportados por el sistema sobre el que se construya FIRST. 2. Datos Imprecisos (fuzzy, difusos): Los datos de naturaleza imprecisa soportados por GEFRED pueden ser clasi cados en dos grupos con distintas representaciones para cada uno de ellos: Sobre referencial ordenado y sobre referencial discreto no ordenado. Por \referencial" se entiende el dominio subyacente del atributo en cuestion. As , por ejemplo, un atributo Altura puede ser considerado difuso para almacenar valores como \Alto" (ver Figura 5.3), \Bajo"... pero el dominio subyacente sobre el que se construyen las distribuciones de posibilidad es ordenado y corresponde a los cent metros de altura posibles.
DATOS IMPRECISOS SOBRE REFERENCIAL ORDENADO Este grupo de datos contiene distribuciones de posibilidad sobre dominios continuos o discretos sobre los que existe una relacion de orden. A este grupo pertenecen el tipo 6 de la Tabla 2.4. Cada dato de este tipo tiene asociada una funcion de pertenencia. Por cuestiones de simplicidad de representacion y de e ciencia en el calculo, adoptaremos las siguientes representaciones para este tipo de datos: Distribucion de Posibilidad Trapezoidal : Esta representacion determina la funcion de pertenencia asociada al dato mediante el uso de cuatro parametros ; ; ; ], tal y como se muestra en la Figura 5.2. Utilizamos funciones de pertenencia normalizadas, aquellas que poseen un nucleo no vac o, i.e., tienen posibilidad maxima (1) para, al menos, un valor del dominio subyacente. Etiqueta Lingu stica : Los datos expresados mediante una etiqueta lingu stica hacen referencia a un concepto impreciso, a veces subjetivo, que lleva asociado una distribucion de posibilidad. Por ejemplo, la etiqueta lingu stica \Alto", puede llevar asociada la distribucion de posibilidad en representacion trapezoidal que muestra la Figura 5.3. Valores Aproximados : Dado un valor, n, perteneciente al dominio subyacente, podemos dar una representacion del concepto impreciso \aproximadamente n" mediante un valor, llamado \margen", a partir del cual podemos construir su funcion de pertenencia como una distribucion de posibilidad triangular,
138

1
n-margen =
= n =
= n+margen
Figura 5.4: Distribucion de posibilidad para \Aproximadamente n" (#n).

1
= = n
= = m
Figura 5.5: Distribucion de posibilidad para el intervalo n,m]. como la de la Figura 5.4. Nuevamente empleamos funciones de pertenencia normalizadas. Intervalos de posibilidad : Son un caso de distribuciones de posibilidad trapezoidales en el que las pendientes de ambos lados del trapecio son in nitas y por tanto todos los valores entre los dos extremos son los unicos que son totalmente posibles (posibilidad 1), como se muestra en la Figura 5.5. Se opera con ellos de forma similar a como se hace con la distribuciones de posibilidad trapezoidales. Estos valores tienen el mismo signi cado que en el modelo de Grant 85] (ver apartado 2.1.3). DATOS CON ANALOGIA SOBRE REFERENCIAL NO ORDENADO Este grupo de datos esta construido sobre dominios subyacentes discretos no ordenados en los que se encuentran de nidas \relaciones de semejanza" o similitud entre los valores que lo constituyen. Para este tipo de datos tendremos que proporcionar almacenamiento para la representacion de los mismos, as como para las \relaciones de semejanza" de nidas sobre los valores del dominio. Los diferentes tipos que podemos representar dentro de este grupo son: Escalares Simples : Se considera como una distribucion de posibilidad con una unica pareja de datos en la que el valor de posibilidad es 1: f(1; d)g. O sea, se considera que el valor del escalar d es el unico posible y su posibilidad es 1 (para que este normalizada2).
sistema de representacion empleado permite que no se normalicen ni los escalares simples ni las distribuciones de posibilidad sobre estos, aunque esto no es recomendable.
2 El

Unknown
1 1
139
Undefined
Figura 5.6: Distribuciones de posibilidad para los tipos UNKNOWN y UNDEFINED.

Distribucion de Posibilidad sobre Escalares : A un dato impreciso de este tipo le asociamos una representacion en la que se describen los valores del dominio de discurso que la componen con los respectivos valores de posibilidad para cada uno de ellos, f(p1 ; d1 ); : : : ; (pn ; dn )g. Uno de los pi debe ser 1 para que la distribucion este normalizada.
Por otra parte, existen otros 3 valores especiales que pueden almacenarse en cualquiera de los tipos de datos \imprecisos" que acabamos de describir. Estos 3 valores son tomados en el sentido de Umano, Fukami et al. de 70] y 143]: conocimiento con respecto al valor que toma un atributo. Sabemos, sin embargo, que el atributo puede tomar algun valor del dominio de discurso. Esto implica que es posible que tome cualquiera de ellos, por tanto representaremos el tipo UNKNOWN mediante la distribucion de posibilidad, f1=u; 8u 2 U g donde U es el dominio subyacente. La Figura 5.6 muestra gra camente esta distribucion de posibilidad, la cual toma el valor 1 para todo el dominio subyacente. UNDEFINED (No aplicable): Cuando un atributo toma el valor UNDEFINED re eja el hecho de que ninguno de los valores de dominio sobre el que esta de nido es aplicable. Esto se puede entender como que ninguno de los valores de dominio es posible, por lo que lo representaremos mediante la distribucion de posibilidad, f0=u; 8u 2 U g donde U es el dominio subyacente. La distribucion de posibilidad se muestra en la Figura 5.6, la cual toma el valor 0 para todo el dominio subyacente. NULL (Ignorancia absoluta): Sobre un atributo tenemos un valor NULL cuando no aportamos informacion, bien porque no la conocemos (UNKNOWN) o porque no es aplicable (UNDEFINED). Mediante el conjunto f1/UNKNOWN, 1/UNDEFINEDg podemos modelar este tipo de dato.
UNKNOWN (Desconocido, pero aplicable): Un dato de este tipo re eja el des-
5.1.2.2 Comparadores Difusos Generalizados

En la literatura pueden encontrarse diversos metodos de comparacion de numeros difusos, los cuales pueden clasi carse en dos categor as: los que emplean una funcion del conjunto de numeros difusos a un conjunto ordenado y los que utilizan relaciones difusas para el proceso de comparacion. Al primer tipo pertenecen las propuestas recogidas en 1, 155, 157]. Sobre el segundo tipo se encuentran diferentes aproximaciones en 9, 13, 53, 58]. Nosotros basaremos
140
la implementacion que estamos describiendo en comparadores construidos en torno al segundo tipo. Concretamente, partiremos del esquema formulado en 127], si bien su representacion ha sido simpli cada y adaptada a las peculiaridades tanto de GEFRED como de FIRST. Como vimos en el apartado dedicado a GEFRED, la de nicion de comparador difuso generalizado permit a modelar una amplia variedad de modalidades de comparacion. FIRST no pone l mite con respecto al numero y tipo de los comparadores que pueden emplearse. Como veremos, en la implementacion del modelo de BDRD que aqu presentamos se han implementado 15 comparadores diferentes. De ellos, 14 son para datos sobre referencial ordenado y se muestran en la Tabla 5.12 y se de nen en el apartado 5.2.1.4. Ademas, en el apartado 5.2.1.7 se de ne 1 comparador para los datos sobre referencial no ordenado.
5.1.2.3 Umbral de Cumplimiento de una Condicion Difusa: Cuali cadores

Cuando planteamos una consulta en una base de datos con imprecision se establecen una serie de condiciones a cumplir por las tuplas que la satisfagan. Dada la naturaleza imprecisa de los operadores y de los datos sobre los que operamos, existe un grado de cumplimiento para cada condicion involucrada en una consulta. Este grado de cumplimiento se halla comprendido entre 0 y 1. Mediante el empleo de un umbral m nimo, entre 0 y 1, para el grado de cumplimiento podemos ejercer algun control sobre la precision con que se satisfacen cada una de las condiciones de la consulta. Si establecemos un umbral de cumplimiento 1 para una condicion envuelta en una consulta, eliminaremos aquellas tuplas que no igualen o superen el umbral para esa condicion. En nuestro modelo es posible asociar un cuali cador lingu stico (una palabra) a un umbral determinado, de forma que puedan efectuarse consultas poniendo como umbral dicho cuali cador, haciendo que las consultas contengan mas signi cado.
5.1.2.4 Representacion de Cuanti cadores Difusos de la Consulta

Como se vio en el apartado 2.9.2, los cuanti cadores difusos absolutos se representan como distribuciones de posibilidad trapezoidales en el intervalo 0; +1) y los relativos como distribuciones de posibilidad trapezoidales en el intervalo 0; 1]. En la FMB se almacenaran los valores de un trapecio en esos rangos, como por ejemplo los cuanti cadores difusos relativos de la Figura 5.9.
5.1.3 Implementacion de FIRST en Oracle

A continuacion vamos a describir en l neas generales, cuales son los niveles sobre los que podemos actuar para llevar a cabo la implementacion de los principales modulos de FIRST empleando los recursos antes mencionados: A nivel de la Base de Datos. La base de datos es aquella coleccion de datos persistentes que constituyen la representacion de una fraccion de conocimiento del universo. Como nuestro sistema contempla la representacion de conocimiento impreciso, debemos determinar la forma en que este se almacena en la base de datos. Por tanto, habra que extender la representacion de los datos para albergar este tipo de informacion. En realidad, como veremos, este \tipo" de informacion imprecisa puede ser, de hecho, de muchos \tipos" diferentes.
141
A nivel del Catalogo del Sistema. En un SGBDR clasico existe una parte del sistema en la que se recoge toda aquella informacion que el gestor necesita saber acerca de los datos que almacena ,\datos sobre los datos" (denominados a veces \metadatos"). Esta parte representa habitualmente dicha informacion mediante el empleo de tablas o relaciones organizadas siguiendo un esquema similar al empleado por la propia base de datos. FIRST necesita tener informacion sobre los elementos de la base de datos que contienen informacion imprecisa as como de la naturaleza y representacion de dicha informacion. Denominaremos Base de Metaconocimiento Difuso (FMB), a aquella extension del Catalogo del Sistema que recoge la informacion necesaria sobre los datos de naturaleza imprecisa existentes en la base de datos. La FMB sera explicada en el apartado 5.1.3.2 y siguientes. A nivel del Gestor de FIRST. El gestor posee conocimiento implementado sobre las operaciones de naturaleza imprecisa que puede realizar y de como hacerlo. El Servidor FSQL es la parte del sistema que contiene las rutinas que se encargan de implementar esas operaciones. A continuacion exponemos el sistema utilizado para la representacion del conocimiento impreciso y para el almacenamiento de la FMB. El Servidor FSQL sera explicado en detalle en el apartado 5.4.
5.1.3.1 Representacion del Conocimiento Impreciso en la Base de Datos Oracle

En el sistema que se esta describiendo existen tres tipos de atributos susceptibles de tratamiento impreciso. La clasi cacion adoptada se basa en criterios de representacion y de tratamiento de los datos \imprecisos": Se clasi can segun el tipo del dominio que les subyace y por si permiten el almacenamiento de informacion imprecisa o solo permiten el tratamiento impreciso de datos sin imprecision: 1. Atributos Difusos Tipo 1: Son atributos con \datos precisos", clasicos o crisp, que pueden tener etiquetas lingu sticas de nidas sobre ellos. Este tipo de atributos reciben una representacion igual que los datos precisos. Sin embargo, cuentan con informacion en la FMB, donde se almacenaran las etiquetas, tambien recogera informacion acerca de la naturaleza de estos atributos. Por tanto, son atributos clasicos que admiten el tratamiento difuso y por tanto podremos efectuar consultas difusas ( exibles) sobre ellos, aunque no permitan almacenar valores difusos. Este tipo de atributos son los que permitiran que bases de datos relacionales clasicas puedan bene ciarse de nuestro trabajo, permitiendo el tratamiento difuso de datos no difusos, mediante el empleo de consultas exibles sobre una base de datos tradicional. Como veremos, esto puede ser utilizado para, por ejemplo, operaciones de Data Mining. 2. Atributos Difusos Tipo 2: Son atributos que pueden recoger \datos imprecisos sobre referencial ordenado". Estos atributos recogen el tipo de datos cuya representacion ha sido descrita en el apartado 5.1.2.1. Permiten tambien la representacion de informacion incompleta en forma de datos de tipo UNKNOWN, UNDEFINED y NULL. Logicamente, tambien admiten \informacion precisa".
142
Tipos de Valores
Para un atributo Difuso Tipo 2 llamado F, la representacion usa 5 atributos: FT para almacenar el codigo de tipo que le corresponde a cada valor y los atributos F1, F2, F3 y F4 para almacenar los parametros de cada dato. Los valores NULL que aparecen en los atributos tienen el signi cado de valor \no-aplicable" en el SGBDR an trion.
UNKNOWN UNDEFINED NULL CRISP LABEL INTERVALO n,m] APROXIMADAMENTE(d) TRAPECIO ; ; ; ]
Atributos de la BD para cada Tipo 2 FT F1 F2 F3 F4 0 NULL NULL NULL NULL 1 NULL NULL NULL NULL 2 NULL NULL NULL NULL 3 d NULL NULL NULL 4 FUZZY ID NULL NULL NULL 5 n NULL NULL m 6 d d{margen d+margen margen 7
Tabla 5.1: Representacion interna de Atributos Difusos Tipo 2. En la Tabla 5.1 mostramos el sistema utilizado para representar a los atributos difusos Tipo 2. As , vemos que un atributo difuso Tipo 2, llamado por ejemplo F, esta compuesto, de hecho, por 5 atributos clasicos:
FT: Almacena el tipo de valor que corresponde al dato que queremos almacenar, indicando su representacion. Segun lo visto, puede ser: UNKNOWN (0), UNDEFINED (1), NULL (2), CRISP (3), LABEL (4), INTERVALO (5), APROXIMADAMENTE (6) o TRAPEZOIDAL (7). Observe que a~adimos una T al n nombre del atributo. F1, F2, F3 y F4: Los atributos cuyo nombre se forma a~adiendo los numeros 1, n 2, 3 y 4 al nombre del atributo almacenan la descripcion de los parametros que de nen el dato y que depende del tipo de valor (FT) al que pertenezca: { UNKNOWN, UNDEFINED, NULL: Estos 3 valores no necesitan ningun parametro, por lo que todos ellos permanecen a NULL (entendiendo este valor como el NULL del SGBD an trion y no como el NULL del valor difuso, que no deben confundirse). { CRISP: Un valor de tipo crisp, necesita tan solo un parametro, F1, en el cual se almacenara el valor crisp en cuestion. { LABEL: Igualmente, un valor de tipo etiqueta solo necesita un parametro para almacenar el identi cador asociado a dicha etiqueta (FUZZY ID). Ese indicador es util para poder acceder a la FMB y obtener la descripcion asociada a esta etiqueta. { INTERVALO: Necesita los dos valores extremos del intervalo n,m], que son almacenados en F1 y F4 respectivamente. { APROXIMADAMENTE: Este valor solo necesita un valor que se almacena en F1 y que es el valor central de la distribucion de posibilidad triangular, d. Sin embargo, para reducir operaciones (tanto matematicas como de acceso a datos), se aprovechan los atributos F2, F3 y F4 para almacenar los valores d{margen, d+margen y margen, respectivamente. El valor margen es un valor
143
almacenado en la FMB para cada atributo difuso, y su valor depende del signi cado de dicho atributo. Esto nos permite la posibilidad de almacenar valores aproximados sin indicar el margen, usando el margen por defecto almacenado en la FMB, o tambien almacenar valores aproximados con un margen particular para ellos, distinto al de la FMB. { TRAPECIO: Necesita forzosamente almacenar los 4 valores que identi can a un trapecio: ; ; ; ]. En F2 y F3 se almacenan unas operaciones que simpli can las ecuaciones cuando se opera con este tipo de dato. En esta representacion se ha primado los aspectos siguientes: Velocidad de ejecucion frente a econom a de almacenamiento. Para alguno de los tipos que puede recoger este atributo, se podr a emplear una representacion mas compacta, sin embargo, esto ralentizar a la mayor a de las operaciones implicadas en una consulta3 . Uniformidad en la representacion. Empleamos cinco atributos clasicos para representar cada atributo difuso de este tipo. Uso de los elementos del SGBDR an trion para representar la informacion respetando en dicha representacion el esquema relacional. Este criterio, unido a otros adoptados a lo largo de esta exposicion, posibilitara el reducir cualquier operacion de naturaleza imprecisa a terminos del modelo relacional clasico. 3. Atributos Difusos Tipo 3: Son atributos sobre \dominio discreto no ordenado con analog a". Estos atributos recogen datos escalares simples (SIMPLE) o distribuciones de posibilidad (DISTR. POS.) sobre dominios escalares, representados en la forma que se describe en el apartado 5.1.2. Tambien aceptan datos de tipo UNKNOWN, UNDEFINED y NULL. Igual que en atributos difusos Tipo 2, para atributos de este tipo tendremos que almacenar en la base de datos el tipo del valor almacenado y los datos de este valor. La FMB (Base de Metaconocimiento Difuso) contabilizara cada atributo de este tipo que aparezca en la base de datos. Tambien almacenara las \relaciones de semejanza" de nidas sobre el dominio subyacente. En la Tabla 5.2 mostramos el sistema utilizado para representar a los atributos difusos Tipo 3. As , vemos que un atributo difuso Tipo 3, llamado por ejemplo F, esta compuesto, de hecho, por un numero variable de atributos clasicos: FT: El tipo de valor que corresponde al dato que queremos almacenar. Este puede ser: UNKNOWN (0), UNDEFINED (1), NULL (2), SIMPLE (3) o DISTRIBUCION de POSIBILIDAD (4). Lista de n parejas, con n 1, del tipo (valor de posibilidad,etiqueta ), (FP1,F1), : : : (FPn,Fn): En estos atributos se almacenan los datos de la distribucion de posibilidad que deseamos almacenar. En un valor de tipo SIMPLE solo se usa la primera pareja y el valor de posibilidad deber a ser 1 (para estar normalizada).
realidad bastar a con los atributos FT y F1, almacenando los valores de cada valor trapecio en una tabla independiente, asociada a cada tabla que contenga atributos difusos Tipo 2.
3 En
144
Tipos de Valores
El valor n es el maximo numero de pares (grado posibilidad, valor) que puede representar el atributo instanciado. Este valor, que tiene que ser establecido en el momento en que se declara el atributo, acota la capacidad de ese atributo para representar distribuciones de posibilidad y esta almacenado en la FMB.
UNKNOWN UNDEFINED NULL SIMPLE DISTR. POS.
Atributos de la BD para cada Tipo 3 FT FP1 F1 : : : FPn Fn 0 NULL NULL : : : NULL NULL 1 NULL NULL : : : NULL NULL 2 NULL NULL : : : NULL NULL 3 p d : : : NULL NULL 4 p1 d1 : : : pn dn
Tabla 5.2: Representacion interna de Atributos Difusos Tipo 3. En un valor de tipo DISTR. POS. se podran almacenar hasta n parejas, donde en cada una de ellas el valor de posibilidad estara en el intervalo 0,1]. Se pueden usar menos de n parejas dejando el resto de campos a NULL. En la FMB se almacenan las etiquetas, su relacion de semejanza y el valor de n.
5.1.3.2 FMB (Fuzzy Metaknowledge Base, Base de Metaconocimiento Difuso): De nicion de Tablas
Como hemos visto en el apartado anterior, existe cierto tipo de informacion sobre los atributos descritos, que precisa ser almacenada de una forma accesible por el sistema. La Base de Metaconocimiento Difuso, FMB, va a ser la encargada de organizar toda aquella informacion relacionada con la naturaleza imprecisa de estos atributos. En FIRST se contempla la Base de Metaconocimiento Difuso como una extension del Catalogo del sistema, por ello, organiza la informacion mediante el uso de tablas o relaciones. Los elementos del tratamiento impreciso que se almacenan en la Base de Metaconocimiento son los siguientes: Atributos de la base de datos que reciben tratamiento impreciso. Clase de informacion imprecisa que recogen: De que Tipo difuso son estos atributos (Tipo 1, 2 o 3) y la longitud maxima de las distribuciones de posibilidad para los atributos Tipo 3. Objetos de nidos en el ambito de la base de datos, como por ejemplo cuanti cadores difusos de consulta. Objetos difusos de nidos sobre cada atributo: { Etiquetas lingu sticas (para atributos difusos Tipo 1, 2 y 3). { El margen para valores aproximados y la distancia m nima para que 2 valores sean considerados como muy separados (para atributos difusos Tipo 1 y 2). { Relaciones de semejanza (para atributos difusos 3). La descripcion de esos objetos.

Tabla/Vista Sinonimo T. FUZZY COL LIST FCL T. FUZZY OBJECT LIST FOL T. FUZZY LABEL DEF FLD T. FUZZY APPROX MUCH FAM T. FUZZY NEARNESS DEF FND T. FUZZY COMPATIBLE COL FCC T. FUZZY QUALIFIERS DEF FQD V. LABELS FOR OBJCOL LFOC V. LABELS OBJCOL T3 LOCT3 V. ALL COMPATIBLES T3 ACT3 Tabla 5.3: Tablas y vistas de FIRST y sus sinonimos publicos.
145
A continuacion detallamos como FIRST implementa la FMB, que es el nucleo basico de FIRST. La organizacion de las tablas que la constituyen y la relacion entre ellas se muestran en la Figura 5.7. Tambien se han creado unas vistas que facilitan el acceso a determinados conjuntos de datos, como se vera en el apartado 5.1.3.4. En Oracle cada atributo es asignado un vocamente a una pareja de datos (OBJ#,COL#), donde OBJ# es el identi cador de una tabla y COL# es el identi cador de la columna o atributo concreto dentro de esa tabla. Nosotros en lo sucesivo nos referiremos a OBJ# como el identi cador de una tabla, aunque este tambien puede ser el identi cador de una vista. As , si tenemos una o varias tablas difusas, podremos de nir una vista difusa sobre ellas. Para cada tabla/vista de la FMB se ha creado un sinonimo publico con las siglas de la tabla, de forma que se facilita el acceso, ya que los nombres de estas tablas son largos de escribir. En la Tabla 5.3 se expone el conjunto de tablas y vistas de la FMB y el nombre del sinonimo publico creado para cada una. Ademas, los permisos de acceso para cada tabla han sido concedidos sobre estos sinonimos. Procedemos a describir como se crea cada tabla, su estructura, su signi cado y el de cada uno de sus atributos. Tabla FUZZY COL LIST Esta tabla contiene una descripcion de aquellos atributos de la base de datos que son susceptibles de tratamiento difuso. Esta descripcion se realiza en terminos analogos a los empleados por Oracle. La tabla se crea con la siguiente sentencia:
CREATE TABLE FUZZY_COL_LIST( OBJ# NUMBER NOT NULL, COL# NUMBER NOT NULL, F_TYPE NUMBER(1) NOT NULL, LEN NUMBER(2) NOT NULL, COM VARCHAR2(100), PRIMARY KEY (OBJ#,COL#), CONSTRAINT LEN_TOO_LONG_IN_FUZZY_COL_LIST CHECK (LEN>=1 AND LEN<=10),
146

FUZZY_COL_LIST (FCL)
OBJ# COL# F_TYPE LEN COM
FUZZY_APPROX_MUCH (FAM)
OBJ# COL# MARGEN MUCH
OBJ#1
COL#1
OBJ#2
COL#2
FUZZY_COMPATIBLE_COL (FCC) FUZZY_OBJECT_LIST (FOL)

OBJ# COL# FUZZY_ID FUZZY_NAME FUZZY_TYPE
FUZZY_LABEL_DEF (FLD)
OBJ# COL# FUZZY_ID ALFA BETA GAMMA DELTA
FUZZY_NEARNESS_DEF (FND)
OBJ# COL# FUZZY_ID1 FUZZY_ID2 DEGREE
FUZZY_QUALIFIERS_DEF (FQD)
OBJ# COL# FUZZY_ID QUALIFIER
Figura 5.7: Esquema de la Base de Metaconocimiento Difuso (FMB).

CONSTRAINT FUZZY_TYPE_MUST_BE_1_2_o_3 CHECK (F_TYPE=1 OR F_TYPE=2 OR F_TYPE=3));
147
Los atributos de esta tabla tienen el siguiente signi cado cada uno: Almacena el numero de objeto de la tabla (o vista) que tiene un atributo difuso. COL#: Almacena el numero de columna dentro de la tabla que admitira un tratamiento difuso. - F TYPE: Almacena el Tipo de atributo difuso de la columna identi cada por (OBJ#,COL#). Este Tipo puede tomar el valor 1, 2 o 3, y ello es comprobado por la restriccion
FUZZY TYPE MUST BE 1 2 o 3 LEN: OBJ#:
Almacena la longitud (length ) maxima de una distribucion de posibilidad en atributos Tipo 3, i.e., el numero maximo de parejas (valor de posibilidad,etiqueta ) que admite una distribucion de posibilidad en este atributo. Por necesidades del Servidor FSQL suponemos que no hay mas de 10 datos y 1 como m nimo (restriccion LEN TOO LONG IN FUZZY COL LIST). - COM: Almacena un comentario opcional sobre el atributo. En general es util para poner, por ejemplo, el nombre de la tabla y el atributo, de forma que sea facil descubrir que Tipo difuso tiene un atributo particular, sin tener que saber su pareja de numeros (OBJ#,COL#). El tratamiento de un atributo depende fundamentalmente del campo F TYPE y segun el valor de este es distinto lo que almacenaremos en la FMB, como veremos mas adelante. Tabla FUZZY OBJECT LIST Esta tabla contiene una lista de los objetos de tipo difuso que hay de nidos en las columnas de la base de datos. Ademas, re eja una clasi cacion de estos objetos mediante el campo FUZZY TYPE.
CREATE TABLE FUZZY_OBJECT_LIST( OBJ# NUMBER NOT NULL, COL# NUMBER NOT NULL, FUZZY_ID NUMBER(3) NOT NULL, -- No mas de 1000 objetos por cada atributo FUZZY_NAME VARCHAR2(30) NOT NULL, FUZZY_TYPE NUMBER(1) NOT NULL, PRIMARY KEY (OBJ#,COL#,FUZZY_ID), CONSTRAINT FK_OBJ#_COL#_FOL FOREIGN KEY (OBJ#,COL#) REFERENCES FUZZY_COL_LIST (OBJ#,COL#) ON DELETE CASCADE, CONSTRAINT NO_SPACES_IN_FUZZY_NAME CHECK (FUZZY_NAME NOT LIKE '% %'));
Los atributos de esta tabla tienen el siguiente signi cado: - (OBJ#,COL#): Almacena el identi cador del atributo al que pertenece el objeto. Es una llave externa a la anterior tabla (restriccion FK OBJ# COL# FOL).
148 -

FUZZY ID: Identi cador del y FUZZY NEARNESS DEF. FUZZY NAME: FUZZY TYPE:
objeto difuso. Llave externa a las tablas FUZZY LABEL DEF
Nombre del objeto sin espacios (restriccion NO SPACES IN FUZZY NAME). Tipo del objeto. Puede ser uno de los siguientes
0 para etiquetas lingu sticas de tipo trapezoidal de nida en la tabla FUZZY LABEL DEF. 1 para escalares sujetos a tratamiento mediante una relacion de semejanza de nida
en FUZZY NEARNESS DEF. 2 para cuali cadores de nidos sobre el ndice de cumplimiento en la consulta (umbral) y almacenados en la tabla FUZZY QUALIFIERS DEF. 3 para etiquetas lingu sticas de nidas sobre cuanti cadores relativos y almacenadas en la tabla FUZZY LABEL DEF con ALFA, BETA, GAMMA, DELTA 2 0; 1] (ver apartado 2.9.2). 4 para etiquetas lingu sticas de nidas sobre cuanti cadores absolutos y almacenadas en la tabla FUZZY LABEL DEF con ALFA, BETA, GAMMA, DELTA 0 (ver apartado 2.9.2). Tabla FUZZY LABEL DEF Esta tabla contiene los puntos que determinan la distribucion de posibilidad trapezoidal correspondientes a los tipos de objetos 0, 3 y 4 del atributo FUZZY TYPE de la tabla FUZZY OBJECT LIST. El signi cado de esa distribucion depende, naturalmente, de ese tipo.
CREATE TABLE FUZZY_LABEL_DEF( OBJ# NUMBER NOT NULL, COL# NUMBER NOT NULL, FUZZY_ID NUMBER(3) NOT NULL, -- FUZZY_OBJECT_LIST.FUZZY_ID%TYPE ALFA NUMBER NOT NULL, BETA NUMBER NOT NULL, GAMMA NUMBER NOT NULL, DELTA NUMBER NOT NULL, PRIMARY KEY (OBJ#,COL#,FUZZY_ID), CONSTRAINT FK_OBJ#_COL#_FUZZY_ID_FLD FOREIGN KEY (OBJ#,COL#,FUZZY_ID) REFERENCES FUZZY_OBJECT_LIST (OBJ#,COL#,FUZZY_ID) ON DELETE CASCADE, CONSTRAINT MUST_BE_ORDERED CHECK (ALFA<=BETA AND BETA<=GAMMA AND GAMMA<=DELTA));
Los campos de esta tabla tienen el siguiente signi cado: - (OBJ#,COL#,FUZZY ID): Estos 3 campos son la llave primaria de esta tabla y llave externa a la tabla FUZZY OBJECT LIST (restriccion FK OBJ# COL# FUZZY ID FLD). ALFA, BETA, GAMMA
y DELTA: De nen una distribucion de posibilidad trapezoidal del tipo de la Figura 5.2 (pagina 136):

= = = =
149 (5.1) (5.2) (5.3) (5.4)
inf fx inf fx supfx supfx
: : : :
x 2 support(label)g x 2 kernel(label)g x 2 kernel(label)g x 2 support(label)g
donde support es el conjunto soporte de la etiqueta label (conjunto de valores que son distintos de cero) y kernel es el nucleo de la etiqueta label (conjunto de valores que tienen su grado de posibilidad igual a 1). Estos 4 campos tienen la obligacion de cumplir la condicion que le impone la restriccion MUST BE ORDERED:
Tabla FUZZY APPROX MUCH Esta tabla almacena datos que son utilizados cuando se trabaja con atributos difusos Tipos 1 o 2.
CREATE TABLE FUZZY_APPROX_MUCH( OBJ# NUMBER NOT NULL, COL# NUMBER NOT NULL, MARGEN NUMBER NOT NULL, MUCH NUMBER NOT NULL, PRIMARY KEY (OBJ#,COL#), CONSTRAINT FK_OBJ#_COL#_FAM FOREIGN KEY (OBJ#,COL#) REFERENCES FUZZY_COL_LIST (OBJ#,COL#) ON DELETE CASCADE, CONSTRAINT MARGEN_LESS_THAN_MUCH_IN_FAM CHECK (MARGEN<MUCH));
Sus campos tienen el siguiente signi cado: - (OBJ#,COL#): Almacena el identi cador del atributo al que pertenece el objeto. Es la llave primaria de la tabla y llave externa a la tabla FUZZY COL LIST (restriccion FK OBJ# COL# FAM). - MARGEN: Es el margen utilizado en las etiquetas triangulares de valores \aproximados". Estas funciones de pertenencia son de tipo triangular, con valor de pertenencia 1 para el valor sobre el que se considera la aproximacion y estan caracterizadas por este valor que ha de ser aportado en la consulta y por la anchura de lo que podr amos considerar la base del triangulo. Ver Figura 5.4 (pagina 138). - MUCH: Es el valor que indica la distancia m nima para que 2 valores de este atributo sean considerados como muy separados. Es utilizado, como se explica mas adelante, en los comparadores difusos MGT, NMGT, MLT y NMLT.
150
En esta tabla la restriccion MARGEN LESS THAN MUCH IN FAM obliga a que el valor de MARGEN sea menor que el de MUCH, cosa que es razonable y que evita posibles equivocaciones si se introducen los datos en un orden erroneo. Tabla FUZZY NEARNESS DEF Esta tabla representa las medidas de proximidad, semejanza o similitud entre los diferentes valores de dominio permitidos sobre los campos de Tipo 3.
CREATE TABLE FUZZY_NEARNESS_DEF( OBJ# NUMBER NOT NULL, COL# NUMBER NOT NULL, FUZZY_ID1 NUMBER(3) NOT NULL, -- FUZZY_OBJECT_LIST.FUZZY_ID%TYPE FUZZY_ID2 NUMBER(3) NOT NULL, -- FUZZY_OBJECT_LIST.FUZZY_ID%TYPE DEGREE NUMBER (3,2) NOT NULL, PRIMARY KEY (OBJ#,COL#,FUZZY_ID1,FUZZY_ID2), CONSTRAINT FK_OBJ#_COL#_FUZZY_ID1_FND FOREIGN KEY (OBJ#,COL#,FUZZY_ID1) REFERENCES FUZZY_OBJECT_LIST (OBJ#,COL#,FUZZY_ID) ON DELETE CASCADE, CONSTRAINT FK_OBJ#_COL#_FUZZY_ID2_FND FOREIGN KEY (OBJ#,COL#,FUZZY_ID2) REFERENCES FUZZY_OBJECT_LIST (OBJ#,COL#,FUZZY_ID) ON DELETE CASCADE, CONSTRAINT FUZZY_ID1_IGUAL_QUE_FUZZY_ID2 CHECK (FUZZY_ID1<>FUZZY_ID2), CONSTRAINT FUZZY_ID1_MAYOR_QUE_FUZZY_ID2 CHECK (FUZZY_ID1<FUZZY_ID2), CONSTRAINT DEGREE_MUST_BE_IN_0_1_INTERVAL CHECK (DEGREE>=0 AND DEGREE<=1));
Sus campos tienen la siguiente lectura: - (OBJ#,COL#): Almacena el identi cador del atributo Tipo 3 que posee la funcion de semejanza que aqu se almacena. - FUZZY ID1: Identi cador de un objeto etiqueta. Los atributos (OBJ#,COL#,FUZZY ID1) forman una llave externa que debe existir en la tabla FUZZY OBJECT LIST (restriccion FK OBJ# COL# FUZZY ID1 FND) y en esta tabla su campo FUZZY TYPE correspondiente debe tener el valor 1. - FUZZY ID2: Identi cador de otro objeto etiqueta. Los atributos (OBJ#,COL#,FUZZY ID2) forman una llave externa que debe existir en la tabla FUZZY OBJECT LIST (restriccion FK OBJ# COL# FUZZY ID2 FND) y en esta tabla su campo FUZZY TYPE correspondiente debe tener el valor 1. - DEGREE: Grado de similitud o semejanza entre las etiquetas indicadas por los 2 atributos anteriores (FUZZY ID1 y FUZZY ID2). Este valor estara comprendido en el intervalo 0,1] (restriccion DEGREE MUST BE IN 0 1 INTERVAL) y se admite un maximo de 2 numeros decimales. En datos difusos una mayor precision no es, de hecho, importante. Como suponemos que la relacion de semejanza cumple la propiedad re exiva, no se almacenara una comparacion para un par de etiquetas iguales, por lo que los identi cadores de las
151
etiquetas deben ser distintos (restriccion FUZZY ID1 IGUAL QUE FUZZY ID2). Se supone que una etiqueta es \similar" a ella misma en grado 1. Ademas, la relacion de semejanza cumple la propiedad simetrica, por lo que solo se almacenara un grado de similitud por cada pareja de etiquetas distintas y se exige que los identi cadores de las etiquetas esten ordenados, de forma que el identi cador puesto en primer lugar sea menor que el puesto en segundo lugar (restriccion FUZZY ID1 MAYOR QUE FUZZY ID2), de forma que se aceleran las consultas a esta tabla, ya que sabemos en que orden son almacenadas las parejas de etiquetas. La llave primaria de esta relacion esta formada por los atributos: OBJ#, COL#, FUZZY ID1 y FUZZY ID2. Tabla FUZZY COMPATIBLE COL Indica los atributos difusos Tipo 3 que son compatibles con otros. De esta forma no es necesario de nir las etiquetas y las relaciones de similitud para cada uno de ellos. Ademas, esto nos permite comparar dos atributos difusos Tipo 3 entre s , si son compatibles, ya que esto indica que ambos atributos tienen el mismo dominio.
CREATE TABLE FUZZY_COMPATIBLE_COL( OBJ#1 NUMBER NOT NULL, COL#1 NUMBER NOT NULL, OBJ#2 NUMBER NOT NULL, COL#2 NUMBER NOT NULL, PRIMARY KEY (OBJ#1,COL#1), CONSTRAINT FK_OBJ#1_COL#1_FCC FOREIGN KEY (OBJ#1,COL#1) REFERENCES FUZZY_COL_LIST (OBJ#,COL#) ON DELETE CASCADE, CONSTRAINT FK_OBJ#2_COL#2_FCC FOREIGN KEY (OBJ#2,COL#2) REFERENCES FUZZY_COL_LIST (OBJ#,COL#) ON DELETE CASCADE);
Sus campos tienen el siguiente signi cado: - (OBJ#1,COL#1): Almacena el identi cador del atributo Tipo 3 que es compatible con otro. Es la llave primaria e indica que este atributo no tiene etiquetas de nidas sobre el y tomara las de nidas por el siguiente atributo. Esta pareja de atributos es llave externa a la tabla FUZZY COL LIST (restriccion FK OBJ#1 COL#1 FCC). - (OBJ#2,COL#2): Almacena el identi cador de un atributo Tipo 3 que tiene etiquetas y relaciones de semejanza de nidas sobre el y que seran adoptadas por el atributo (OBJ#1,COL#1). Igualmente, esta pareja de atributos es llave externa a la tabla FUZZY COL LIST (restriccion FK OBJ#2 COL#2 FCC). Tabla FUZZY QUALIFIERS DEF Expresa el nivel de umbral de cumplimiento m nimo asociado al cuali cador lingu stico asociado en la tabla FUZZY OBJECT LIST con FUZZY TYPE igual a 2. En el apartado 5.1.2.3 esta explicado un poco mas en detalle.
152
CREATE TABLE FUZZY_QUALIFIERS_DEF( OBJ# NUMBER NOT NULL, COL# NUMBER NOT NULL, FUZZY_ID NUMBER(3) NOT NULL, QUALIFIER NUMBER(3,2) NOT NULL, PRIMARY KEY (OBJ#,COL#,FUZZY_ID), CONSTRAINT FK_OBJ#_COL#_FUZZY_ID_FQD FOREIGN KEY (OBJ#,COL#,FUZZY_ID) REFERENCES FUZZY_OBJECT_LIST (OBJ#,COL#,FUZZY_ID) ON DELETE CASCADE);
Sus campos tienen el siguiente signi cado: - (OBJ#,COL#,FUZZY ID): Estos 3 campos son la llave primaria y llave externa a la tabla FUZZY OBJECT LIST (restriccion FK OBJ# COL# FUZZY ID FQD) y tienen identicos signicados. - QUALIFIER: El cuali cador asociado es un numero en el intervalo 0,1], que admite 2 decimales como maximo La utilidad de esta tabla y la de los cuali cadores sobre los umbrales de cumplimiento es m nima, por lo que no ha sido implementada aun en el Servidor FSQL.
5.1.3.3 Resumen del Contenido de la FMB

Resumiendo, la FMB almacena una lista con los atributos que admiten tratamiento difuso y su Tipo de atributo difuso (1, 2 o 3). Ademas, para cada atributo difuso se almacena distinta informacion dependiendo de su Tipo: Atributos Difusos Tipo 1 o Tipo 2: Para poder usar atributos Tipo 1 (crisp) y atributos Tipo 2 en condiciones difusas (consultas exibles) basta con declararlos como tales (tabla FUZZY COL LIST de la FMB) y almacenar los siguientes datos en la FMB:
Usada cuando se emplean valores aproximados en un atributo concreto (ver Figura 5.4 y Tablas 5.1 y 5.14). ? Distancia m nima para que dos valores sean considerados como muy separados (campo MUCH de la tabla FUZZY APROX MUCH): Usada por los comparadores MGT/NMGT y MLT/NMLT (ver ecuaciones 5.17, 5.18, 5.19 y 5.20). ? Cuali cadores y Cuanti cadores (tablas FUZZY QUALIFIERS DEF y FUZZY LABEL DEF). Atributos Difusos Tipo 3: Ademas de declararlos como tales (tabla FUZZY COL LIST), en la FMB hay que almacenar tambien:
? Etiquetas lingu sticas trapezoidales : Nombre de la etiqueta (tabla FUZZY OBJECT LIST) y los valores ; ; and (FUZZY LABEL DEF), como en la Figura 5.2. ? Valor para el margen de los valores aproximados (campo MARGEN de la tabla
FUZZY APROX MUCH):
? Longitud maxima de sus distribuciones de posibilidad 4 (tabla FUZZY COL LIST).

4 Como ya se ha dicho, esto se re ere al numero maximo de parejas (posibilidad, referencia a etiqueta) que puede tener una distribucion de posibilidad sobre el atributo difuso Tipo 3 en cuestion, para que pueda almacenarse en la base de datos.
153
lacion de similitud entre ellas (tabla FUZZY NEARNESS DEF). ? Compatibilidad entre atributos de este Tipo (tabla FUZZY COMPATIBLE COL). ? Cuali cadores y Cuanti cadores (tablas FUZZY QUALIFIERS DEF y FUZZY LABEL DEF).
? Etiquetas lingu sticas (escalares): Su nombre (tabla FUZZY OBJECT LIST) y la re-
5.1.3.4 Vistas sobre la FMB

Sobre las tablas de FIRST se han creado unas vistas que son utiles para consultar distintos aspectos de una base de datos difusa de forma clara y sencilla. Estas vistas son las siguientes: Vista LABELS FOR OBJCOL Sirve para obtener o consultar facilmente las etiquetas de nidas sobre atributos difusos Tipo 1 o 2 y los parametros del trapecio posibil stico asociado.
CREATE or replace view LABELS_FOR_OBJCOL AS SELECT FOL.OBJ# OBJ#, FOL.COL# COL#, Fuzzy_Name Label, Alfa, Beta, Gamma, Delta FROM FOL, FLD WHERE FOL.OBJ#=FLD.OBJ# AND FLD.FUZZY_ID=FOL.FUZZY_ID AND FOL.COL#=FLD.COL# AND FOL.FUZZY_TYPE=0;
Sus campos tienen el siguiente signi cado: - (OBJ#,COL#): Almacena el identi cador del atributo sobre el que esta de nida la etiqueta especi cada en los demas campos. - Label: Nombre de la etiqueta lingu stica. - (Alfa, Beta, Gamma, Delta): Indican la de nicion de la etiqueta de forma trapezoidal del tipo de la Figura 5.2 (pagina 136). Vista LABELS OBJCOL T3 Sirve para obtener o consultar facilmente las etiquetas de nidas sobre atributos difusos Tipo 3, as como la relacion de similitud entre ellos.
CREATE or replace view LABELS_OBJCOL_T3 AS SELECT FND.OBJ# OBJ#, FND.COL# COL#, FOL1.FUZZY_NAME Label_1, FOL2.FUZZY_NAME Label_2, DEGREE FROM FOL FOL1, FOL FOL2, FND WHERE FOL1.OBJ#=FOL2.OBJ# AND FOL1.COL#=FOL2.COL# AND FOL1.OBJ#=FND.OBJ# AND FOL1.COL#=FND.COL# AND FOL1.FUZZY_TYPE=1 AND FOL2.FUZZY_TYPE=1 AND FND.FUZZY_ID1=FOL1.FUZZY_ID AND FND.FUZZY_ID2=FOL2.FUZZY_ID;
154

Sus campos tienen el siguiente signi cado: - (OBJ#,COL#): Almacena el identi cador del atributo sobre el que estan de nidas las etiquetas especi cadas en los demas campos. - Label 1: Nombre de una etiqueta lingu stica de nida sobre el atributo anterior. - Label 2: Nombre de otra etiqueta lingu stica. - DEGREE: Es el grado de similitud de nido entre las etiquetas Label 1 y Label 2.
Vista ALL COMPATIBLES T3 Sirve para obtener o consultar facilmente los atributos difusos Tipo 3 que se han de nido como compatibles a otros. De esta forma, podemos saber que atributos difusos Tipo 3 no tienen etiquetas de nidas sobre ellos y cuales s las tienen. Ademas, tambien nos muestra la longitud maxima permitida para las distribuciones de posibilidad de esos atributos difusos Tipo 3.
CREATE or replace view ALL_COMPATIBLES_T3 AS SELECT distinct FCL1.COM Columna_1, FCL1.LEN Length_1, FCL2.COM Compatible_Con_Columna_2, FCL2.LEN Length_2 FROM FCL FCL1, FCL FCL2, FCC WHERE FCL1.OBJ#=FCC.OBJ#1 AND FCL2.OBJ#=FCC.OBJ#2 AND FCL1.COL#=FCC.COL#1 AND FCL2.COL#=FCC.COL#2;
Sus campos tienen el siguiente signi cado:

Columna 1: Nombre de la columna que es compatible con la siguiente y que, por tanto, no tiene de nidas etiquetas sobre ella. - Length 1: Longitud maxima para las distribuciones de posibilidad que podremos almacenar en la columna anterior. - Compatible Con Columna 2: Nombre de la columna que tiene de nidas las etiquetas, las cuales tambien usara Columna_1. - Length 2: Longitud maxima para las distribuciones de posibilidad para la segunda columna.
En este apartado vamos a ilustrar como se representan en la base de datos y en la FMB una tabla con todos los Tipos difusos vistos y algunos no difusos. Representaremos la relacion de la Tabla 5.4, que muestra una relacion de los empleados de una determinada empresa. A lo largo de este ejemplo vamos a ver como se implementa la informacion que recoge dicha relacion. Veremos la estructura interna que adoptan los campos difusos en la base de datos y como se almacenan los datos relativos a los atributos difusos en la FMB. Como vemos, la tabla EMPLEADOS tiene los siguientes atributos:
5.1.4 Ejemplo de Implementacion en FIRST de la BD y la FMB
155
JOVEN
A
MADURO
A A B A A A A B B
MAYOR
B B B B
B B
B B
16
25 30 35
40
45 50 55
65
B B
80
EDAD
a)
BAJO
B B B
MEDIO
A A B B A A A A
ALTO
0 50
65
85
B B
95
110
130
180
SALARIO 1000$
b) Figura 5.8: De nicion de etiquetas sobre los atributos EDAD y SALARIO.
156 N1 N2 N3 N4 N5 N6 N7 N8 N9
NOMBRE SALARIO EDAD

85000 100000 90000 21000 97000 125000 105000 180000 105000
El s mbolo # signi ca \aproximadamente", n,m] es un intervalo y el valor $ ; ; ; ] es un trapecio posibil stico.
31 Maduro Joven Mayor Joven #30 30,35] $ 22,25,33,35] Unknown
RENDIMIENTO
Bueno Regular Malo Excelente Unknown Bueno Regular Bueno Regular
Tabla 5.4: Ejemplo de para la relacion EMPLEADOS.
de tipo texto. Por supuesto, tambien se pueden de nir atributos \crisp" de cualquier otro tipo base del SGBD (numeros, fechas...). Este campo ser a la clave primaria de esta tabla. SALARIO: Almacena el salario de cada empleado. Es un atributo difuso Tipo 1. Por tanto, todos los valores que puede almacenar esa columna son de tipo \crisp", como puede observarse en la tabla. Sin embargo, como se detalla mas adelante, este atributo mantiene informacion en la FMB. La Figura 5.8 b) muestra la de nicion de las etiquetas lingu sticas de nidas sobre este atributo. El valor del margen para valores aproximados es de 15000 y la distancia m nima para considerar dos valores como muy separados es de 40000. Ambos valores son almacenados en FUZZY APPROX MUCH, Tabla 5.7. EDAD: Almacena la edad de cada empleado. Es un atributo difuso Tipo 2 y puede, por tanto, almacenar todos los tipos de datos que se mostraron en la Tabla 5.1. La Figura 5.8 a) muestra la de nicion de las etiquetas lingu sticas de nidas sobre este atributo. El valor del margen para valores aproximados es de 5 y la distancia m nima para considerar dos valores como muy separados es de 9. Ambos valores son almacenados en FUZZY APPROX MUCH, Tabla 5.7.
NOMBRE: Almacena el nombre de los empleados. Es un atributo \crisp", no difuso,
sr (d; d0 )
Malo Regular Bueno Excelente Malo 1 0.8 0.5 0.1 Regular 0.8 1 0.7 0.5 Bueno 0.5 0.7 1 0.8 Excelente 0.1 0.5 0.8 1 Tabla 5.5: Relacion de Similitud sr sobre RENDIMIENTO. un atributo difuso Tipo 3 y puede, por tanto, almacenar los tipos de datos que se mostraron en la Tabla 5.2. Para simpli car hemos supuesto que la maxima longitud de
RENDIMIENTO: Almacena una cali cacion del rendimiento de cada empleado. Es
157
las distribuciones de posibilidad para este atributo es 1. Las etiquetas (escalares) que tiene de nidas y su relacion de similitud estan expresadas en la Tabla 5.5. Con esos datos, tenemos que la tabla FUZZY COL LIST tiene los datos expresados en la Tabla 5.6. Para mayor claridad, los numeros de los atributos OBJ# y COL# han sido sustituidos por el nombre de los objetos que representan entre parentesis, en todas las tablas del ejemplo.
OBJ#
(Empleados) (Salario) (Empleados) (Edad) (Empleados) (Rendimiento)
COL#
F TYPE
1 2 3
NULL NULL 1
LEN
COM 'EMPLEADOS.SALARIO' 'EMPLEADOS.EDAD' 'EMPLEADOS.RENDIMIENTO'
Tabla 5.6: Ejemplo para la tabla FUZZY COL LIST.

OBJ#
(Empleados) (Salario) (Empleados) (Edad)
COL#
MARGEN
15000 5
40000 9
MUCH
Tabla 5.7: Ejemplo para la tabla FUZZY APPROX MUCH. En la tabla FUZZY OBJECT LIST apareceran todas las etiquetas de la Figura 5.8 y de la Tabla 5.5. Esto es mostrado en la Tabla 5.8. Las etiquetas trapezoidales registradas en esa tabla, con FUZZY TYPE=0, estan de nidas en FUZZY LABEL DEF, Tabla 5.9.
OBJ#
(Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados)
COL#
(Salario) (Salario) (Salario) (Edad) (Edad) (Edad) (Rendimiento) (Rendimiento) (Rendimiento) (Rendimiento)
FUZZY ID
0 1 2 0 1 2 0 1 2 3
FUZZY NAME 'BAJO' 'MEDIO' 'ALTO' 'JOVEN' 'MADURO' 'MAYOR' 'MALO' 'REGULAR' 'BUENO' 'EXCELENTE'
FUZZY TYPE
0 0 0 0 0 0 1 1 1 1
Tabla 5.8: Ejemplo para la tabla FUZZY OBJECT LIST. La relacion de similitud sobre el atributo RENDIMIENTO de la Tabla 5.5, es almacenada en la FMB en FUZZY NEARNESS DEF, Tabla 5.10. Una vez hechas esas de niciones, la relacion EMPLEADOS queda implementada en el SGBDR Oracle como re eja la Tabla 5.11, donde hemos adoptado para los atributos EDAD y RENDIMIENTO, la implementacion mostrada en las Tablas 5.1 y 5.2 respectivamente (apartado 5.1.3.1).
158
OBJ#
(Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados)
COL#
(Salario) (Salario) (Salario) (Edad) (Edad) (Edad)
FUZZY ID
0 1 2 0 1 2
50000 65000 85000 95000 85000 95000 110000 130000 110000 130000 999999 999999 0 16 30 40 25 35 45 55 40 50 65 80
ALFA
BETA
GAMMA
DELTA
Tabla 5.9: Ejemplo para la tabla FUZZY LABEL DEF.
OBJ#
(Empleados) (Empleados) (Empleados) (Empleados) (Empleados) (Empleados)
COL#
(Rendimiento) (Rendimiento) (Rendimiento) (Rendimiento) (Rendimiento) (Rendimiento)
FUZZY ID1
0 0 0 1 1 2
FUZZY ID2
1 2 3 2 3 3
DEGREE
0.8 0.5 0.1 0.7 0.5 0.8
Tabla 5.10: Ejemplo para la tabla FUZZY NEARNESS DEF.
159
NOMBRE SALARIO EDADT EDAD1 EDAD2 EDAD3 EDAD4 : : :

N1 N2 N3 N4 N5 N6 N7 N8 N9 85000 100000 90000 21000 97000 125000 105000 180000 105000 3 4 4 4 4 6 5 7 0 31 1 0 2 0 30 30 22 NULL NULL NULL NULL NULL NULL 25 NULL 25 NULL NULL NULL NULL NULL NULL 35 NULL 33 NULL NULL NULL NULL NULL NULL 5 35 35 NULL
::: ::: ::: ::: ::: ::: ::: ::: :::
: : : RENDIMIENTOT RENDIMIENTOP1 RENDIMIENTO1 ::: 3 1 2 ::: 3 1 1 ::: 3 1 0 ::: 3 1 3 ::: 0 NULL NULL ::: 3 1 2 ::: 3 1 1 ::: 3 1 2 ::: 3 1 1
Ver en la tabla FUZZY OBJECT LIST (5.8) los identi cadores (FUZZY ID) para las etiquetas de EDAD1 y RENDIMIENTO1.
Tabla 5.11: Representacion interna real de la relacion de ejemplo EMPLEADOS en el SGBD con la extension FIRST.
160
5.2 Sintaxis y Semantica del Lenguaje FSQL

Como se vio en el apartado 1.2.5, el lenguaje SQL fue desarrollado basicamente por Chamberlin et al. 37, 38] en la segunda mitad de los a~os 70. Hoy d a la bibliograf a sobre el n lenguaje SQL es muy extensa 26, 52, 86] y en todos se explican los comandos basicos de este lenguaje en sus dos vertientes: DML (Data Manipulation Language, Lenguaje de Manipulacion de Datos): Las sentencias de este lenguaje permiten la consulta y la modi cacion de los datos almacenados en la base de datos. Ejemplos de comandos del DML SQL son: SELECT, INSERT, DELETE y UPDATE. Estas comandos son explicadas brevemente en el apartado 1.2.5. DDL (Data De nition Language, Lenguaje de De nicion de Datos): Las sentencias de este lenguaje permiten la creacion y modi cacion de las estructuras en las que se almacenaran los datos. Ejemplos de comandos del DDL SQL son: CREATE (para crear objetos de la base de datos: tablas, vistas...), DROP (para borrar objetos), ALTER (para modi car objetos), y sentencias para controles de seguridad, ndices y control del almacenamiento f sico de los datos. Algunos autores distinguen entre el DDL y el DCL (Data Control Language, Lenguaje de Control de Datos), dejando para este ultimo las tareas de control (de seguridad, almacenamiento...). Para expresar formalmente la sintaxis de una sentencia hemos elegido la forma de gramatica utilizando el formato de Yacc (ver Apendice B). Cada sentencia FSQL que se desee ejecutar debe ser previamente analizada por el sistema para asegurar, por un lado que la sentencia esta correctamente escrita (pertenece a nuestra gramatica) y por otro, que tiene sentido efectuarla (por ejemplo, que usamos objetos validos). Para ello usamos los t picos 3 analizadores siguientes, los cuales son explicados en profundidad en el apartado 5.5 sobre la implementacion del Servidor FSQL y que ahora, solo resumimos brevemente: 1. Analizador Lexico: Asegura que todos los elementos de la sentencia estan permitidos, agrupando los caracteres en palabras (tokens ). Igual que SQL, el lenguaje FSQL no es sensible a mayusculas/minusculas, i.e., las sentencias pueden escribirse independientemente en mayusculas, minusculas o ambas. 2. Analizador Sintactico: Asegura que los tokens estan en un orden adecuado y que la construccion de la sentencia es correcta sintacticamente. 3. Analizador Semantico: Asegura que el signi cado de la sentencia es correcto y que, por tanto, tiene sentido efectuarla. A continuacion nos centraremos en revisar la sintaxis de los comandos mas utiles e importantes, explicando las novedades que estos incorporan en FSQL para que nos permitan manejar informacion difusa. Las gramaticas utilizadas estan incluidas en el Apendice B (pagina 273). Dentro del DML la sentencia mas usual y mas compleja es la sentencia de consulta de datos, SELECT, aunque tambien son interesantes las sentencias INSERT, DELETE y UPDATE. A continuacion de nimos el formato para estas sentencias en FSQL.
5.2.1 El DML de FSQL: SELECT, INSERT, DELETE y UPDATE
5.2. SINTAXIS Y SEMANTICA DEL LENGUAJE FSQL
161
5.2.1.1 Novedades en el SELECT Difuso

La sentencia SELECT es una sentencia tan potente como compleja y exible, muy facil de usar en consultas simples y no tan facil de usar en consultas complejas debido a su potencia y versatilidad. Esta sentencia es tan potente que rara vez se llega a utilizar todo su poder expresivo para realizar una consulta, pues lo normal es efectuar consultas mucho mas simples de lo que SELECT permite. A veces, para simpli car la escritura y el entendimiento de consultas complicadas se usan vistas intermedias que son creadas como subconsultas a la base de datos. El lenguaje FSQL es una autentica extension de SQL. Esto signi ca que todas las sentencias validas en SQL lo son tambien en FSQL. Ademas, FSQL incorpora algunas novedades para permitir el tratamiento de informacion imprecisa. Basicamente, las extensiones efectuadas a esta sentencia son las siguientes:
Etiquetas Lingu sticas: Si un atributo es susceptible de tratamiento difuso entonces
pueden de nirse etiquetas sobre el. Estas etiquetas son precedidas, por convenio, por el s mbolo $ para distinguirlas facilmente de otros identi cadores. Hay 2 tipos de etiquetas que seran usadas en diferentes tipos de atributos difusos. 1. Etiquetas para atributos con un dominio subyacente ordenado : Cada etiqueta de este tipo tiene asociada, en la FMB5 , una distribucion de posibilidad trapezoidal como la de la Figura 5.2 (pagina 136). As , por ejemplo, podemos de nir las etiquetas $Muy Bajo, $Bajo, $Normal, $Alto y $Muy Alto sobre el atributo Altura de una persona. Por ejemplo, El atributo $Alto puede ser de nido como una distribucion de posibilidad con los siguientes valores (en cent metros) =185, =195, =200 y =210, como se muestra en la Figura 5.3. 2. Etiquetas para atributos con un dominio subyacente no ordenado (como los escalares de los tipos 1, 3 y 5 en la Tabla 2.4): Aqu , puede haber una relacion de similitud de nida entre cada dos etiquetas del dominio y almacenada en la FMB. El grado de similitud entre cada dos etiquetas sera un valor del intervalo 0,1]. Por ejemplo, para un atributo que almacenara el color del pelo de una persona podr amos de nir las etiquetas $Rubio y $Pelirrojo e indicar (en la relacion de similitud) que ambos valores son similares en grado 0.6.
Comparadores Difusos: Ademas de los comparadores clasicos t picos (=, >...), FSQL
incluye los comparadores difusos de la Tabla 5.12. Como en SQL, los comparadores difusos pueden comparar una columna de una tabla con una constante o dos columnas del mismo tipo o de tipos compatibles. Los comparadores de posibilidad son mas generales (menos restrictivos) que los de necesidad. Por tanto, los comparadores de necesidad recuperan menos tuplas y estas tuplas cumpliran necesariamente con las condiciones impuestas en la consulta. Ver apartado 5.2.1.6 para mas datos sobre la restrictividad de los comparadores. En 78] y mas adelante, en el apartado 5.2.1.4 (pagina 170), se expone la de nicion de todos estos comparadores con ejemplos sobre sus resultados.
con informacion sobre los atributos difusos y fue explicada en el apartado 5.1.3.2.
5 La FMB (Fuzzy Metaknowledge Base, Base de Metaconocimiento Difuso) es un catalogo del sistema difuso
162 Posibilidad

Comp. Difuso Signi cado
FEQ FGT FGEQ FLT FLEQ MGT MLT NFEQ NFGT NFGEQ NFLT NFLEQ NMGT NMLT
Necesidad
Fuzzy EQual: Posiblemente Igual (sobre escalares o numeros difusos) Fuzzy Greater Than: Posiblemente Mayor que Fuzzy Greater or Equal: Posiblemente Mayor o Igual que Fuzzy Less Than: Posiblemente Menor que Fuzzy Less or Equal: Posiblemente Menor o Igual que Much Greater Than: Posiblemente Mucho Mayor que Much Less Than: Posiblemente Mucho Menor que Necessarily Fuzzy EQual: Necesariamente Igual que (o incluido en) N. Fuzzy Greater Than: Necesariamente Mayor que N. Fuzzy Greater or Equal: Necesariamente Mayor o Igual que N. Fuzzy Less Than: Necesariamente Menor que N. Fuzzy Less or Equal: Necesariamente Menor o Igual que N. Much Greater Than: Necesariamente Mucho Mayor que N. Much Less Than: Necesariamente Mucho Menor que
Tabla 5.12: Comparadores Difusos de FSQL (Fuzzy SQL). En atributos con dominio subyacente no ordenado (difusos Tipo 3) solo puede usarse el comparador difuso FEQ, puesto que carecen de orden. Este comparador es de nido para este Tipo de atributos en el apartado 5.2.1.7 (pagina 178). El comparador difuso de \desigualdad" o \posiblemente distinto" no se ha considerado porque puede modelarse negando una comparacion con FEQ:
NOT <Atributo Difuso> FEQ <Atributo o Cte>
Umbral de Cumplimiento (threshold, ): Para cada condicion simple se puede establecer un umbral de cumplimiento (por defecto sera 1) con el formato siguiente:
<Condicion simple> THOLD
indicando que la condicion debe ser satisfecha con un grado m nimo de 2 0; 1] para que la tupla en cuestion aparezca en la relacion resultante. La palabra reservada THOLD es opcional y puede ser sustituida por cualquier comparador crisp tradicional (=, ...), modi cando as , logicamente, el signi cado de la consulta. La palabra THOLD es equivalente a usar el comparador crisp . En lugar de un numero, como umbral puede ponerse un cuali cador, que es un identicador o etiqueta que debera estar de nida en la FMB6 .
Ejemplo 5.1 Dame todas las personas con pelo rubio (en grado m nimo 0.5) que son
posiblemente mas altas que la etiqueta $Alta (en grado m nimo 0.8):
en la gramatica del Apendice B.
6 Esta opcion no esta implementada en la presente version del Servidor FSQL, por lo que no esta contemplada

<Condicion>
163
(con operadores logicos)
<cond1> AND <cond2> <cond1> OR <cond2> NOT <cond1>
min(CDEG(<cond1>),CDEG(<cond2>)) max(CDEG(<cond1>),CDEG(<cond2>)) 1 { CDEG(<cond1>)
CDEG(<Condicion>)
Tabla 5.13: Operaciones usadas por defecto para el calculo de la funcion CDEG de FSQL con operadores logicos.
SELECT * FROM Personas WHERE Pelo FEQ $Rubio THOLD 0.5 AND Altura FGT $Alta THOLD 0.8
Si buscamos personas que son \necesariamente" mas altas que la etiqueta $Alta, entonces debemos usar el comparador difuso NFGT en vez de FGT. t u
Funcion CDEG(<atributo>): Una llamada a la funcion CDEG (Compatibility DEGree) puede ser colocada en la lista de seleccion (expresiones tras la palabra reservada SELECT). Su argumento es un atributo y muestra una columna con el grado de compatibilidad o cumplimiento de la condicion de la consulta para el atributo que se indica. Si aparecen operadores logicos (NOT, AND y/o OR), el calculo de este grado de cumplimiento es efectuado usando las funciones que se indican en la Tabla 5.13: Se usa la norma triangular del m nimo y del maximo, pero FSQL permite modi car las funciones a emplear. Para ello hay que modi car la vista FSQL OPTIONS. En esta vista el usuario puede establecer las funciones a usar para cada uno de los 3 operadores logicos. Obviamente, la funcion que se indique en esa vista debe estar implementada en el SGBD y el usuario debe tener acceso a la misma. Estas funciones pueden ser implementadas por un usuario particular para su uso personal. La funcion para el NOT tendra un unico argumento numerico, mientras que las funciones para el AND y para el OR tendran ambas dos argumentos numericos. En el apartado 5.5.3.3 se explica el tratamiento que el Servidor FSQL da a las llamadas a la funcion CDEG, y en el apartado 5.4.1 se detalla el formato de la vista FSQL OPTIONS y como se cambian las funciones asociadas a los operadores logicos alterando su contenido. La precedencia de los operadores logicos es la habitual, i.e., de mayor a menor precedencia estan NOT, AND y OR. Si el argumento de la funcion CDEG es un atributo, entonces la funcion CDEG solo usa las condiciones que incluyen a ese atributo. Si el atributo indicado como argumento de CDEG no aparece en la condicion, entonces, esta funcion no es aplicable a dicho atributo, pero en vez de dar un error se procede a devolver grado 1 para todas las tuplas. Tambien podemos usar un asterisco como argumento como se explica a continuacion.
Si esta funcion tiene un asterisco como argumento, entonces calcula y muestra el grado de cumplimiento de la condicion para cada tupla. Este calculo es efectuado como se explico en el punto anterior pero teniendo en cuenta todos los atributos empleados en la condicion, y no solo uno de ellos.
CDEG(*):
164 Cte. Difusa

UNKNOWN UNDEFINED NULL $ , , , ] $label n,m] #n

Signi cado Valor desconocido pero el atributo es aplicable (tipo 8 de la Tabla 2.4). Atributo no aplicable o sin sentido (tipo 9 de la Tabla 2.4). Ignorancia total: No sabemos nada sobre eso (tipo 10 de la Tabla 2.4). Distribucion de posibilidad trapezoidal ( ): Ver Figura 5.2. Etiqueta lingu stica: Puede ser un trapecio o un escalar (de nidos en FMB). Intervalo \Entre n y m" ( = =n y = =m). Valor difuso \Aproximadamente n" ( = =n y n{ = {n=margen en FMB). Tabla 5.14: Constantes difusas que pueden ser usadas en FSQL.
comod n * de SQL, pero este, ademas de incluir todas las columnas de las tablas indicadas en la parte FROM de la consulta, tambien incluye las columnas con el grado de cumplimiento de aquellos atributos relevantes. O sea, en el resultado tambien encontraremos columnas donde la funcion CDEG esta aplicada a cada uno de los atributos que aparecen en la condicion. Si, en el Ejemplo 5.1, hubieramos querido obtener dos columnas mas con los grados de CDEG(Pelo) y CDEG(Altura), podr amos simplemente haber reemplazado el comod n * por %. Por supuesto, este caracter puede ser tambien usado con el formato scheme.]table.]%, como por ejemplo: Personas.%. Si un atributo difuso no aparece en la clausula WHERE, su CDEG no es aplicable y por tanto no aparecera su CDEG si se usa el comod n %. Estos tipos son detallados en la Tabla 5.14. Ver Ejemplos 5.1, 5.2 y los ejemplos de los apartados 5.2.1.8 y 5.2.1.10. Como se ha dicho anteriormente las etiquetas estan registradas en la FMB, al igual que el valor del margen para valores aproximados.
Caracter Comod n %: El empleo de este caracter es similar al del util simo caracter
Constantes Difusas: En FSQL podemos usar diversos tipos de constantes difusas.
Condicion con IS: Otra clase de condicion que podemos usar en FSQL tiene el siguiente formato:
< Atributo Difuso >

Observaciones sobre la condicion con IS:
IS NOT]
8 UNKNOWN < : UNDEFINED NULL
(5.5)
{ Este tipo de condicion (sin NOT) sera cierta si el valor del atributo difuso de la
izquierda (<Atributo Difuso>) es la constante situada a la derecha. { Si el atributo no es difuso y la constante de la derecha es NULL, esta constante sera entendida de la forma que lo haga el SGBD (si este lo permite). En particular,
165
Oracle permite valores NULL7 como valor posible de los atributos, aunque esto puede ser evitado estableciendo la restriccion NOT NULL en los comandos CREATE TABLE o ALTER TABLE. { Si FEQ es usado en vez de IS el signi cado es distinto. Con FEQ se compara el grado de compatibilidad entre el atributo y la constante (ecuacion 4.3) y no simplemente si el atributo es igual a la constante. El Ejemplo 5.2 ilustra el uso de este tipo de condicion. Cuanti cadores difusos8 : Los cuanti cadores difusos 158, 164, 169] (apartado 2.9.2), tanto absolutos como relativos pueden establecerse de la siguiente forma (similar a la de 22]), en sus dos modalidades, cuyos signi cados se muestran a continuacion con unos ejemplos:
$Cuantificador FUZZY $Cuantificador FUZZY ] ( condicion difusa ) THOLD ] ( condicion difusa1 ) ARE ( condicion difusa2 ) THOLD
donde $Cuantificador es un cuanti cador (absoluto o relativo). Esta precedido del s mbolo $ para distinguirlo de otros identi cadores. Ademas, algunos cuanti cadores relativos pueden llevar un argumento entre corchetes. La opcion FUZZY ] es opcional, al igual que su argumento . Igual que en comparaciones difusas simples, es un umbral opcional, normalmente en 0,1], que debe cumplir el cuanti cador para que la condicion sea evaluada como cierta (por defecto 1). Aqu , tambien la palabra THOLD es opcional y tambien puede ser sustituida por cualquier comparador crisp tradicional, modi cando el signi cado de la consulta. La palabra THOLD es equivalente a usar el comparador crisp . El uso de estos cuanti cadores y su signi cado se explicara en el apartado 5.2.1.3. Comentarios: FSQL permite incorporar comentarios en las sentencias, de forma que ellos no seran tenidos en cuenta al analizarla y ejecutarla. Los comentarios pueden ser de 3 tipos: 1. Comentario hasta n de l nea: Con -- (dos guiones) se~alamos que desde ese punto n hasta el nal de esa l nea es un comentario. Este tipo de comentarios es tambien valido en SQL y PL/SQL. 2. Comentario de un bloque: Todo lo que este incluido entre las marcas /* y */ sera considerado como un comentario. Este tipo de comentarios (estandar en el lenguaje C) es tambien valido en SQL y PL/SQL. 3. Comentario hasta n de sentencia: Con /* se~alamos que desde ese punto hasta n el nal de la sentencia es un comentario. Es decir, si no se cierra el comentario se supone que el comentario termina al nal, siendo ignorado totalmente el resto de la sentencia. Este tipo de comentarios es propio de FSQL y generan un error si se usan en SQL o PL/SQL.
debe confundirse el valor NULL del SGBD Oracle con el valor de la constante difusa NULL de la ecuacion 5.5 (o de la Tabla 5.14) que tiene el sentido difuso de Umano, Fukami et al. de 70] y 143]. 8 Esta opcion no esta implementada en la presente version del Servidor FSQL, por lo que no esta contemplada en la gramatica del Apendice B.
7 No
166
Evitar que una sentencia pase por el Servidor FSQL: En determinadas cir-
cunstancias puede interesarnos que el Servidor FSQL no ejecute su funcion y se limite simplemente a operar como si no estuviera (de forma clasica). Para ello basta con incorporar el s mbolo ! (admiracion cerrada) como primer caracter de la sentencia enviada al Servidor. O sea, si el Servidor FSQL encuentra que el primer caracter de la sentencia es !, se comportara, con el resto de la sentencia, como si no estuviera. Esto es util si el programa Cliente FSQL no admite la posibilidad de enviar una sentencia SQL estandar, de forma que con este sistema aceleramos el proceso para este tipo de sentencias, ya que el Servidor FSQL no se ejecuta completamente. use una constante de tipo trapezoidal y evite los valores UNKNOWN podr a ser:
SELECT Ciudad,CDEG(Habitantes) FROM Poblacion WHERE Pais='Espa~a' AND n Habitantes FGEQ $ 200,350,650,800] .75 AND Habitantes IS NOT UNKNOWN;
CDEG),
Ejemplo 5.2 Un ejemplo de consulta que muestre un grado de compatibilidad (usando
Observaciones respecto a este ejemplo: El umbral m nimo de cumplimiento esta establecido en 0.75 (la palabra reservada THOLD no aparece porque es opcional). As , en la tabla resultante, la columna CDEG(Habitantes) tendra valores en el intervalo 0.75,1]. Como usamos el comparador FGEQ, los valores y del trapecio no seran usados, i.e., si el numero de habitantes es crisp y excede de 350, el grado de cumplimiento de esa condicion sera 1. Naturalmente, si el numero de Habitantes es crisp y menor o igual que 200 el grado sera cero. Si una ciudad espa~ola tiene en el atributo difuso Habitantes la distribucion de pon sibilidad $ 50,150,200,350], su grado de cumplimiento de la condicion sera 0.5 y no aparecera, por tanto, en el resultado nal, ya que el umbral m nimo ha sido establecido en 0.75.
t u
Las consultas difusas reducen el riesgo de obtener respuestas vac as, ya que permite utilizar una escala de discriminacion mas na: El intervalo 0,1] en vez del conjunto f0,1g. Es decir, permite recuperar tuplas en consultas que en modo crisp no se obtiene ninguna respuesta. Sin embargo, a veces puede ocurrir que no existan elementos que satisfagan el resultado de una consulta. Para solucionar ese posible problema, las consultas FSQL se muestran especialmente exibles, pues en cada condicion simple, podemos actuar sobre los siguientes parametros de consulta, para debilitar las condiciones: 1. Comparadores difusos (Tabla 5.12): Existe una gran variedad y alternar el uso de comparadores entre posibilidad y necesidad puede resultar especialmente util. 2. Umbrales: Modi cando este valor podemos decidir el grado de importancia de las tuplas que buscamos para recuperar solo los elementos mas importantes.
167
3. Usar comparadores clasicos en lugar de la palabra THOLD: Con esto podemos conseguir modi car el signi cado de la consulta. Por ejemplo, podemos recuperar los elementos menos importantes usando el comparador < (o ). Tambien podemos recuperar justo los elementos que cumplen la condicion con un determinado grado usando el comparador =. 4. Constantes difusas (Tabla 5.14): Si la parte derecha de una condicion simple es una constante difusa esta puede ser modi cada para exibilizar la consulta y conseguir mejor nuestro objetivo. El debilitamiento de de consultas ha sido estudiado en 5, 6]. Otra propuesta en este sentido 119] se basa en el clustering difuso de datos. O sea, cuando no existen datos que satisfacen la consulta el sistema puede mostrar las clases de datos que s existen y provee la clase mas cercana a la consulta, como una alternativa. Este sistema aplica el algoritmo de clustering difuso C-means 16] para clasi car los datos en varios grupos difusos, representados por etiquetas lingu sticas de nidas por funciones de pertenencia.
5.2.1.2 Otros Comandos:
INSERT DELETE
y UPDATE
Los comandos INSERT, DELETE y UPDATE tambien pertenecen, con el comando SELECT al DML o Lenguaje de Manipulacion de Datos (igual que COMMIT y ROLLBACK) y su sintaxis es muy similar a la que tienen en SQL, modi cando las expresiones, las subconsultas y las condiciones por expresiones difusas, subconsultas difusas y condiciones difusas respectivamente. La gramatica asociada a cada uno de estos comandos esta tambien en el Apendice B. En s ntesis, las modi caciones de FSQL son las siguientes para cada uno:
INSERT:
Podremos utilizar expresiones difusas como valores para la insercion, as como subconsultas difusas, tanto en los valores a insertar como en las relaciones en las que se insertan. El comando INSERT de SQL esta explicado en el apartado 1.2.5.2. DELETE: En la clausula WHERE de este comando se pueden utilizar las mismas condiciones difusas que en la clausula WHERE del comando SELECT de FSQL, explicado anteriormente. El comando DELETE de SQL esta explicado en el apartado 1.2.5.3. UPDATE: Los valores a actualizar podran ser expresiones difusas o subconsultas difusas. Ademas, en la clausula WHERE de este comando se pueden utilizar las mismas condiciones difusas que en la clausula WHERE del comando SELECT de FSQL, explicado anteriormente. El comando UPDATE de SQL esta explicado en el apartado 1.2.5.4.
5.2.1.3 Cuanti cadores en FSQL

El uso de cuanti cadores ha sido muy estudiado, como se vio en el apartado 2.9.2. Aqu exponemos el uso que puede hacerse de ellos en FSQL, incorporando cuanti cadores con y sin argumentos. A traves de algunos ejemplos mostraremos la potencia de los cuanti cadores en FSQL: 0.5) jugadores altos y muy buenos (con umbrales 0.75). Mostrar tambien el grado con el que cada equipo cumple el cuanti cador:
Ejemplo 5.3 Seleccionar los equipos de baloncesto que tienen muchos (con grado m nimo
168

1
0.5 0.75 1 a)
0.25 b)
0.75 1
Figura 5.9: Dos cuanti cadores difusos relativos.

SELECT FROM GROUP HAVING Equipo, CDEG(*) Jugadores BY Equipo $Muchos (Altura FEQ $Alto 0.75 AND Calidad FEQ $Muy_Bueno 0.75) THOLD 0.5;
Observe que la condicion que requiere el cuanti cador puede ser multiple y que el cuanticador muchos es un cuanti cador absoluto, que deber a estar de nido en la FMB. Observe que CDEG(*), cuando hay sentencias de grupo (GROUP BY), hace referencia a la condicion sobre el grupo (HAVING). t u 0.5) de sus jugadores altos son tambien muy buenos (con umbrales 0.75):
SELECT FROM GROUP HAVING Equipo, CDEG(*) Jugadores BY Equipo $La_Mayoria (Altura FEQ $Alto 0.75) ARE (Calidad FEQ $Muy_Bueno 0.75) 0.5;
Ejemplo 5.4 Seleccionar los equipos de baloncesto en los que la mayor a (con grado m nimo
El cuanti cador la mayor a es un cuanti cador relativo, que deber a estar de nido en la FMB con la forma, por ejemplo, de la Figura 5.9 a). Observe que en este ejemplo no aparece la palabra opcional THOLD, teniendo el mismo signi cado que en el ejemplo anterior ( ). u t La palabra reservada FUZZY es opcional y si aparece, se indica que la evaluacion del cuanti cador es hecha sumando, no los elementos que cumplen la condicion, sino el grado de cumplimiento de los mismos. Con los siguientes ejemplos se aclarara este concepto.
Ejemplo 5.5 Seleccionar los equipos de baloncesto que tienen muchos mas que 3 (con grado
m nimo 0.5) jugadores altos (con grado m nimo 0.75):
SELECT FROM GROUP HAVING Equipo, CDEG(*) Jugadores BY Equipo $Muchos_Mas_Que 3] (Altura FEQ $Alto 0.75) 0.5;
169
El cuanti cador $Muchos_Mas_Que 3] es un cuanti cador relativo con un argumento, que supondremos que esta de nido en la FMB como una funcion Q de la Figura 5.9 b). Si un equipo, por ejemplo, tiene 4 jugadores que cumplen con la condicion, es decir, 4 jugadores que son altos con grado m nimo 0.75, entonces, este equipo cumple con el cuanti cador en grado Q(3=4) = Q(0:75) = 0. Por tanto, dicho equipo no aparecera en el resultado, ya que se exige 0.5 como grado m nimo. Supongamos otro equipo que tiene 6 jugadores que cumplen con la condicion. Entonces, dicho equipo cumple con el cuanti cador en grado Q(3=6) = Q(0:5) = 0:5. Por tanto, dicho equipo s aparecera en el resultado. As , un equipo que tenga 12 jugadores que cumplan con la condicion, cumplira con el cuanti cador en grado Q(3=12) = Q(0:25) = 1. t u En el ejemplo anterior, si un equipo tiene n jugadores que cumplen con la condicion, su grado de cumplimiento del cuanti cador no depende del grado con el que esos n jugadores cumplan la condicion. O sea, un equipo con n jugadores altos en grado 0.75 todos ellos tendra el mismo grado de cumplimiento del cuanti cador que un equipo con n jugadores altos en grado 1 todos ellos. En s ntesis, en el ejemplo anterior se ha considerado que el conjunto de los jugadores que cumplen la condicion es crisp, o sea, que la cumplen o no la cumplen, o, lo que es lo mismo que o son altos con grado m nimo 0.75 o no lo son. Sin embargo, hay otro metodo 169] que considera el conjunto de los elementos que cumplen la condicion como difuso. Esto puede ser conseguido en FSQL utilizando la palabra reservada FUZZY tras el cuanti cador. En este metodo lo que se hace no es contar el numero de elementos que cumplen la condicion, sino sumar los grados de cumplimiento de esos elementos. do m nimo 0.5) jugadores altos (con grado m nimo 0.75), considerando el conjunto de los jugadores que cumplen la condicion como difuso:
SELECT FROM GROUP HAVING Equipo Jugadores BY Equipo $Muchos_Mas_Que 3] FUZZY (Altura FEQ $Alto 0.75) 0.5;
Ejemplo 5.6 Seleccionar los equipos de baloncesto que tienen muchos mas que 3 (con gra-
As , por ejemplo, un equipo con 6 jugadores que cumplen todos ellos con la condicion en grado 1, cumple el cuanti cador en grado Q(3=6) = Q(0:5) = 0:5. Sea otro equipo, tambien con 6 jugadores que cumplen la condicion, pero, de ellos 2 la cumplen en grado 1 y 4 en grado 0.75. En este caso, la sumatoria de los grados de cumplimiento es 5 (2*1+4*0.75), el equipo cumple el cuanti cador en grado Q(3=5) = Q(0:6) = 0:3 y, por tanto, no sera seleccionado en el resultado nal. t u Puede usarse un argumento 2 0; 1], de forma que FUZZY ] indique que, al evaluar el cuanti cador, se tengan en cuenta ambos valores (sin la palabra FUZZY y con ella), ponderando el primero de ellos (sin FUZZY) con la importancia que indique y el segundo valor (con FUZZY) con la importancia 1, tal y como se explico en el apartado 4.5 (expresion 4.29). As , poner FUZZY 0] es equivalente a poner FUZZY y poner FUZZY 1] es equivalente a no poner nada. Un cuanti cador difuso del tipo $Muchos_Menos_Que n] puede ser modelado de la misma forma que el cuanti cador del ejemplo anterior (Figura 5.9 b)), pero invirtiendo los operandos de la division, de forma que ahora se aplica Q al resultado de la division t=n (y no a n=t), donde
170

1
0 A A A B A B B B
Figura 5.10: Comparacion de dos distribuciones de posibilidad trapezoidales.
de la misma o la ponderacion de ambas usando . As , estos cuanti cadores deber an ser identi cados segun su tipo en la FMB (en la tabla FUZZY OBJECT LIST), para indicar al Servidor FSQL como deben ser aplicados.
t es la suma de los elementos que cumplen la condicion, la suma del grado de cumplimiento
5.2.1.4 De nicion de los Comparadores Difusos de FSQL para Atributos Difusos Tipo 1 o 2
Los comparadores difusos (Tabla 5.12) pueden usarse para comparar atributos difusos, entre s o con contantes (difusas o crisp). Para atributos difusos Tipo 3 solo esta permitido usar el comparador difuso FEQ, ya que no existe una relacion de orden en el dominio de estos atributos. Por ejemplo, no podemos decir si el valor \Rubio" es mayor que el valor \Moreno", pero si podemos medir su similitud. La de nicion de este comparador para este Tipo de atributos difusos se explica mas adelante en el apartado 5.2.1.7. En atributos difusos Tipo 2 podemos almacenar valores crisp {como en los Tipo 1{, pero ademas podemos almacenar valores como los expresados en la Tabla 5.14. El caso mas general es el Trapecio Difuso, pues este tipo de valor engloba a todos los demas. As , por ejemplo, un valor aproximado #n es una distribucion de posibilidad triangular donde = =n y n = n=margen y el valor para el margen es almacenado en la FMB (atributo MARGEN de la tabla FUZZY APPROX MUCH) para cada atributo de cada relacion. Igualmente, un valor intervalo n,m] puede verse como un trapecio en el que = =n y = =m. Por tanto, aqu nos centraremos en el estudio de los comparadores difusos cuando comparamos dos distribuciones de posibilidad trapezoidales, que es el caso mas general. Como se vera mas adelante, el Servidor FSQL tiene en cuenta los tipos de distribuciones de posibilidad que hay que comparar en cada momento para observar sus peculiaridades y aumentar la e ciencia de cada comparacion. As , si en una relacion hay muchos valores crisp (o muchos intervalos...) las comparaciones seran mas rapidas que si hay muchos trapecios. Supondremos que deseamos comparar dos distribuciones de posibilidad cualesquiera que denotaremos por A=$ A , A , A , A ] y B=$ B , B , B , B ], como por ejemplo las que estan representadas en la Figura 5.10. Usaremos tambien la funcion CDEG, para expresar el grado de compatibilidad de una comparacion difusa. El resultado de esta comparacion dependera, naturalmente, del comparador difuso (Tabla 5.12) empleado. A continuacion de nimos cada uno de los comparadores difusos:
171
Comparador Difuso FEQ (Fuzzy EQual,Possibly Equal, Igual Difuso, Posiblemente Igual): Para comparar dos distribuciones de posibilidad A y B (trapezoidales) y
obtener el Grado de Compatibilidad entre ellas, CDEG(A FEQ B), o, lo que es lo mismo, en que medida son posiblemente similares, se usa la ecuacion:
CDEG(A FEQ B)
= sup min (A(d); B(d))

d2U
(p;p0 )2U U
sup
min (= (p; p0 ); A(p); B(p0 ))
(5.6) (5.7)
donde U es el dominio subyacente a ambas distribuciones de posibilidad y A(d) es el grado de posibilidad para el valor d 2 U en la distribucion de posibilidad A. La funcion =, toma el valor 1 si sus argumentos son iguales y 0 si son diferentes. En el caso de la Figura 5.10 obtenemos que las distribuciones A y B tienen un grado de compatibilidad de ". Observe que este comparador difuso es el unico que posee la propiedad conmutativa. para que una distribucion sea (o este incluida en) otra. Este grado se calcula por la ecuacion:
CDEG(A NFEQ B)
Comparador Difuso NFEQ (Necessarily Fuzzy EQual, Necesariamente Igual Difuso): Este comparador mide el grado de necesidad (u obligatoriedad) que existe
= dinf max (1 2U
A(
d); B(d))
=0; =0;
(5.8)
En el ejemplo de la Figura 5.10 tenemos que:
CDEG(A NFEQ B) CDEG(B NFEQ A)
Con otros comparadores distintos de la igualdad difusa, se modi ca la distribucion de posibilidad de la parte derecha de la comparacion, tal y como se expresa en la Figura 5.11. Ademas, en los comparadores difusos de necesidad se niega la distribucion de posibilidad de la parte izquierda de la comparacion, tal y como se hace en la ecuacion 5.8.
Comparadores Difusos FGT/NFGT (possibly/Necessarily Fuzzy Greater Than, Posiblemente/Necesariamente Mayor Difuso): Para obtener el grado de compatibilidad con el que una distribucion de posibilidad A es posiblemente/necesariamente mayor que otra B se utilizan la siguientes ecuaciones:
81 < CDEG(A FGT B) = ( :0 81 < CDEG(A NFGT B) = ( :0
A B
) (
B A A
si A B si A < B y A > B en otro caso ( A B ) si A B si A < B y en otro caso (
(5.9)
) (
B A A
A A
>
B B
(5.10)
172

1
A A
FGT A
A A
FGEQ A
A A
FLT A
A A
FLEQ A
A A
Figura 5.11: Modi cacion de la parte derecha de una comparacion difusa segun el comparador difuso empleado.

1
173
0 A A A B A B B B
1-B
FGT A
1 1-B
0 A A A B A B B
NFGT A,
Figura 5.12: Representacion gra ca de la comparacion B tibilidad es 1 ". En la Figura 5.10 obtenemos que:
CDEG(A FGT B) CDEG(B FGT A)
donde su grado de compa-
= 0 ; CDEG(A NFGT B) = 0 ; = 1 ; CDEG(B NFGT A) = 1 " ; En la Figura 5.12 hay un ejemplo gra co de la comparacion de necesidad B NFGT A. Observese como se niega la distribucion B y se modi ca la distribucion A segun el comparador empleado.
Comparadores Difusos FGEQ/NFGEQ (possibly/Necessarily Fuzzy Greater or EQual Than, Posiblemente/Necesariamente Mayor o Igual Difuso):
81 < CDEG(A FGEQ B) = ( :0 81 < CDEG(A NFGEQ B) = ( :0

B
A B
) (
B A A
si A B si A < B y A > B en otro caso ( A B ) si A B si A < B y en otro caso ( ="; =1;
(5.11)
A B
) (
B A A
A A
>
B B
(5.12) =0; =1;
En la Figura 5.10 obtenemos que:
CDEG(A FGEQ B) CDEG(B FGEQ A)
CDEG(A NFGEQ B) CDEG(B NFGEQ A)
174
Comparadores Difusos FLT/NFLT (possibly/Necessarily Fuzzy Less Than, Posiblemente/Necesariamente Menor Difuso):
81 < CDEG(A NFLT B) = ( :0

81 < CDEG(A FLT B) = ( :0
A B B
) (
B A
si A B si A > B y en otro caso (
A A
<
B B
(5.13)
A B
) (
B A A
si A B si A > B y A < B en otro caso ( A B ) =1; =0;

CDEG(A NFLT B) CDEG(B NFLT A)
(5.14) =1 "; =0;
CDEG(A FLT B) CDEG(B FLT A)
Comparadores Difusos FLEQ/NFLEQ (possibly/Necessarily Fuzzy Less or EQual Than, Posiblemente/Necesariamente Menor o Igual Difuso):
81 < CDEG(A NFLEQ B) = ( :0

81 < CDEG(A FLEQ B) = ( :0
B A
) (
A B B
si A B si A > B y en otro caso (
A A
<
B)
(5.15)
A B B
) (
B A
si A B si A > B y A < B en otro caso ( A B )
(5.16)
= 1 ; CDEG(A NFLEQ B) = 1 ; = " ; CDEG(B NFLEQ A) = 0 ; En los comparadores que usan la expresion \Mucho" (mucho mayor/menor que), se usa la distancia M (almacenada en el atributo MUCH de la tabla FUZZY APPROX MUCH de la FMB). Tambien con estos comparadores se modi ca la distribucion de la parte derecha de la comparacion, tal y como se muestra en la Figura 5.13 (donde M=M ).
CDEG(A FLEQ B) CDEG(B FLEQ A)
en la FMB se almacena un valor para cada atributo difuso Tipo 1 o 2 que indica la distancia m nima para que 2 valores de ese atributo sean considerados como muy separados (atributo MUCH de la tabla FUZZY APPROX MUCH). Sea M esta distancia, para un atributo con dos valores cualesquiera A y B. Entonces, para obtener el grado de compatibilidad con el que A es posiblemente/necesariamente mucho mayor que B, se utilizan las siguientes ecuaciones:
Comparadores Difusos MGT/NMGT (possibly/Necessarily Much Greater Than, Posiblemente/Necesariamente Mucho Mayor difuso): Como ya hemos indicado,
81 < CDEG(A MGT B) = ( :0
B A
+M A) (
A B B
si A B + M si A < B + M y en otro caso ( A
A B
+ M)
> B+M
(5.17)
175
A A
MGT A
A A
A M
A+ M
A+ M
MLT A
A- M A- M M
A A
Figura 5.13: Modi cacion de la parte derecha de una comparacion difusa segun el comparador difuso \Mucho Mayor/Menor que" empleado.
176
81 < CDEG(A NMGT B) = ( :0

B A
+M A) (
A B B
si A B + M si A < B + M y en otro caso ( A
B + M)
> B+M
(5.18)
Ademas de las distribuciones de la Figura 5.10, supondremos otra distribucion de posibilidad A'=A M= $ A M, A M, A M, A M]. Si comparamos con los comparadores MGT/NMGT estas 3 distribuciones de posibilidad de ejemplo, se obtiene que:
CDEG(A MGT B) = 0 ; CDEG(B MGT A) = 0 ; CDEG(A MGT A') = 0 ; CDEG(A' MGT A) = 0 ; CDEG(A' MGT B) = 0 ; CDEG(B MGT A') = 1 ; CDEG(A NMGT B) = 0 ; CDEG(B NMGT A) = 0 ; CDEG(A NMGT A) = 0 ; CDEG(A' NMGT A) = 0 ; CDEG(A' NMGT B) = 0 ; CDEG(B NMGT A') = 1
";
Comparadores Difusos MLT/NMLT (possibly/Necessarily Much Less Than, Posiblemente/Necesariamente Mucho Menor difuso):
81 < CDEG(A MLT B) = ( :0
B A A
) (
A B B
si A B M si A > B M y en otro caso ( A si A B M si A > B M y en otro caso ( A
A B
<
M)
B
(5.19)
81 < CDEG(A NMLT B) = ( :0
B A A
) (
A B B
A B
<
M)
(5.20)
En el caso de la Figura 5.10, y con la distribucion A' de nida anteriormente, se obtiene que:
CDEG(A MLT B) = 0 ; CDEG(B MLT A) = 0 ; CDEG(A MLT A') = 0 ; CDEG(A' MLT A) = 0 ; CDEG(A' MLT B) = 1 ; CDEG(B MLT A') = 1 ; CDEG(A NMLT B) = 0 ; CDEG(B NMLT A) = 0 ; CDEG(A NMLT A) = 0 ; CDEG(A' NMLT A) = 0 ; CDEG(A' NMLT B) = 1 CDEG(B NMLT A') = 0 ;
";
5.2.1.5 Equivalencias entre Comparadores Difusos y Excepciones a sus De niciones

De las de niciones de todos estos comparadores difusos podemos obtener que hay comparadores difusos que son equivalentes entre s con solo intercambiar de orden los valores comparados, i.e., consiguen igual grado de cumplimiento. Por ejemplo, en modo crisp se cumple que la comparacion A>B es equivalente a la comparacion B<A. Los comparadores difusos de nidos anteriormente muestran las siguientes equivalencias:
177
A FEQ A FGT A FLT
B B B
B FEQ A B NFLEQ A B NFGEQ A B FLEQ B NFLT B NMLT A A A
A FGEQ B A NFGT B A NMGT B
(5.21) (5.22) (5.23) (5.24) (5.25) (5.26)
De la ecuacion 5.21 obtenemos que el comparador FEQ cumple la propiedad conmutativa. De hecho, es el unico comparador difuso que cumple tal propiedad. Estas equivalencias se cumplen siempre, por de nicion. Sin embargo, el Servidor FSQL incorpora unas excepciones en aras de la claridad. Estas excepciones se producen cuando se compara, utilizando un comparador de necesidad, un valor con una constante difusa UNKNOWN, UNDEFINED o NULL. En esos casos se devuelve siempre un grado de compatibilidad 0 (cero), aunque en algunas comparaciones determinadas el valor a devolver deber a ser 1. tantes es 1, siguiendo la de nicion de comparador difuso empleado:
UNDEFINED $ 1,2,3,4] 100,200] 8 NFEQ NFEQ NFLT NFGT #8 UNKNOWN UNKNOWN NULL
Ejemplo 5.7 En las comparaciones siguientes, el grado de compatibilidad entre ambas cons-
Sin embargo, el Servidor FSQL devuelve 0 (cero) como grado de compatibilidad de esas comparaciones, que es el valor que uno espera obtener. Por ejemplo, en el segundo caso, uno espera obtener un valor nulo cuando estudia la necesidad de que cualquier valor difuso sea UNKNOWN (desconocido). t u Estas excepciones hacen que se devuelva el valor que intuitivamente uno espera obtener. Ademas, al usar un comparador de necesidad se esta indicando claramente que se desean recuperar pocas e interesantes tuplas, por lo que no parece logico que se recuperaran tuplas con valores como UNKNOWN en el atributo utilizado en la seleccion. Por otra parte, si se desea obtener todas aquellas tuplas que posiblemente cumplen la condicion de la seleccion se debe entonces utilizar un comparador de posibilidad y no de necesidad. Si en la base de datos difusa hay almacenada una etiqueta que no esta de nida en la tabla FUZZY OBJECT LIST de la FMB, entonces la comparacion devolvera el valor NULL (en el sentido del SGBD) y por tanto, la condicion sera evaluada como \falsa" para esa tupla. Aparentemente, otra posible inconsistencia es que el tipo del valor difuso que se almacena no sea correcto, i.e., no esta entre 0 y 7 para atributos difusos Tipo 2 o no esta entre 0 y 4 para atributos difusos Tipo 3. Sin embargo, este error no deber a producirse nunca pues al declarar la tabla con CREATE TABLE se deber a incorporar una restriccion que chequeara (CHECK) esa condicion e impidiera la insercion de valores incorrectos, tal y como se de ne en el apartado 5.2.2.
178

Familia Comparadores difusos, de mayor a menor restrictividad Igual difuso NFEQ > FEQ Mayor difuso NFGT > FGT > NFGEQ > FGEQ Menor difuso NFLT > FLT > NFLEQ > FLEQ Mucho Mayor difuso NMGT > MGT Mucho Menor difuso NMLT > MLT Tabla 5.15: Restrictividad de los comparadores difusos por familias.
5.2.1.6 Restrictividad de los Comparadores Difusos

Hay comparadores cuyos resultados de comparacion incluyen unos a otros. Por ejemplo, en modo crisp, el resultado del comparador \>=" incluye al de \>". Decimos entonces que el comparador \>" es mas restrictivo que \>=". O sea, los comparadores mas restrictivos recuperaran menor o igual cantidad de tuplas y las tuplas recuperadas nunca tendran un grado de cumplimiento mayor que con los comparadores menos restrictivos. En la Tabla 5.15 se puede ver el orden de restrictividad de los comparadores difusos, por familias. Observe que cualquier comparador de necesidad es mas restrictivo que su correspondiente comparador de posibilidad.
rador difuso FEQ, ya que no existe una relacion de orden en el dominio de estos atributos. Por ejemplo, no podemos decir si el valor \Rubio" es mayor que el valor \Moreno", pero si podemos medir su similitud. As , cuando comparamos dos valores de tipo simple entre s , el valor devuelto es el valor almacenado en su relacion de similitud (tabla FUZZY NEARNESS DEF) suponiendo que ambos valores esten normalizados, i.e., tengan grado de posibilidad 1. Lo normal (y deseable) es que tanto los valores simples como las distribuciones de posibilidad sobre atributos difusos Tipo 3 esten normalizadas, i.e., tengan grado de posibilidad 1 al menos en alguna componente. Sin embargo, si eso no ocurriera el Servidor FSQL lo tiene en cuenta en la comparacion. Supongamos que deseamos comparar dos distribuciones de posibilidad cualesquiera, F y X, sobre las etiquetas lingu sticas de un atributo difuso Tipo 3:
F FEQ X
5.2.1.7 De nicion del Comparador Difuso FEQ para Atributos Difusos Tipo 3 Como ya hemos indicado, para atributos difusos Tipo 3 solo esta permitido usar el compa-
(5.27)
donde = fFPi =labelFi g X = fXPj =labelXj g

F
con con
i = 1; 2 : : : LENF j = 1; 2 : : : LENX
(5.28) (5.29)
siendo labelFi y labelXj etiquetas lingu sticas que pertenecen al mismo atributo y por tanto se pueden comparar con su relacion de similitud. Los valores FPi y XPj son los grados de posibilidad, en 0,1], asociados a dichas etiquetas respectivamente. LENF y LENX indican el
179
numero de parejas fgrado,etiquetag de las distribuciones de posibilidad F y X respectivamente, con LENF 1 y LENX 1. Entonces, el grado de compatibilidad entre F y X, o, lo que es lo mismo, el grado de cumplimiento de la condicion de la ecuacion 5.27, viene dado por: = i=1:::LEN ;j =1:::LEN f (labelFi ; labelXj ) FPi XPj g max (5.30) F X donde (labelFi ; labelXj ) expresa el grado de similitud entre ambas etiquetas, el cual debe estar almacenado en la tabla FUZZY NEARNESS DEF de la FMB. La ecuacion anterior se simpli ca si la comparacion es efectuada directamente sobre una etiqueta ($label=labelX1 que se supone con posibilidad XP1 =1):
CDEG(F FEQ X)
= i=1:::LEN f (labelFi ; label) FPi g max (5.31) F Si para una pareja de etiquetas no esta de nido su grado de similitud en la FMB, este se supone que es cero.
CDEG(F FEQ $label)
5.2.1.8 Tipos de Condiciones Difusas Elementales, Con y Sin Expresiones Aritmeticas

Por todo lo visto, podemos concluir que existen 8 tipos basicos de comparaciones o condiciones difusas elementales (sin expresiones aritmeticas externas). Estas condiciones pueden ser enlazadas con otras condiciones (difusas o no) mediante los operadores logicos (NOT, AND y OR) para formar condiciones difusas mas complejas. Sean <fcol> y <fcol2> dos atributos difusos expresados con el formato de SQL (con su esquema y tabla o no) y <fcomp> un comparador difuso de los de nidos en la Tabla 5.12. Entonces, los 8 tipos basicos de condiciones difusas son los siguientes: 1. Comparacion de un atributo difuso Tipo 1 o 2 con una distribucion de posibilidad constante de tipo aproximado #n (como la Figura 5.4):
<fcol> <fcomp> #n
2. Comparacion de un atributo difuso Tipo 1 o 2 con una distribucion de posibilidad constante de tipo intervalo n,m] (como la Figura 5.5):
<fcol> <fcomp> n,m]
3. Comparacion de un atributo difuso Tipo 1 o 2 con una distribucion de posibilidad constante de tipo trapecio $ , , , ] (como la Figura 5.2):
<fcol> <fcomp> $ , , , ]
4. Comparacion de un atributo difuso de cualquier Tipo (1, 2 o 3) con una distribucion de posibilidad constante de tipo etiqueta lingu stica $label (de nida en la FMB):
180

<fcol> <fcomp> $label
5. Comparacion de un atributo difuso Tipo 1 o 2 con una expresion constante de tipo crisp <expr crisp>:
<fcol> <fcomp> <expr crisp>
En la expresion crisp tambien puede incluirse una columna crisp o difusa Tipo 1 de cualquier tabla. Ver Ejemplo 5.8 expuesto a continuacion. 6. Comparacion de un atributo difuso de cualquier Tipo con otro que sea compatible con el primero:
<fcol> <fcomp> <fcol2>
La unica incompatibilidad que existe entre atributos difusos esta entre atributos de Tipo 3 con atributos de otro tipo y con otros atributos de Tipo 3 que no sean declarados expl citamente como compatibles en la tabla FUZZY COMPATIBLE COL. Si el atributo de la derecha es difuso Tipo 2 o 3 y tras este aparecen operaciones aritmeticas, estas seran consideradas como externas a la comparacion difusa. Ver Ejemplos 5.9 y 5.10 expuestos a continuacion. 7. Comparacion de un atributo difuso con una constante difusa sin argumentos variables usando el comparador difuso FEQ:
< fcol >
FEQ
En este tipo de comparacion no puede emplearse otro comparador difuso distinto de FEQ y la columna <fcol> no puede ser difusa Tipo 1. 8. Comparacion de un atributo difuso con una constante difusa sin argumentos variables usando la comparacion con IS (con o sin NOT):
< fcol >
IS NOT]
Si la columna <fcol> es difusa Tipo 1 solo puede usarse la constante NULL, que tendra el sentido que le da el SGBD y no es el NULL difuso. A todas estas condiciones difusas, menos a la ultima, se le pueden poner un umbral de cumplimiento, de forma que la condicion establecida solo sera valida si su grado de cumplimiento supera dicho umbral. Las comparaciones difusas (excepto IS) pueden ir precedidas o sucedidas por expresiones aritmeticas que operan con la comparacion difusa, de forma que estas son consideradas como externas a la comparacion difusa. El Servidor FSQL limita las expresiones aritmeticas despues de la comparacion difusa de forma que estas solo pueden aparecer:
181
1. Cuando queremos comparar una expresion crisp (caso 5): Entonces, toda la expresion debe ser crisp y situada a la derecha del comparador difuso. La comparacion difusa se efectuara sobre toda la expresion. A la izquierda debe haber, logicamente, un atributo difuso Tipo 1 o 2. 2. Cuando justo tras el comparador aparece un atributo difuso Tipo 2 o 3: Entonces, las expresiones aritmeticas que sucedan a ese atributo difuso seran consideradas como externas a la comparacion, ya que el Servidor FSQL no admite operaciones aritmeticas sobre atributos difusos Tipo 2 o 3. Si aparece un atributo difuso Tipo 2 o 3 en una expresion aritmetica tras el comparador, pero este atributo no esta justo despues del comparador, entonces el tratamiento para este atributo puede ser con gurado por el usuario, tal y como se explica en el apartado 5.4.1. A continuacion exponemos una serie de ejemplos que muestran la gran variedad de tipos de comparaciones difusas con expresiones aritmeticas que pueden efectuarse.
Ejemplo 5.8 La siguiente comparacion difusa con expresiones aritmeticas:

0.5 * Sueldo FGT SQRT(Comision)+3/4 THOLD 0.25
expresa que el grado de compatibilidad con el que el atributo Sueldo (que suponemos Tipo 1 o 2) es \posiblemente mayor" que la expresion crisp que le sigue (donde Comision es un atributo numerico crisp o difuso Tipo 1), multiplicado por 0.5 debe ser mayor o igual que el umbral 0.25. Si llamamos a ese grado de compatibilidad entonces, la comparacion es equivalente a: (0:5 ) 0:25
Observe que la expresion crisp tras FGT es considerada como un unico valor crisp que es comparado con Sueldo. Por tanto, las variaciones en el valor de Comision in uiran en el valor de . t u
Ejemplo 5.9 Siguiendo el ejemplo anterior y suponiendo que Sueldo es un atributo difuso Tipo 2 y Tasa es Tipo 1, la siguiente comparacion difusa es correcta:
0.5 * Tasa NFLT Sueldo-5*SQRT(Tasa) THOLD 0.25
La expresion aritmetica tras Sueldo es considerada como externa, ya que Sueldo es de Tipo 2. Si fuera de Tipo 1 ser a considerada como un unico valor crisp (como en el ejemplo anterior). Si llamamos al grado de compatibilidad con el que Tasa es \necesariamente menor difuso que" Sueldo, entonces, la comparacion es equivalente a: (0:5 5
Comision)
0:25
Observe que tanto las expresiones aritmeticas anteriores como posteriores a la comparacion difusa son consideradas como externas a ella y, por tanto, las variaciones en el valor de Tasa no in uyen ahora en el valor de . t u
182
3 de distintas tablas, Profesion, tambien es correcta la siguiente comparacion difusa:
Ejemplo 5.10 De igual forma que en el ejemplo anterior, si utilizamos atributos difusos Tipo
0.5 * Empleado.Profesion FEQ Personas.Profesion-5*SQRT(Comision) THOLD 0.25
Si llamamos al grado de compatibilidad con el que el valor de Profesion de la tabla Empleado es similar al valor de Profesion de la tabla Personas, entonces, la comparacion es equivalente a: (0:5 5
Comision)
0:25
Observe que tanto las expresiones aritmeticas anteriores como posteriores a la comparacion difusa son consideradas como externas a ella. t u
Ejemplo 5.11 La siguiente comparacion difusa con expresiones aritmeticas:

0.5 * Sueldo FGT #5 THOLD 0.25
expresa que el grado de compatibilidad con el que el atributo Sueldo (que suponemos Tipo 1 o 2) es \posiblemente mayor" que \aproximadamente 5", multiplicado por 0.5 debe ser mayor o igual que el umbral 0.25. Si llamamos a ese grado de compatibilidad entonces, la comparacion es equivalente a: (0:5 ) 0:25
Tras la constante #5 no se pueden a~adir operaciones aritmeticas9 , igual que si se utiliza n un trapecio, una etiqueta o cualquier otra constante difusa. t u
Ejemplo 5.12 La comparacion difusa puede ser mas elaborada que en el ejemplo anterior:
Plus - 0.50 + 0.35 * SQRT(Estado) * Sueldo NFGEQ $ 2,3,4,5] = 35
donde Estado y Plus las suponemos como columnas crisp (o difusas Tipo 1). Observese que hemos cambiado la palabra reservada THOLD por el comparador crisp =. Entonces, la condicion equivalente ser a (Plus 0:5 + 0:35
Estado
) = 35
donde aqu es el grado con el que el Sueldo es \necesariamente mayor o igual" que el trapecio $ 2,3,4,5]. El signi cado de esta condicion es que tiene que ser igual a 35 el resultado de multiplicar , 0.35 y la ra z cuadrada del Estado y despues sumarle el valor de Plus y restarle 0.5. u t
limitacion podr a ser subsanada en posteriores versiones del Servidor FSQL. Para ello, habr a que modi car la gramatica para que admita ese tipo de expresiones.
9 Esta
183
5.2.1.9 Comparacion de Valores Crisp Usando Comparadores Difusos

Observese que FSQL permite comparar, usando comparadores difusos, dos atributos difusos Tipo 1 (crisp) o un atributo difuso Tipo 1 con una expresion de tipo crisp (incluyendo ah atributos no difusos). Esto podr a considerarse como erroneo, pues desde cierto punto de vista no tiene sentido comparar difusamente dos valores crisp, debiendose entonces utilizar los comparadores crisp clasicos. Sin embargo, FSQL permite este tipo de comparacion, dandole un matiz que puede resultar muy util y que no se consigue utilizando comparadores crisp clasicos. As , cuando comparamos un atributo difuso Tipo 1 con un valor crisp mediante un comparador difuso, lo que se hace es difuminar el valor situado a la derecha de la comparacion, convirtiendolo a un valor aproximado, del tipo de la Figura 5.4, utilizando el margen para valores aproximados del atributo situado a la izquierda de la comparacion. Por eso, es obligatorio que a la izquierda del comparador difuso exista siempre un atributo difuso. Si en la comparacion difusa no se desea que se difumine el valor de la derecha entonces, se debe utilizar un comparador crisp clasico y no un comparador difuso. comparaciones difusas son equivalentes:
Ejemplo 5.13 Por ejemplo, si <fcol_t1> es un atributo difuso Tipo 1, las siguientes dos
<fcol t1> <fcol t1> FGT FGT 6 #6
En el primer caso se difumina impl citamente el 6 y en el segundo expl citamente. Si no se desea difuminar usar el comparador crisp > en el primer caso. t u Igualmente, cuando se compara un atributo difuso Tipo 1 con un intervalo n,m] (Figura 5.5), utilizando un comparador difuso, tambien se difumina el intervalo convirtiendose en el trapecio $ n-margen,n,m,m+margen] (Figura 5.2). Si no se desea que se difumine se debe emplear un comparador crisp, como en BETWEEN n AND m, o varios (>= y <=). Con los comparadores del tipo \Mucho Mayor/Menor que", MGT/NMGT y MLT/NMLT, se difumina ademas el valor crisp situado a la izquierda de la comparacion tambien a un valor aproximado con el mismo margen. Esto se hace as porque estos comparadores son difusos \per se ", es decir el cuanti cador \Mucho" incluye un matiz difuso extra que no tienen los demas comparadores. O sea, estos comparadores no proceden de difuminar comparadores clasicos ya existentes, sino que son difusos por s mismos, sin que exista una version clasica para ellos. Por eso, al difuminar ambos valores en estos comparadores conseguimos que la comparacion sea mas gradual, i.e., valores que obtendr an grado cero si no se hiciera as , ahora obtienen un grado que estara en el intervalo (0,0.5]. El valor 0.5 se debe a que el difuminado de ambos valores se hace con el mismo margen, con lo que la inclinacion de los lados del triangulo posibil stico es la misma en ambos casos.
5.2.1.10 Ejemplos de Consultas en FSQL

Con los siguientes ejemplos intentamos mostrar la potencia del comando SELECT con su extension difusa de FSQL. Supongamos que tenemos una base de datos Relacional Difusa sobre jugadores de baloncesto. Una relacion de la base de datos podr a ser la relacion Jugadores de la Tabla 5.16.
184
H Jugador Equipo Altura B P1 Cordoba Bajo

P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19 Cordoba Granada Granada Granada Malaga Malaga Malaga Sevilla Sevilla Cadiz Cadiz Almer a Almer a Almer a Huelva Huelva Jaen Jaen
Calidad $ $
Muy Alto Normal 192 Alto 198 Muy Alto 170 Bajo Normal Muy Alto Bajo Alto Muy Alto 177 Alto Unknown Unknown Normal
30,38,40,45] 2,7,10,15] Regular Regular #10 Malo #35 $ 31,34,35,38] #15 Bueno #25 Muy Bueno Muy Bueno #8 #6 Muy Bueno Unknown $ 8,12,15,25] #25
Tabla 5.16: Relacion difusa Jugadores. Los campos Altura (que almacena la altura del jugador) y Calidad (que mide la calidad del jugador segun el numero de puntos medio por partido), son atributos difusos Tipo 2. Nosotros, para el ejemplo, usaremos las etiquetas lingu sticas de la Figura 5.14. Ademas, sabemos que en la FMB esta almacenado el valor 10 para el margen de los valores aproximados del atributo Calidad (atributo MARGEN de la tabla FUZZY APPROX MUCH). Eso indica que el valor \aproximadamente n" (#n) expresa la distribucion de posibilidad triangular expresada por n 10 (trapecio $ n{10,n,n,n+10]). La distancia m nima para considerar dos valores muy separados (atributo MUCH de la tabla FUZZY APPROX MUCH) es 12 para el atributo Altura y 15 para el atributo Calidad. Por supuesto, la relacion Jugadores puede incluir valores \Unknown" en el caso de que desconozcamos totalmente la Altura o la Calidad de un jugador. En este contexto no tienen sentido los valores \Unde ned" o \Null". Ejemplo 5.14 Dame todos los datos de los jugadores que son posiblemente altos (en grado m nimo 0.5) y que tienen una calidad posiblemente menor que buena (en grado m nimo 0.25). Recuperar los grados de compatibilidad de ambos atributos independientemente y el asociado a la condicion completa. La consulta FSQL y el resultado obtenido se muestran en la Tabla 5.17. Si subimos el umbral m nimo del atributo Calidad a 0.5 el resultado es el mismo pero sin recuperar las tuplas de los jugadores P11 ni P19. t u
Ejemplo 5.15 Modi car los comparadores empleados en el Ejemplo 5.14 anterior para recu-
perar aquellos jugadores que cumplen con la condicion impuesta \necesariamente". Es decir,

ALTURA
1
185
Bajo
Normal
Alto
Muy Alto
0.5
0 170 175 180 185 190 195 200 205 210 cm.
CALIDAD
1 0.75 0.5
Malo
Regular
Bueno
Muy Bueno
0 5 10 15 20 25 30 35 40 45 Puntos/Partido
Figura 5.14: De nicion de etiquetas sobre los atributos Altura y Calidad.

SELECT Jugadores.%, CDEG(*) FROM Jugadores WHERE Altura FEQ $Alto THOLD 0.5 AND Calidad FLT $Bueno THOLD 0.25; Calidad $
H Jugador Equipo Altura B P2 Cordoba Muy Alto

P3 P4 P5 P6 P7 P10 P11 P14 P17 P18 P19 Granada Granada Granada Malaga Malaga Sevilla Cadiz Almer a Huelva Jaen Jaen Normal 192 Alto 198 Muy Alto Normal Muy Alto Muy Alto Unknown Unknown Normal
2,7,10,15] Regular Regular #10 Malo #35 Bueno #25 #8 Unknown $ 8,12,15,25] #25
CDEG(Altura) CDEG(Calidad) CDEG(*)
0.50 0.50 0.70 1.00 1.00 0.50 0.50 0.50 0.50 1.00 1.00 0.50
1.00 1.00 1.00 1.00 1.00 1.00 0.50 0.25 1.00 1.00 0.86 0.25
0.50 0.50 0.70 1.00 1.00 0.50 0.50 0.25 0.50 1.00 0.86 0.25
Tabla 5.17: Consulta FSQL y relacion resultante del Ejemplo 5.14.
186

SELECT Jugadores.%, CDEG(*) FROM Jugadores WHERE Altura NFEQ $Alto THOLD 0.5 AND Calidad NFLT $Bueno THOLD 0.25;
CDEG(Altura)
H Jugador Equipo Altura Calidad B P4 Granada 192 Regular

P5 P6 Granada Alto Malaga 198
#10
Malo
0.70 0.50 1.00
CDEG(Calidad)
0.33 0.50 1.00
CDEG(*)
0.33 0.50 1.00

SELECT Jugadores.%, CDEG(*) FROM Jugadores WHERE Altura FEQ $Alto THOLD 0.5 AND Calidad NFLT $Bueno THOLD 0.25; Calidad $

P3 P4 P5 P6 P14 P18
2,7,10,15] Granada Normal Regular Granada 192 Regular Granada Alto #10 Malaga 198 Malo Almer a Muy Alto #8 Jaen Unknown $ 8,12,15,25]
0.50 0.50 0.70 1.00 1.00 0.50 1.00
0.67 0.33 0.33 0.50 1.00 0.60 0.25
0.50 0.33 0.33 0.50 1.00 0.50 0.25
Tabla 5.19: Consulta FSQL y relacion resultante del Ejemplo 5.16. modi car los comparadores de posibilidad por sus correspondientes comparadores de necesidad. La consulta FSQL y el resultado obtenido se muestran en la Tabla 5.18. t u
Ejemplo 5.16 Modi car los comparadores empleados en el Ejemplo 5.14 para recuperar
aquellos jugadores que cumplen con la condicion impuesta sobre el atributo Calidad \necesariamente". Es decir, modi car el comparador de posibilidad FLT por su correspondiente comparador de necesidad NFLT. La consulta FSQL y el resultado obtenido se muestran en la Tabla 5.19. t u Observe como en el Ejemplo 5.16 se recuperan mas tuplas que en el Ejemplo 5.15 y menos que en el Ejemplo 5.14. Ello es debido a la restrictividad de los comparadores difusos (apartado 5.2.1.6). m nimo 0.75) y tambien aquellos que siendo posiblemente Buenos (en grado m nimo 0.75) son posiblemente Bajos (en grado m nimo 0.75). La consulta FSQL y la relacion resultante se muestra en la Tabla 5.20. t u
Ejemplo 5.17 Dame todos los datos de los jugadores que son posiblemente Malos (en grado
Ejemplo 5.18 Dame todos los datos de los jugadores que son Malos en Calidad y tambien
aquellos que siendo peores o iguales que Buenos en Calidad son mayores o iguales que Altos

SELECT Jugadores.%, CDEG(*) FROM Jugadores WHERE Calidad FEQ $Malo 0.75 OR ( Calidad FEQ $Bueno 0.75 AND Altura FEQ $Bajo 0.75 ); Calidad
187

P6 P8 P9 P12 P14 P15 P17 P18
2,7,10,15] Malaga 198 Malo Malaga 170 $ 31,34,35,38] Sevilla Bajo #15 Cadiz Bajo Muy Bueno Almer a Muy Alto #8 Almer a 177 #6 Huelva Unknown Unknown Jaen Unknown $ 8,12,15,25]
$
0.00 0.00 1.00 1.00 1.00 0.00 0.60 1.00 1.00
0.80 1.00 0.78 0.75 0.75 0.80 0.93 1.00 0.75
0.80 1.00 0.78 0.75 0.75 0.80 0.93 1.00 0.75
Tabla 5.20: Consulta FSQL y relacion resultante del Ejemplo 5.17. en Altura. Utilizar solo comparadores de necesidad y establecer que los grados de de cumplimiento de todas las condiciones simples sean mayor que 0. La consulta FSQL y la relacion resultante se muestra en la Tabla 5.21. Observe como hemos puesto el comparador > antes del umbral cero. Con esto indicamos que el grado de cumplimiento debe ser estrictamente mayor que cero, i.e., distinto de cero. Por defecto (sin ese comparador), el grado de cumplimiento tendr a que ser mayor o igual que cero. t u que Buenos (en grado m nimo 0.2) y posiblemente mucho mas altos que una altura Normal (en grado m nimo 0.2). Evitar los valores Unknown (desconocidos) en la relacion resultante. La consulta FSQL y la relacion resultante se muestra en la Tabla 5.22. Recuerde que la distancia m nima para considerar dos valores muy separados (atributo MUCH de la tabla FUZZY APPROX MUCH) es 12 para el atributo Altura y 15 para el atributo Calidad. t u que Muy Buenos (en grado m nimo 0.25) y necesariamente mucho mas altos que Bajos (en grado m nimo 0.25). Evitar los valores Unknown (desconocidos) en la relacion resultante. La consulta FSQL y la relacion resultante se muestra en la Tabla 5.23. t u Bueno y tambien que tenga un jugador que sea Muy Bajo y Muy Malo (con todas las condiciones en grado m nimo 0.5). La consulta FSQL esta en la tabla 5.24 y el resultado esta formado unicamente por el equipo de Almer a y Huelva (este ultimo por sus valores desconocidos). u t La operacion de division relacional puede efectuarse tambien con FSQL aunque, al no ser una operacion directamente implementada en SQL, su escritura no es inmediata.
Ejemplo 5.19 Dame todos los datos de los jugadores que son posiblemente mucho peores
Ejemplo 5.20 Dame todos los datos de los jugadores que son necesariamente mucho peores
Ejemplo 5.21 Dame los equipos que tienen al menos un jugador que sea Muy Alto y Muy
188

SELECT Jugadores.%, CDEG(*) FROM WHERE Calidad NFEQ $Malo > 0 ( Calidad NFLEQ $Bueno > 0 Altura NFGEQ $Alto > 0 $ 2,7,10,15] 192 Regular Alto #10 198 Malo Muy Alto #35 Muy Alto #25 Muy Alto #8 177 #6 Calidad Jugadores OR AND );

P4 P5 P6 P7 P11 P14 P15 Granada Granada Malaga Malaga Cadiz Almer a Almer a
1.00 0.70 0.50 1.00 1.00 1.00 1.00 0.00
1.00 1.00 1.00 1.00 0.40 0.80 1.00 1.00
1.00 0.70 0.50 1.00 0.40 0.80 1.00 0.27

SELECT Jugadores.%, CDEG(*) FROM Jugadores WHERE Calidad MLT $Bueno 0.2 AND Altura MGT $Normal 0.2 AND Calidad IS NOT Unknown AND Altura IS NOT Unknown; Calidad $ 2,7,10,15] #10

P5 P6 P14
Granada Alto Malaga 198 Malo Almer a Muy Alto #8
1.00 0.65 0.44 1.00
0.20 0.25 0.50 0.35
0.20 0.25 0.44 0.35

SELECT Jugadores.%, CDEG(*) FROM Jugadores WHERE Calidad NMLT $Muy Bueno 0.25 AND Altura NMGT $Bajo 0.25 AND Calidad IS NOT Unknown AND Altura IS NOT Unknown; Calidad $

P4 P5 P6 P14
2,7,10,15] Granada 192 Regular Granada Alto #10 Malaga 198 Malo Almer a Muy Alto #8
1.00 0.45 0.53 1.00 1.00
1.00 0.50 0.67 1.00 0.80
1.00 0.45 0.53 1.00 0.80

SELECT DISTINCT Equipo FROM Jugadores P1 WHERE EXISTS (SELECT * FROM Jugadores P2 WHERE P1.Equipo = P2.Equipo AND Altura FEQ $Muy_Alto .5 AND Calidad FEQ $Muy_Bueno .5) AND EXISTS (SELECT * FROM Jugadores P2 WHERE P1.Equipo = P2.Equipo AND Altura FEQ $Bajo .5 AND Calidad FEQ $Malo .5);
189
Tabla 5.24: Consulta FSQL para el Ejemplo 5.21.
H Altura Calidad B Bajo Muy Bueno

Alto Regular Tabla 5.25: Relacion difusa Buscados. 5.16) y Buscados (Tabla 5.25). La relacion del denominador, Buscados, puede ser vista como una lista de \tipos" de jugadores y la division relacional es una consulta para obtener los equipos que incorporan en sus las todos los \tipos" de jugadores de la tabla Buscados. Supondremos que la comparacion de atributos sera efectuada con un umbral m nimo de 0.5. La consulta FSQL esta en la Tabla 5.26 y el resultado esta formado unicamente por los equipos de Cordoba, Malaga, Sevilla y Huelva (este ultimo por sus valores desconocidos). Los valores desconocidos pueden evitarse a~adiendo condiciones del tipo J2.Altura IS NOT n UNKNOWN. Puede verse que la division del tipo de este ejemplo es compatible con la division relacional difusa propuesta en el Cap tulo 3, es decir, obtienen los mismos resultados si aplicamos a esta ultima una seleccion con umbral mayor o igual a 0.5. As , si aplicamos la division relacional difusa propuesta en el Cap tulo 3 a las relaciones de este ejemplo obtenemos los siguientes resultados, para los valores con grado mayor que cero:
Ejemplo 5.22 Efectuar la division relacional entre las relaciones difusas Jugadores (Tabla
f0.5/Cordoba, 0.5/Malaga, 0.5/Sevilla, 0.33/Cadiz, 1/Huelva, 0.33/Jaeng

Tomando aquellos equipos con grado mayor o igual a 0.5 obtenemos identicos resultados que con FSQL. Sin embargo, FSQL tiene el inconveniente de que no permite obtener los grados de cumplimiento, ya que estos grados son calculados en el SELECT mas interno y no es posible extraer esos valores y usarlos (para mostrarlos) en el SELECT mas externo. Con FSQL los grados pueden ser obtenidos a base de efectuar distintas pruebas. As , si en la consulta de la Tabla 5.26 ponemos el s mbolo > delante de los umbrales 0.5, entonces obtenemos solo los equipos que cumplen con la condicion con un grado estrictamente mayor
190

-- Division Difusa: PLAYERS / SEARCH SELECT distinct Equipo FROM Jugadores J1 WHERE NOT EXISTS (SELECT Buscados.* FROM Buscados WHERE NOT EXISTS (SELECT J2.* FROM Jugadores J2 WHERE J2.Equipo=J1.Equipo AND J2.Altura FEQ Buscados.Altura 0.5 AND J2.Calidad FEQ Buscados.Calidad 0.5));
Tabla 5.26: Consulta FSQL para el Ejemplo 5.22. que 0.5. En ese caso obtenemos solo el equipo de Huelva, por lo que podemos deducir que los equipos de Cordoba, Malaga y Sevilla cumplen la condicion con grado 0.5. t u El DDL (Data De nition Language) es el conjunto de sentencias necesarias para la creacion y modi cacion de las estructuras en las que se almacenaran los datos. Ejemplos de sentencias del DDL SQL son: CREATE (para crear objetos de la base de datos: tablas, vistas...), ALTER (para modi car objetos), DROP (para borrar objetos), y sentencias para controles de seguridad, ndices y control del almacenamiento f sico de los datos. A continuacion vamos a centrarnos en los 3 primeros tipos de sentencias del DDL y enfocados a cuatro tipos de objetos de la BDRD: Objeto TABLE: Tablas difusas (con atributos difusos). El grupo de sentencias formado por CREATE TABLE, ALTER TABLE y DROP TABLE ya existe en el DDL de SQL estandar. Aqu , hemos ampliado su sintaxis para que permitan expresar las necesidades de una BDRD. Objeto VIEW: Vistas difusas (con atributos difusos). El grupo de sentencias formado por CREATE VIEW, ALTER VIEW y DROP VIEW ya existe en el DDL de SQL estandar. Aqu , hemos ampliado la sintaxis de CREATE VIEW para permitir expresar una vista como una subconsulta difusa (atributos difusos, condiciones difusas...). Objeto LABEL: Etiquetas de atributos difusos Tipos 1 y 2. Estas son asociadas a distribuciones de posibilidad trapezoidales. Este objeto es exclusivo de FSQL. Objeto NEARNESS: Relaciones de semejanza o similitud. Este objeto implica la de nicion de etiquetas para atributos difusos Tipo 3 y la relacion de similitud entre ellas. Este objeto es exclusivo de FSQL. La gramatica que genera el DDL de FSQL puede verse en el Apendice B. La de nicion de otras clausulas para otros objetos, como son sinonimos (SYNONYM) e instantaneas (SNAPSHOT), no la hemos incluido aqu , pues su de nicion es igual a la de SQL o muy similar a ella y/o a clausulas de las que se incluye su de nicion.
5.2.2 El DDL de FSQL: CREATE, ALTER y DROP
191
5.2.2.1 Comandos del DDL de FSQL

El lenguaje FSQL extiende algunos comandos ya existentes en SQL, pero tambien incorpora otros nuevos. Estas son las modi caciones a los comandos ya existentes y los nuevos comandos:
CREATE TABLE:
Esta es la sentencia que mas novedades incorpora:
{ Tipos de Datos Difusos: Se han a~adido tres nuevos tipos de datos, uno para n
cada Tipo de atributo difuso. Por comodidad en el aprendizaje, cada nuevo tipo tiene dos nombres. Estos son los tres nuevos tipos y su formato: 1. Atributos difusos Tipo 1: Se escribe con las palabras reservadas CRISP o FTYPE1 seguido de dos numeros entre parentesis y separados por una coma, que indican los valores que tendra el nuevo atributo difuso en las columnas MARGEN y MUCH de la tabla FUZZY APPROX MUCH. A continuacion se puede poner opcionalmente el tipo base del atributo, es decir, el dominio subyacente, sobre el que tomaran valores los valores crisp que tenga la relacion. Por defecto se tomara NUMBER como tipo base. Pueden producirse errores semanticos, por ejemplo si se de ne el tipo base como un tipo difuso. 2. Atributos difusos Tipo 2: Se escribe con las palabras reservadas POSSIBILISTIC o FTYPE2 seguido de dos numeros entre parentesis y separados por una coma, que indican los valores que tendra el nuevo atributo difuso en la tabla FUZZY APPROX MUCH. Igual que en los Tipo 1, a continuacion se puede poner opcionalmente el tipo base sobre el que tomaran valores las distribuciones de posibilidad que tenga la relacion. Al crear la tabla de nitiva el campo que almacena el tipo de valor difuso debe restringirse a valores enteros entre 0 y 7 (con una restriccion de tipo CHECK). 3. Atributos difusos Tipo 3: Se escribe con las palabras reservadas SCALAR o FTYPE3 seguido opcionalmente de un numero entre parentesis que indica el numero de datos maximo para los valores de dicho atributo, es decir el numero maximo de elementos en las distribuciones de posibilidad sobre escalares (valor del atributo LEN de la tabla FUZZY COL LIST). Suponemos que no hay mas de 10 datos (y 1 como m nimo y por defecto). Opcionalmente se puede a~adir a n la de nicion de este tipo de atributos la palabra DOMAIN seguida del nombre de un atributo (que puede ser de la misma tabla), para indicar que el atributo que estamos de niendo en la tabla que queremos crear sera compatible con el atributo que se indica tras DOMAIN y podra, por tanto, tomar sus valores sin tener que de nirlos de nuevo para este atributo. La clausula DOMAIN hace que se inserte una la en la tabla FUZZY COMPATIBLE COL. Al crear la tabla de nitiva el campo que almacena el tipo de valor difuso debe restringirse a valores enteros entre 0 y 4 (con una restriccion de tipo CHECK). { Subconsultas, constantes, condiciones y expresiones difusas: Cuando estos elementos forman parte de una sentencia CREATE TABLE se permite utilizar sus variantes difusas, tal y como se expusieron en el apartado 5.2.1. Por ejemplo, para especi car un valor constante por defecto, tras la palabra reservada DEFAULT puede situarse cualquier tipo de constante, sea difusa (Tabla 5.14) o no lo sea. { Restricciones de columna: A una columna difusa le podemos imponer varias restricciones especiales, ademas de las ya existentes para atributos clasicos:
192 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.

Prohibe el valor NULL (aplicable a Tipos difusos 1, 2 y 3, e incluso a tipos clasicos). NOT UNDEFINED: Prohibe el valor UNDEFINED (aplicable a Tipos difusos 2 y 3). NOT UNKNOWN: Prohibe el valor UNKNOWN (aplicable a Tipos difusos 2 y 3). NOT LABEL: Prohibe valores del tipo etiqueta, $label (aplicable a Tipos difusos 2 y 3). NOT CRISP: Prohibe valores del tipo crisp (aplicable solo al Tipo difuso 2). NOT TRAPEZOID: Prohibe valores del tipo trapecio, $ a,b,c,d] (aplicable solo al Tipo difuso 2). NOT INTERVAL: Prohibe valores del tipo intervalo, $ n,m] (aplicable solo al Tipo difuso 2). NOT APPROX: Prohibe valores del tipo aproximado, #n (aplicable solo al Tipo difuso 2). ONLY LABEL: Indica que el atributo difuso al que se aplica solo puede tomar valores tipo etiqueta lingu stica, de nida en la FMB. Es como prohibir todos los demas tipos (aplicable a Tipos difusos 2 y 3). ONLY LABEL OR UNKNOWN: Indica que el atributo difuso al que se aplica solo puede tomar valores tipo etiqueta lingu stica, de nida en la FMB, o el valor Unknown. Es como prohibir todos los demas tipos (aplicable a Tipos difusos 2 y 3). Esta opcion puede ser muy util, pues el valor Unknown es un valor que es bastante usual en la practica, no siendo as los valores Unde ned y Null. CHECK (<condicion>): Chequea que los valores de ese atributo cumplen una determinada condicion, la cual puede ser difusa. Si la condicion es difusa es solo aplicable a los Tipos difusos (1, 2 y 3) y si la condicion no es difusa se puede aplicar a cualquier tipo de datos (incluidos los tipos clasicos).
NOT NULL:
11.
Ejemplo 5.23 El siguiente ejemplo crea una tabla de pisos para una inmobiliaria \difusa" con atributos difusos de todo tipo:
CREATE TABLE PISOS ( PISO# NUMBER(9) NOT NULL PRIMARY KEY, DUENNO# NUMBER(9) NOT NULL, DIRECCION VARCHAR2(60), SUPERFICIE FTYPE1 (15,25) NUMBER(4) CONSTRAINT NULL_INVALIDO_SUPERFICIE NOT PRECIO FTYPE2 (500,3000) NUMBER(6) DEFAULT CONSTRAINT NULL_INVALIDO_PRECIO NOT CONSTRAINT UNDEFINED_INVALIDO_PRECIO NOT ZONA FTYPE3 (3) DEFAULT UNKNOWN CONSTRAINT NULL_INVALIDO_ZONA NOT CONSTRAINT UNDEFINED_INVALIDO_ZONA NOT
NULL, UNKNOWN NULL UNDEFINED, NULL UNDEFINED);
donde el atributo super cie se supone dado en m2 y el tipo base del precio se supone en miles de pesetas. t u

?
CREATE VIEW:
193
Esta sentencia nos permite crear vistas con subconsultas difusas. El formato es igual que en SQL pero admitiendo subconsultas difusas (SELECT difuso visto en el apartado 5.2.1).
Ejemplo 5.24 La siguiente sentencia crea una vista con los datos de los pisos que estan
en el centro con un grado superior a 0.8 y que tienen un precio inferior a Barato con grado m nimo 0.5:
CREATE VIEW PISOS_CENTRO AS SELECT PISO#, PRECIO, ZONA, CDEG(ZONA) FROM PISOS WHERE ZONA FEQ $CENTRO 0.8 AND PRECIO FLEQ $BARATO 0.5 READ ONLY;
donde el ultimo atributo indica el grado con el que cada piso pertenece a la zona centro. En la vista ese grado estara comprendido en el intervalo 0.8,1]. t u
CREATE LABEL:
Esta es una nueva sentencia, exclusiva de FSQL, y sirve para habilitar etiquetas en el dominio de un atributo difuso concreto. Tiene dos formatos posibles: 1. Crear una etiqueta para un atributo difuso Tipo 1 o 2 concreto y asociarle una distribucion de posibilidad trapezoidal:
CREATE LABEL nombre_label ON schema.]table.atributo VALUES alfa,beta,gamma,delta;
donde tras la palabra reservada VALUES se ponen forzosamente los 4 valores numericos que forman la distribucion de posibilidad asociada a la etiqueta nombre label. Esta sentencia generara un error si el atributo no es difuso Tipo 1 o 2, o si el atributo ya tiene de nida una etiqueta con el mismo nombre. En el segundo caso, se debe usar el comando ALTER LABEL. 2. Copiar todas las etiquetas de nidas para un atributo, atributo2, en otro atributo, atributo1. Ambos atributos deben ser difusos de Tipos 1 o 2 indistintamente, o ambos de Tipo 3. Su formato es:
CREATE LABEL * ON FROM schema.]table.atributo1 schema.]table.atributo2;
Cuando nos encontramos con atributos difusos Tipo 1 o 2 hay que copiar las etiquetas de la tabla FUZZY OBJECT LIST y su de nicion de FUZZY LABEL DEF y se copian todas las que tienen distinto nombre de las ya de nidas en atributo1, sin borrar las que este tuviera anteriormente (ver Ejemplo F.17). Se generara un error si atributo2 no tiene de nida ninguna etiqueta. En atributos difusos Tipo 3 en realidad no copia las etiquetas de uno a otro, sino que establece que ambos atributos son compatibles (insertando una la en FUZZY COMPATIBLE COL). El efecto es el mismo que si aplicamos la clausula DOMAIN en la sentencia CREATE TABLE que crea la tabla que contiene al atributo en cuestion. Se generara un error si atributo1 tiene ya una relacion de similitud asociada a el.
194
PISOS:
Ejemplo 5.25 Crear una etiqueta llamada BARATO sobre el atributo PRECIO de la tabla
CREATE LABEL BARATO ON PISOS.PRECIO VALUES 5000,6000,7000,8000;
donde la distribucion de posibilidad asociada ser a $
5000,6000,7000,8000].
t u
Esta es una nueva sentencia, exclusiva de FSQL, y sirve para crear etiquetas para los atributos difusos Tipo 3. Con esta sentencia se deben de nir todas las etiquetas que van a pertenecer al atributo y con ellas se va a de nir tambien la relacion de similitud, es decir, el grado de similitud entre cada 2 etiquetas. Su formato es:
CREATE NEARNESS ON schema.]table.atributo LABEL lista_de_etiquetas VALUES lista_de_similitudes;
CREATE NEARNESS:
donde lista de etiquetas es una lista de las etiquetas que vamos a de nir separadas por comas y lista de similitudes es la lista de grados de similitud entre cada 2 etiquetas. El orden en que se escriben las etiquetas in uye en el orden en el que se escribiran los grados de similitud. As , si e1 , e2 : : : , en es la lista con n etiquetas y (i; j ) es el grado de similitud entre la etiqueta i-esima y la j -esima, entonces la lista con los grados se dara en el siguiente orden: (1; 2), (1; 3), (2; 3), (1; 4), : : : (2; 4), : : : (3; 4), : : : (1; n), (2; n), (3; n), (n 1; n);
:::
Por tanto, si hay n etiquetas, tras la palabra VALUES debemos situar n2 =2 n=2 numeros (donde = representa la division entera, que trunca). Por ejemplo, con 4 etiquetas habra que poner 6 valores y con 5 etiquetas habra que escribir 10 valores. Otra posible de nicion del numero de valores, sabiendo el numero de etiquetas n, es f (n), donde:
f (n) =
si n = 2 f (n 1) + n 1 en otro caso (n > 2) 1
(5.32)
Al utilizar este tipo de sentencia sobre un atributo, se generara un error si ocurre algo de lo siguiente:
{ El atributo no es difuso Tipo 3: No tiene sentido de nir relaciones de similitud

sobre otros tipos de atributos.
195
tente se debe usar ALTER NEARNESS. { El atributo es compatible con otro Tipo 3: Entonces, se debe modi car la relacion sobre el atributo con el que es compatible. Para eliminar esa compatibilidad y poder crear as otra relacion de similitud, se debe usar previamente el comando DROP NEARNESS. { La lista de similitudes tiene un numero de elementos distinto al que debe tener segun la lista de etiquetas. { Algun valor de la lista de similitudes no pertenece al intervalo 0,1].
{ El atributo ya tiene una relacion de similitud: Para modi car la relacion ya exis-
Ejemplo 5.26 Crear las etiquetas del atributo ZONA de la tabla PISOS:
CREATE NEARNESS ON PISOS.ZONA LABEL CENTRO, NORTE, SUR, ESTE, OESTE VALUES 0.8, 0.8, 0.8, 0.8, 0 , 0.5, 0.5, 0.5, 0.5, 0;
donde de nimos 5 etiquetas y damos los 10 valores correspondientes a la funcion de similitud sobre estas etiquetas. t u
ALTER TABLE: Sentencia para modi car una tabla ya creada. Su formato es igual al de SQL pero permitiendo de nir tipos de datos difusos y restricciones difusas, como se ha explicado mas arriba en la sentencia CREATE TABLE. ? ALTER VIEW: Sentencia para recompilar una vista. Su formato es identico al de SQL. ? ALTER LABEL: Sentencia exclusiva de FSQL para modi car una etiqueta de un atributo difuso Tipo 1 o 2. Esto puede entenderse como borrarla y crearla de nuevo. Su formato es igual al de CREATE LABEL pero cambiando la palabra reservada CREATE por ALTER: ALTER LABEL nombre_label ON schema.]table.atributo VALUES alfa,beta,gamma,delta;
Esta sentencia producira un error si la etiqueta no esta previamente de nida para el atributo indicado. ? ALTER NEARNESS: Sentencia exclusiva de FSQL para modi car las etiquetas de un atributo difuso Tipo 3 y/o sus grados de similitud. Admite dos formatos: 1. En el sentido de borrar las etiquetas y crearlas de nuevo: As , su formato es igual al de CREATE NEARNESS pero cambiando la palabra CREATE por ALTER:
ALTER NEARNESS ON schema.]table.atributo LABEL lista_de_etiquetas VALUES lista_de_similitudes;
196

Se producira un error si el atributo en cuestion no tiene asociada una relacion de similitud o no es difuso Tipo 3. 2. Para modi car solo el grado de similitud o compatibilidad entre dos etiquetas (label1 y label2). Para esto ultimo su formato es:
ALTER NEARNESS ON schema.]table.atributo CDEG(label1,label2)=nuevo_grado_a_cambiar;
Se producira un error ocurre algo de lo siguiente: { El atributo no es difuso Tipo 3: No tiene sentido de nir relaciones de similitud sobre otros tipos de atributos. { Las etiquetas label1 y/o label2 no existen en la relacion de similitud sobre dicho atributo. { El atributo no tiene una relacion de similitud de nida sobre el o la relacion de similitud que utiliza esta asociada directamente a otro atributo: Para modi car un grado en la relacion ya existente se debe efectuar directamente sobre el atributo que de ne la relacion y no sobre otros que sean compatibles a este. Para eliminar esa compatibilidad y poder crear as otra relacion de similitud, se debe usar previamente el comando DROP NEARNESS y posteriormente CREATE NEARNESS. O sea, para alterar una relacion de similitud sobre un atributo, este atributo debe ser el propietario directo de esa relacion y no basta con ser un atributo que sea compatible con el atributo propietario.
Ejemplo 5.27 Para modi car el grado de similitud entre las etiquetas NORTE y SUR del atributo ZONA de la tabla PISOS tendr amos que utilizar la siguiente sentencia:
ALTER NEARNESS ON PISOS.ZONA CDEG(NORTE,SUR) = 0.2;
donde 0.2 es el nuevo grado de similitud entre dichas etiquetas.
t u
? ? ?
de SQL. SQL.
DROP TABLE:
Sentencia para borrar una tabla (difusa o no). Su formato es identico al
DROP VIEW:
Sentencia para borrar una vista (difusa o no). Su formato es identico al de
DROP LABEL: Sentencia exclusiva de FSQL que sirve para borrar una o todas las etiquetas
de nidas sobre un atributo difuso Tipos 1 o 2. Su formato es:

DROP LABEL etiqueta ON atributo
donde etiqueta es el nombre de la etiqueta que queremos eliminar. Si en lugar de poner el nombre de la etiqueta se pone el caracter comod n asterisco * se borraran todas las etiquetas de nidas en la FMB para ese atributo (ver Ejemplo F.18).

?
DROP NEARNESS:
197
Sentencia exclusiva de FSQL que sirve para borrar las etiquetas de atributos difusos Tipo 3. Tiene dos formatos posibles: 1. Para borrar todas las etiquetas de un atributo y su relacion de similitud:
DROP NEARNESS ON schema.]table.atributo;
Si se aplica este formato sobre un atributo difuso Tipo 3 que es compatible con otro, entonces lo que hace es que se elimina esa compatibilidad, quedando el atributo en cuestion sin ninguna etiqueta ni relacion de similitud. 2. Para borrar una unica etiqueta de un atributo. En este caso se borraran tambien los grados de similitud entre esa etiqueta y el resto de ellas.
DROP NEARNESS etiqueta ON schema.]table.atributo;
Para borrar una relacion de similitud o una etiqueta sobre un atributo, este atributo debe ser el propietario directo de esa relacion y no basta con ser un atributo que sea compatible con el atributo propietario. Si esto no se cumple, se producira un error. Los siguientes ejemplos muestran como crear una BDRD con todos los Tipos de atributos difusos y de niendo sus etiquetas, relaciones de similitud... y todos los elementos necesarios. Para instalar esta base de datos se ha creado un script de instalacion en el chero FDBins.sql (ver Apendice E).
-- Creacion de la Base de Datos de Ejemplo: Crear las tablas: CREATE TABLE PERSONAL( EMP# CHAR(4) NOT NULL, NOMBRE CHAR(20) NOT NULL, SEXO CHAR(1) NOT NULL, EDAD FTYPE2(5,10) NUMBER(3) DEFAULT UNKNOWN NOT NULL, CIUDAD CHAR(15) NOT NULL, PRIMARY KEY (EMP#)); CREATE TABLE APTITUD( EMP# CHAR(4) NOT NULL, ESTUDIOS FTYPE3(1) DEFAULT UNKNOWN NOT NULL, PROF FTYPE3(1) DEFAULT UNKNOWN NOT NULL, EXPERIENCIA FTYPE2(2,5) DEFAULT UNKNOWN NUMBER(2) NOT NULL, PRIMARY KEY (EMP#), CONSTRAINT FK_EMP#_APTITUD FOREIGN KEY (EMP#) REFERENCES PERSONAL ON DELETE CASCADE); CREATE TABLE DPTO( DPTO# CHAR(4) NOT NULL, NOMBRE CHAR(20) NOT NULL, LOCALIZ CHAR(15) NOT NULL, BENEFICIOS NUMBER(10) NOT NULL, PRIMARY KEY (DPTO#)); CREATE TABLE PUESTOS(
5.2.2.2 Ejemplo de Creacion de una BDRD con Sentencias del DDL de FSQL
198
PUESTO# NOMBRE ESTUDIOS PROF EXPERIENCIA PRIMARY KEY

CHAR(4) NOT NULL, CHAR(20) NOT NULL, FTYPE3(1) DOMAIN APTITUD.ESTUDIOS NOT NULL, FTYPE3(1) DOMAIN APTITUD.PROF NOT NULL, FTYPE2(2,5) NUMBER(2) NOT NULL, (PUESTO#));
CREATE TABLE EMPLEOS( EMP# CHAR(4) NOT NULL, DPTO# CHAR(4) NOT NULL, PUESTO# CHAR(4) NOT NULL, SUELDO FTYPE1(10000,50000) NUMBER(7) NOT NULL, COMISION FTYPE2(5000,15000) NUMBER(7) NOT NULL, RENDIMIENTO FTYPE3(1) NOT NULL, PRIMARY KEY (EMP#,DPTO#,PUESTO#), FOREIGN KEY (EMP#) REFERENCES PERSONAL ON DELETE FOREIGN KEY (EMP#) REFERENCES APTITUD ON DELETE FOREIGN KEY (DPTO#) REFERENCES DPTO ON DELETE FOREIGN KEY (PUESTO#) REFERENCES PUESTOS ON DELETE CREATE TABLE CIUDADES( CIUDAD1 CHAR(15) NOT NULL, CIUDAD2 CHAR(15) NOT NULL, DISTANCIA FTYPE1(25,100) NUMBER(5) NOT NULL, PRIMARY KEY (CIUDAD1,CIUDAD2));
CASCADE, CASCADE, CASCADE, CASCADE);
CREATE TABLE REQUISITOS( Clave INTEGER NOT NULL, ESTUDIOS FTYPE3(4) DOMAIN APTITUD.ESTUDIOS NOT NULL, PRIMARY KEY (Clave));
-- Creacion de Etiquetas: -- Tabla PERSONAL: CREATE LABEL MUY_JOVEN CREATE LABEL JOVEN CREATE LABEL MADURO CREATE LABEL MAYOR CREATE LABEL MUY_MAYOR -- Tabla APTITUD: CREATE LABEL POCA CREATE LABEL ALGUNA CREATE LABEL MUCHA CREATE LABEL BASTANTE CREATE LABEL GRANDE
ON ON ON ON ON
PERSONAL.EDAD PERSONAL.EDAD PERSONAL.EDAD PERSONAL.EDAD PERSONAL.EDAD
VALUES VALUES VALUES VALUES VALUES
16,16,20,26; 18,22,30,35; 25,32,45,50; 40,45,55,60; 50,55,62,70;
ON ON ON ON ON
APTITUD.EXPERIENCIA APTITUD.EXPERIENCIA APTITUD.EXPERIENCIA APTITUD.EXPERIENCIA APTITUD.EXPERIENCIA
VALUES VALUES VALUES VALUES VALUES
0,1,2,4; 2,3,5,6; 5,7,10,12; 7,8,15,20; 12,15,50,50;
CREATE NEARNESS ON APTITUD.ESTUDIOS LABELS SECUNDARIA, DIPLOMADO, LICENCIADO, DOCTOR VALUES .5, .2, .1, .6, .3, .8;
5.3. ARQUITECTURA DEL SERVIDOR FSQL
199
CREATE NEARNESS ON APTITUD.PROF LABELS DIRECTOR, INGENIERO, TECNICO, ADMINISTRATIVO, SECRETARIO, VENDEDOR VALUES .8, .7, .6, .4, .4, .8, .2, .2, .2, .8, .6, .5, .7, .6, .6; -- Tabla PUESTOS: No se definen etiquetas para los atributos ESTUDIOS y PROF -porque se toman de los atributos homonimos de la tabla APTITUD. CREATE LABEL POCA ON PUESTOS.EXPERIENCIA VALUES 0,1,2,4; CREATE LABEL ALGUNA ON PUESTOS.EXPERIENCIA VALUES 2,3,5,6; CREATE LABEL MUCHA ON PUESTOS.EXPERIENCIA VALUES 5,7,10,12; CREATE LABEL BASTANTE ON PUESTOS.EXPERIENCIA VALUES 7,8,15,20; CREATE LABEL GRANDE ON PUESTOS.EXPERIENCIA VALUES 12,15,50,50; -- Tabla EMPLEOS: CREATE LABEL BAJO CREATE LABEL MEDIO CREATE LABEL ALTO CREATE LABEL MUY_ALTO CREATE LABEL REDUCIDA CREATE LABEL BAJA CREATE LABEL NORMAL CREATE LABEL ALTA CREATE LABEL ELEVADA
ON ON ON ON ON ON ON ON ON
EMPLEOS.SUELDO VALUES 50000,55000,80000,120000; EMPLEOS.SUELDO VALUES 70000,90000,170000,200000; EMPLEOS.SUELDO VALUES 160000,180000,250000,300000; EMPLEOS.SUELDO VALUES 200000,240000,1000000,1000000; EMPLEOS.COMISION VALUES 0,5000,10000,15000; EMPLEOS.COMISION VALUES 11000,15000,20000,30000; EMPLEOS.COMISION VALUES 15000,17000,30000,40000; EMPLEOS.COMISION VALUES 20000,32000,50000,60000; EMPLEOS.COMISION VALUES 40000,50000,200000,300000;
CREATE NEARNESS ON EMPLEOS.RENDIMIENTO LABELS MALO, REGULAR, BUENO, EXCELENTE VALUES .8, .5, .1, .7, .5, .8; -- Tabla CIUDADES: CREATE LABEL MUY_CORTA CREATE LABEL CORTA CREATE LABEL MEDIA CREATE LABEL LARGA CREATE LABEL MUY_LARGA CREATE LABEL LA_MAYOR
ON ON ON ON ON ON
CIUDADES.DISTANCIA CIUDADES.DISTANCIA CIUDADES.DISTANCIA CIUDADES.DISTANCIA CIUDADES.DISTANCIA CIUDADES.DISTANCIA
VALUES VALUES VALUES VALUES VALUES VALUES
0,0,70,100; 70,100,150,200; 100,150,250,300; 150,200,450,600; 300,400,1000,1500; 1000,1500,99999,99999;
5.3 Arquitectura del Servidor FSQL

La Base de Datos Relacional Difusa (BDRD) y el Servidor FSQL 75, 77, 78] han sido implementados, como ya se ha dicho, usando un SGBD ya existente, Oracle 92, 99, 116, 117]. Basicamente, esto implica tres consecuencias: 1. El sistema sera, quizas, mas lento que si se hubiera programado a bajo nivel. 2. La tarea de implementacion se hace mas simple ya que no necesitamos programar el SGBD.
200
3. Obtenemos todas las ventajas del SGBD an trion (seguridad, e ciencia...) sin que tengamos que tener en cuenta esos importantes detalles. El SGBD elegido fue Oracle por su gran versatilidad, su popularidad (esta implantado en multitud de empresas y entidades) y por la posibilidad que ofrece para crear paquetes (con procedimientos y funciones) internos al sistema. Estos paquetes son creados en un lenguaje propio, PL/SQL 82, 99, 116, 118, 146], que es muy e ciente en accesos a la base de datos (mas que otros que hemos probado, como Pro*C...). Por supuesto, esta arquitectura puede ser implementada en otros SGBD. La arquitectura de la BDRD con el Servidor FSQL esta compuesta por: 1. Datos: Base de datos tradicional y Base de Metaconocimiento Difuso, FMB (Fuzzy Meta-knowledge Base ). 2. Servidor FSQL (version 1.2): Encargado de ocultar el procesamiendo difuso al usuario. 3. Cliente FSQL: Encargado de hacer de interfaz entre el usuario y el Servidor FSQL. Sera explicado en detalle en el Cap tulo 6. A continuacion explicamos cada uno de estos componentes: Los datos pueden ser clasi cados en dos categor as: La base de datos tradicional y la base de metaconocimiento difuso o FMB. La base de datos tradicional esta compuesta por los datos de nuestras relaciones con un formato especial para almacenar atributos difusos, como se explico en el apartado 5.1.3.1. La base de metaconocimiento difuso, FMB (Fuzzy Meta-knowledge Base ) almacena informacion sobre la BDRD en un formato relacional. En la FMB se almacena una lista con los atributos que admiten tratamiento difuso su Tipo de atributo difuso (1, 2 o 3). Ademas, para cada atributo difuso se almacena distinta informacion dependiendo de su Tipo difuso, tal y como se explico en el apartado 5.1.3.2. En el apartado 5.1.3.3 puede leerse un resumen de la informacion que se guarda en la FMB.
5.3.1 Datos: Base de Datos Tradicional y FMB
5.3.2 Servidor FSQL
Como ya se ha dicho, ha sido programado ntegramente en PL/SQL, e incluye tres tipos de funciones:
Funcion de Traduccion (FSQL2SQL): Esta funcion, incluida en el paquete FSQL PKG,

efectua un analisis lexico, sintactico y semantico de la consulta FSQL. Si encuentra errores de cualquier naturaleza, generara una tabla con todos los errores encontrados. Si no hay errores, la consulta FSQL es traducida a una sentencia en SQL (ver ejemplos en el Apendice F). La sentencia resultante en SQL podra incluir llamadas a los siguientes tipos de funciones. Funciones de Representacion: Estas funciones son utilizadas para mostrar los atributos difusos de manera que sean comprensibles por el usuario, evitando as el cr ptico formato interno de estos atributos.
5.3. ARQUITECTURA DEL SERVIDOR FSQL

difusos y para calcular los grados de compatibilidad que devuelve la funcion CDEG.
201
Funciones de Comparacion Difusa: Se utilizan para comparar atributos y valores
Lo que hace la funcion de Traduccion, es reemplazar los atributos difusos del SELECT por llamadas a las funciones de Representacion, las condiciones difusas por llamadas a las funciones de Comparacion Difusa y reemplazar las llamadas a la funcion CDEG por llamadas a las funciones de Comparacion Difusa y otras funciones si existen operadores logicos involucrados en la condicion del atributo argumento de CDEG. Las funciones por defecto para los distintos operadores logicos se muestran en la Tabla 5.13 y pueden ser cambiadas por otras, tal y como se indica en el apartado 5.4.1. La implementacion del Servidor FSQL sera explicada ampliamente en el apartado 5.5.
5.3.3 Cliente FSQL
Es un programa independiente que sirve de interfaz entre el usuario y el Servidor FSQL. El usuario introduce la consulta FSQL (de forma directa o indirecta) y el programa Cliente se comunica con el Servidor y con la base de datos para obtener los resultados deseados. La principal funcion que usara directamente el Cliente sera la funcion de Traduccion del Servidor FSQL. Sin embargo, en el paquete FSQL PKG existen otras funciones utiles que pueden ser tambien usadas por el Cliente FSQL. En el Apendice D se listan y describen las funciones de FSQL PKG. La estructura de un programa Cliente FSQL y todo lo relacionado con el sera explicado en detalle en el Cap tulo 6. Nosotros hemos desarrollado un Cliente FSQL para Windows 95/98/NT, llamado FQ (Fuzzy Queries). En el apartado 6.3 se incluyen algunas nociones sobre su implementacion y en el Apendice G se incluye un manual de usuario. El proceso de llamada del Servidor FSQL esta esquematizado en la Figura 5.15. Resumiendo, para una consulta FSQL se ejecutan los siguientes pasos: 1. El programa Cliente FSQL env a la consulta FSQL al Servidor FSQL. 2. El Servidor FSQL analiza la consulta y, si es correcta, genera una sentencia SQL a partir de la consulta original en FSQL. En este paso el Servidor FSQL usa la informacion de la FMB. 3. Una vez ha sido generada la consulta en SQL, el programa Cliente leera dicha consulta. Si en el paso 2 el Servidor FSQL encontro errores, entonces, en este paso se leeran dichos errores, para ser mostrados al usuario. 4. El programa Cliente enviara la consulta SQL a cualquier base de datos que sea coherente con la FMB. Para la ejecucion de esta consulta podran usarse diversas funciones del Servidor FSQL (de Representacion y Comparacion Difusa), pero eso es trasparente al usuario. 5. Finalmente, el Cliente recibira los datos resultantes y los mostrara al usuario. El formato de presentacion dependera, logicamente, del programa Cliente FSQL empleado.
5.3.4 Funcionamiento del Servidor FSQL
202

FSQL Client
1. FSQL Query
3. SQL Query
4. SQL Query
5. Results
FSQL Server
2. Fuzzy Meta-knowledge
FMB
Traditional Database
Database
Figura 5.15: Arquitectura basica para la BDRD con el Servidor FSQL. Los pasos 3 y 4 podr an haber sido eliminados para incrementar la e ciencia pero, de esta forma conseguimos una independencia entre la fase de Traduccion (pasos 1, 2 y 3) y la fase de Consulta (pasos 4 y 5). As , podemos usar una base de datos local con el Servidor FSQL y la FMB para traducir nuestras sentencias localmente y depurar los errores, y enviar las consultas traducidas a una base de datos remota, evitando as sobrecargar la red de comunicaciones con mensajes de error, consultas traducidas... De esta forma, la base de datos remota podr a no tener instalada la funcion de Traduccion, aunque si requerir a tener instaladas las funciones de representacion y comparacion difusa.
5.4 El Servidor FSQL

Vista la arquitectura que presenta el modelo Cliente/Servidor empleado, a continuacion explicamos algunas caracter sticas del Servidor FSQL, as como las pautas a seguir para su instalacion.
5.4.1 Informacion y Opciones de Con guracion del Servidor FSQL

El Servidor FSQL dispone de una tabla, FSQL ALL INFO, en la que se almacena informacion general sobre el Servidor FSQL y sobre diversas opciones que puede con gurar cada usuario. Esta tabla esta creada de la siguiente forma:
CREATE TABLE FSQL_ALL_INFO ( OWNER VARCHAR2(30), OPCION VARCHAR2(30), VALOR VARCHAR2(100), PRIMARY KEY (OWNER,OPCION));
5.4. EL SERVIDOR FSQL

OPCION VERSION SFSQL FECHA INSTALACION FECHA ULTIMO USO FECHA ULTIMO FIN DBA INSTALLER
203
Contenido del campo VALOR Version del actual Servidor FSQL Fecha de instalacion del Servidor FSQL Fecha del ultimo uso del Servidor FSQL (como traductor) Fecha del ultimo uso de la funcion FSQL FIN (paquete FSQL PKG) Superusuario DBA que instala el Servidor FSQL
Tabla 5.27: Informacion disponible en la vista FSQL INFO. Los campos de esta tabla tienen el siguiente signi cado general para cada uno: OWNER:
Almacena el identi cador del USUARIO que tiene activada esa opcion de conguracion. Este campo tiene reservado el valor 'FSQL SERVER' para las opciones que contienen informacion sobre el Servidor FSQL para todos los usuarios.
OPCION: VALOR:
Opcion que se establece al valor VALOR.
Valor para la opcion OPCION.
Esta tabla no es accesible por los usuarios de forma directa, sino que existen dos vistas sobre esta tabla que nos permiten acceder a sus datos: 1. Vista FSQL INFO, de informacion: Contiene informacion general sobre el Servidor FSQL. Esta vista tiene permisos de acceso publicos solo de lectura y esta creada con la sentencia:
CREATE or replace view FSQL_INFO AS SELECT OPCION, VALOR FROM FSQL_ALL_INFO WHERE OWNER='FSQL SERVER';
La informacion que contiene y que todos los usuarios pueden consultar (pero no modicar) esta expresada en la Tabla 5.27. 2. Vista FSQL OPTIONS, de opciones de con guracion: Contiene diversas opciones de con guracion e informacion, independientes para cada usuario, sobre el comportamiento del Servidor FSQL. Esta vista tiene permisos de acceso publicos de lectura y escritura, de forma que cada usuario puede modi car sus valores. La sentencia que crea esta vista es la siguiente:
CREATE or replace view FSQL_OPTIONS AS SELECT * FROM FSQL_ALL_INFO WHERE OWNER=USER;
As , cada usuario puede acceder solamente a las opciones de con guracion propias y no a las de otros usuarios. El campo OPCION contiene el tipo de informacion u opcion de con guracion y el campo VALOR contiene el valor asignado para esa OPCION. Segun esto, el campo OPCION puede contener los siguientes valores:
204
NOT

indica que en el campo VALOR se almacena la funcion que se aplica, cuando aparece el operador NOT, para calcular el grado de cumplimiento de una funcion CDEG. La funcion debe existir y el usuario en cuestion debe tener privilegios para ejecutarla. En el texto del campo VALOR puede incluirse el nombre del propietario y del paquete en el que esta incluida la funcion, separados por puntos: owner.]package.]function. Esta funcion debe tener un unico argumento numerico. AND indica que en el campo VALOR se almacena la funcion que se aplica, cuando aparece el operador AND, para calcular el grado de cumplimiento de una funcion CDEG. La funcion debe existir y el usuario en cuestion debe tener privilegios para ejecutarla. En el texto del campo VALOR puede incluirse el nombre del propietario y del paquete en el que esta incluida la funcion, separados por puntos: owner.]package.]function. Esta funcion debe tener dos argumentos numericos. OR indica que en el campo VALOR se almacena la funcion que se aplica, cuando aparece el operador OR, para calcular el grado de cumplimiento de una funcion CDEG. La funcion debe existir y el usuario en cuestion debe tener privilegios para ejecutarla. En el texto del campo VALOR puede incluirse el nombre del propietario y del paquete en el que esta incluida la funcion, separados por puntos: owner.]package.]function. Esta funcion debe tener dos argumentos numericos. TRATA FUZZY ATRIB indica el tipo de tratamiento que se le da a los atributos difusos Tipo 2 o 3, cuando estos estan fuera de los lugares normales (la lista de seleccion, argumento de CDEG o en condiciones). El usuario puede especi car aqu que tipo de tratamiento desea dar cuando, por ejemplo, aparece un atributo difuso Tipo 2 o 3 en una clausula ORDER BY, o como argumento de una funcion distinta de CDEG. Para esta opcion, el atributo VALOR puede tomar 3 valores: (a) ERROR: Este valor indica que el Servidor FSQL generara un ERROR, indicando que el atributo esta mal situado porque los atributos difusos no admiten operaciones aritmeticas, ni ser argumento de funciones (excepto CDEG), ni estar en la lista de ordenacion de la clausula ORDER BY, ni estar situados en la posicion en la que se produce el error. (b) TIPO VALOR: Indica que se debe utilizar el Tipo del valor difuso como sustituto del atributo en s . O sea, considerar que el valor del atributo al que se re ere es el tipo de valor de cada tupla, es decir, a~adir al nombre del atributo una n 'T' haciendo as referencia al valor de la columna del tipo (ver Tablas 5.1 y 5.2). Con esta opcion, si, por ejemplo, se utiliza un atributo difuso Tipo 2 en la lista de ordenacion de la clausula ORDER BY, entonces el resultado aparecera ordenado por tipo de valor difuso de dicho atributo: Primero los valores Unknown, luego los Unde ned y, sucesivamente, los valores Null, valores crisp, etiquetas, intervalos, valores aproximados y valores trapecio. (c) REPRESENT: Indica que se debe utilizar la representacion gra ca del atributo. Es decir, tratar el atributo como si estuviera en la lista de seleccion y sustituirla por una llamada a la funcion de representacion que le corresponda. Con esta opcion, si, por ejemplo, se utiliza un atributo difuso Tipo 2 en la lista de ordenacion de la clausula ORDER BY, entonces el resultado aparecera ordenado

OPCION NOT AND OR TRATA FUZZY ATRIB NUM ERRORES TIEMPO TRADUCCION VALOR
205
Funcion que aplica CDEG en NOT a. Por defecto 1-a Funcion que aplica CDEG en a AND b. Por defecto LEAST(a,b) Funcion que aplica CDEG en a OR b. Por defecto GREATEST(a,b) Atributos en posiciones inusuales: ERROR, TIPO VALOR o REPRESENT N errores FSQL encontrados en la ultima traduccion del usuario Tiempo empleado en la ultima traduccion del usuario
Tabla 5.28: Opciones de con guracion disponibles en la vista FSQL OPTIONS para el usuario que indique la columna OWNER. alfabeticamente por la representacion de este atributo, tal y como se muestra en la Tabla 5.34 para atributos difusos Tipo 2 (Tabla 5.35 para atributos difusos Tipo 3). Con esta con guracion, el atributo debe ser tratado como una cadena de caracteres (tipo VARCHAR2) para que el SGBD no produzca un error (ORA-0172210 , ORA-0185811 ). Esta es la con guracion por defecto y es la mas logica, pues dar un error puede ser contraproducente y la segunda opcion puede conseguirse facilmente a~adiendo la 'T' directamente. Sin embargo, el usuario puede con gurar el n Servidor FSQL para que este utilice la opcion que mas le convenga. Cuando se utiliza un atributo difuso Tipo 2 en la clausula ORDER BY, otra opcion, que podr a ser inclu da en proximas versiones, tratar a de realizar una ordenacion segun algun criterio basado en el orden que subyace a este Tipo de atributos difusos. NUM ERRORES indica el numero de errores encontrados por el Servidor FSQL en la ultima traduccion que el usuario OWNER efectuo. Este valor es actualizado automaticamente y no tiene sentido ni efecto que el usuario lo modi que. TIEMPO TRADUCCION indica el tiempo empleado por el Servidor FSQL en la ultima traduccion que el usuario OWNER efectuo. El tiempo indicado comienza justo en la primera instruccion que ejecuta el Servidor FSQL y termina justo antes de devolver el numero de errores encontrados. Este tiempo dependera, entre otras cosas, del numero de errores que se produzcan (NUM ERRORES), no incluye los tiempos empleados en las comunicaciones entre el Servidor y el Cliente FSQL, es actualizado automaticamente y no tiene sentido ni efecto que el usuario lo modi que. Las funciones utilizadas por defecto para las opciones NOT, AND y OR fueron mostradas en la Tabla 5.13 (pagina 163). Las opciones de con guracion estan resumidas en la Tabla 5.28.
Ejemplo 5.28 Si el usuario PPGG desea utilizar unas funciones espec cas que el ha creado, en
10 ORA-01722: 11 ORA-01858:
un paquete llamado PKG, como funciones de los operadores logicos NOT y AND, podr a insertar los siguientes valores:
Invalid number. A non-numeric character found where a digit was expected.
206
INSERT INTO FSQL_OPTIONS values (USER,'NOT','PPGG.PKG.LukaNOT'); INSERT INTO FSQL_OPTIONS values (USER,'AND','PPGG.PKG.LukaAND');
Como el operador logico OR no ha sido modi cado, este seguir a usando la misma funcion que antes de esas inserciones. t u
5.4.2 Estad sticas y Controles de Acceso del Servidor FSQL

La tabla FSQL STATS del Servidor FSQL es utilizada para controlar los accesos que se efectuen al Servidor y poder efectuar estad sticas sobre esos datos. Por defecto, esta tabla se instala con permisos de lectura (SELECT) para todos los usuarios, aunque el administrador del Servidor FSQL puede decidir eliminar este acceso, quedando estos datos ocultos para los demas usuarios. El formato de la tabla es el siguiente:
CREATE TABLE FSQL_STATS ( EVENTO VARCHAR2(30) PRIMARY KEY, NUM NUMBER (38) NOT NULL);
Los campos de esta tabla tienen el siguiente signi cado general para cada uno: EVENTO: NUM:
Indica el suceso del que guarda informacion. Los eventos actuales se indican a continuacion. Es un campo entero de tama~o maximo en Oracle, que almacena el numero de n veces que ha ocurrido el evento especi cado en el campo anterior o el valor asociado a dicho evento. El Servidor FSQL controla si se produce desbordamiento (ORA-0143812 ) en este campo para algun evento concreto, estableciendo, en ese caso, el valor de NUM de ese evento a cero. El administrador del Servidor FSQL puede controlar los valores de este campo e inicializarlos cuando lo desee.
Los eventos que actualmente gestiona el Servidor FSQL son los siguientes, aunque esta lista es susceptible de variar facilmente:
ACCESOS PARA TRADUCCIONES
indica el numero de veces que el Servidor FSQL ha sido invocado para efectuar alguna traduccion, aunque esta no se haya efectuado por haberse encontrando algun error en la sentencia. Simplemente suma 1 al campo NUM cada vez que se ejecuta la funcion de traduccion FSQL2SQL. indica el numero de veces que el Servidor FSQL ha sido invocado para efectuar alguna traduccion y esta se ha efectuado sin que el Servidor FSQL encontrara ningun error en la sentencia FSQL. indica el numero total de errores encontrados por el Servidor FSQL en todas las consultas que se han intentado traducir.
ACCESOS SIN ERRORES
TOTAL ERRORES COMETIDOS
When inserting or updating records, a numeric value was entered that exceeded the precision de ned for the column.
12 ORA-01438:

TIEMPO TOTAL ACCESOS
207
indica el tiempo, en segundos, empleado en responder a todas las peticiones recibidas (con o sin errores). El SGBD Oracle no permite acceder a una unidad de tiempo menor que el segundo, por lo que en ordenadores rapidos13 no es extra~o encontrar que algunas traducciones tardan cero segundos. n
TIEMPO ACCESOS SIN ERRORES
indica el tiempo, en segundos, empleado en responder a todas las peticiones recibidas en las que el Servidor FSQL no encontro errores. indica el tiempo, en segundos, empleado en responder a la ultima peticion que tuvo el Servidor FSQL. Esta ultima traduccion es independiente del usuario que la realiza. indica el numero de errores encontrados por el Servidor FSQL en la ultima peticion que tuvo. Esta ultima traduccion es independiente del usuario que la realiza. de veces que se ha ejecutado el procedimiento Apendice D).
TIEMPO ULTIMA TRADUCCION
ERRORES ULTIMA TRADUCCION
EJECUCIONES FSQL FIN indica el numero FSQL FIN del paquete FSQL PKG (ver ULTIMO SESSIONID
indica el numero de la ultima sesion que accedio al Servidor FSQL.
TOTAL PAQUETE FSQL PKG
indica el numero de veces que se ha cargado el paquete FSQL PKG. Esto hace referencia al numero de veces que se ha usado el Servidor FSQL, sin tener en cuenta las distintas consultas efectuadas durante una misma sesion. indica el numero de veces que cambia el numero de sesion entre dos accesos consecutivos al Servidor FSQL.
CAMBIOS DE SESSIONID
Con esta informacion puede calcularse facilmente el tiempo de traduccion medio global y el tiempo de traduccion medio de las consultas en las que no se encontraron errores, as como otros datos de interes.
5.4.3 Instalacion/Desinstalacion del Servidor FSQL

La instalacion del Servidor FSQL requiere ser efectuada por un administrador de la base de datos (DBA). Nosotros hemos utilizado siempre el administrador SYS. La razon de este requisito radica en que durante la ejecucion de algunas fases del Servidor se accede a una tabla que solo es accesible por este: DBA TAB COLUMNS. Este acceso es siempre exclusivamente de lectura. En el Apendice E existe una relacion de todos los cheros generados en esta memoria con su contenido y utilidad. Los cheros de instalacion son cheros de texto con ordenes para Oracle (scripts ) que pueden ser ejecutados desde SQL*Plus con tan solo anteponer el s mbolo @ (arroba) al nombre del chero: @
13 Ordenadores
<ruta>]<nombre fichero>
PC con procesadores Pentium II a 266 Mhz. o mejores.
208
donde <ruta> es el camino14 (path) donde esta el chero (es opcional) y <nombre_fichero> es el nombre del chero a ejecutar. Si el chero tiene la extension .sql entonces no es necesario escribirla. Para instalar el Servidor FSQL hay que seguir los siguientes pasos, siendo superusuario (SYS): 1. Instalar FIRST (si no lo esta): Para ello se debe ejecutar el chero FIRSTins.sql. Este chero crea las tablas de la FMB, concede los privilegios necesarios, crea algunos alias y algunas vista utiles, inserta comentarios sobre los objetos creados (comando comment)... 2. Instalar Servidor FSQL: Para ello se debe ejecutar el chero SFSQLins.sql. Este chero crea las tablas del Servidor (ver Tabla 5.31) e inserta los valores de aquellas que son constantes, instala los paquetes del Servidor (ver Tabla 5.29), crea algunos sinonimos y vistas, inserta comentarios sobre los objetos creados (comando comment)... 3. Instalar Cliente FSQL: Esto es indispensable para poder utilizar el Servidor. El Cliente FSQL que se presenta en esta memoria es FQ (Fuzzy Queries) para Windows 95/98/NT (ver Cap tulo 6 y Apendice G). Durante la ejecucion de esos cheros se va mostrando en pantalla las distintas fases por las que atraviesa dicha ejecucion, as como los mensajes de error (si los hay). Durante la instalacion de FIRST y del Servidor, antes de crear alguna tabla la borra previamente, por lo que se pueden producir algunos errores al intentar borrar algo que no existe (ORA-0094215 y ORA-0143216 ). Cualquier otro error podra impedir la correcta ejecucion del Servidor FSQL, por lo que si se produjera otro tipo de error se debera revisar el codigo del error y el lugar donde ha ocurrido para subsanarlo. Puede asegurarse que los objetos se han creado correctamente mirando que el campo STATUS de la tabla DBA OBJECTS valga 'VALID'. Los comentarios insertados con el comando comment pueden ALL TAB COMMENTS, ALL COL COMMENTS, USER TAB COMMENTS... ser consultados en las vistas Tras una instalacion correcta se puede proceder a instalar o crear un base de datos difusa, con sus tablas, vistas, etiquetas, relaciones de similitud... Para desinstalar el Servidor FSQL hay que seguir los siguientes pasos, siendo superusuario (SYS): 1. Desinstalar Servidor FSQL: Para ello se debe ejecutar el chero SFSQLdes.sql. 2. Desinstalar FIRST: Para ello se debe ejecutar el chero FIRSTdes.sql. En realidad no es necesario desinstalar FIRST, ya que pueden existir otros sistemas que lo esten utilizando. 3. Desinstalar el Cliente FSQL: Igualmente, este paso se puede omitir si necesitamos el cliente para otras utilidades que incorpore (como acceso a bases de datos a traves de SQL normal).
(Abrir) del menu File (Archivo) y pulsando en el boton \Cancel" (Cancelar), sin abrir ningun chero. 15 ORA-00942: Table or view does not exist. 16 ORA-01432: Public synonym to be dropped does not exist.
14 En SQL*Plus puede establecerse el camino por defecto escogiendo el directorio deseado con la opcion Open
5.5. IMPLEMENTACION DEL SERVIDOR FSQL

Nombre Paquete
FSQL PKG FSQL FSQL FSQL FSQL SEMANTIC AUX FUNCTIONS FUNCTIONS2
209
Fichero
FSQL PKG.sql FSQL FSQL FSQL FSQL SEM.sql AUX.sql F.sql F2.sql
Contenido Analizador Lexico y Sintactico y otras funciones utiles: FSQL2SQL, FSQL FIN... (ver Apendice D) Analizador Semantico y conversor del Servidor FSQL Funciones utiles para el Servidor Funciones de representacion y comparacion difusa Mas funciones de comparacion difusa
Tabla 5.29: Paquetes PL/SQL del Servidor FSQL y resumen de su contenido.
Para instalar las bases de datos difusas no es preciso que este instalado el Servidor FSQL pero s es preciso que este instalado FIRST. La instalacion de una base de datos no es necesario que sea efectuada por un administrador y puede ser instalada o creada por cualquier usuario que tenga acceso a FIRST (todos, por defecto). En esta memoria se incluyen dos bases de datos de ejemplo: 1. Fichero FDBins.sql: Instala la base de datos de ejemplo del apartado 5.2.2.2, la cual es una base de datos general con varias tablas que abarcan todos los casos posibles. Se desinstala con el chero FDBdes.sql. 2. Fichero Basketin.sql: Instala una base de datos sobre jugadores de baloncesto, como la del ejemplo de apartado 5.2.1.10. Se desinstala con el chero Baskedes.sql. El chero Basketi2.sql contiene otros valores para la tabla de la base de datos de baloncesto.
5.4.4 Instalacion/Desinstalacion de una Base de Datos de Ejemplo
5.5 Implementacion del Servidor FSQL

El objetivo del Servidor FSQL es conseguir traducir una sentencia FSQL a una sentencia en SQL, mediante llamadas a funciones del Servidor. Para ello, se han creado distintos paquetes PL/SQL 82, 99, 116, 118, 146] de forma que cada parte del Servidor esta en un paquete distinto. En la Tabla 5.29 puede verse una lista de los paquetes del Servidor FSQL y un resumen de su contenido y utilidad. Como curiosidad, comentaremos que solo los paquetes del Servidor FSQL version 1.2 estan formados por cerca de 8000 l neas de codigo. A esto, habr a que a~adir las l neas para la creacion de las tablas y n la insercion de datos que estos paquetes necesitan (mas de 3000 l neas). El paquete FSQL PKG es el unico que contiene funciones utilizables por el usuario o por el programa Cliente FSQL. En el Apendice D se enumeran y explican las funciones de este paquete PL/SQL. Basicamente, desde un punto de vista conceptual el Servidor FSQL consta de los siguientes modulos: 1. Analizador Lexico: Se encarga de analizar si la sentencia FSQL es correcta lexicamente, generando una lista con los tokens (palabras) de la sentencia. 2. Analizador Sintactico: Analiza si la sentencia es correcta sintacticamente. Para ello utiliza una gramatica que genera sentencias que admiten las extensiones de FSQL que se vieron en el apartado 5.2.
210

Contenido Palabras Reservadas del lenguaje FSQL (Apendice A) Transiciones del Automata del Analizador Lexico (Figura 5.16) Transiciones de la Gramatica LL(1) para el Analizador Sintactico Producciones de la Gramatica para el Analizador Sintactico Tablas y Vistas accesibles por el usuario Mensajes de Error FSQL de todos los usuarios (Apendice C) Mensajes de Error FSQL del usuario particular Consultas FSQL y su traduccion SQL de todos los usuarios Consultas FSQL y su traduccion SQL del usuario particular Informacion y opciones de con guracion de todos los usuarios Informacion sobre el Servidor FSQL para todos los usuarios Opciones de con guracion modi cables por cada usuario Control de accesos para estad sticas
Nombre Tabla/Vista T. RESERVADAS T. T TRANSI T. TABLA SINTAX T. PRODUCCIONES V. ACCESSIBLE TABLES T. FSQL ALL ERRORS V. FSQL ERRORS T. FSQL ALL QUERIES V. FSQL QUERY T. FSQL ALL INFO V. FSQL INFO V. FSQL OPTIONS T. FSQL STATS
Tabla 5.30: Tablas y Vistas del Servidor FSQL y resumen de su contenido. 3. Analizador Semantico y Conversor: Analiza si la sentencia es correcta desde el punto de vista semantico y, a la vez, va generando la sentencia SQL equivalente. La funcion encargada de lanzar el proceso global es la funcion FSQL PKG.FSQL2SQL. 4. Funciones de Representacion y Comparacion Difusa: Estas funciones son utilizadas para mostrar los atributos difusos de manera que sean comprensibles por el usuario, para comparar atributos y valores difusos y para calcular los grados de compatibilidad que devuelve la funcion CDEG. Para llevar a cabo todas estas tareas el Servidor FSQL utiliza unas tablas que son creadas al instalar el Servidor. Una lista de estas tablas con un resumen de su utilidad y de sus caracter sticas puede verse en las Tablas 5.30 y 5.31. Los errores que se van encontrando se van insertando en la tabla FSQL ALL ERRORS, a traves de su vista FSQL ERRORS. Estos objetos son creados de la siguiente forma:
CREATE TABLE FSQL_ALL_ERRORS ( Sessionid NUMBER NOT NULL, -- Id. de sesion: USERENV('SESSIONID') Indice NUMBER(2) NOT NULL, -- Numero de orden del error Msg_error VARCHAR2(2000) NOT NULL, -- Mensaje del error PRIMARY KEY (Sessionid,Indice)); CREATE or replace view FSQL_ERRORS AS SELECT * FROM FSQL_ALL_ERRORS WHERE SESSIONID=USERENV('SESSIONID');
El signi cado de sus atributos es el siguiente: Es el numero identi cativo de la sesion en la que se esta ejecutando el Servidor FSQL. De esta forma, cada usuario puede estar ejecutando el Servidor en paralelo en distintas sesiones, lo que hace la Servidor FSQL ser multiusuario.
Sessionid:

Nombre Tabla/Vista T. RESERVADAS T. T TRANSI T. TABLA SINTAX T. PRODUCCIONES V. ACCESSIBLE TABLES T. FSQL ALL ERRORS V. FSQL ERRORS T. FSQL ALL QUERIES V. FSQL QUERY T. FSQL ALL INFO V. FSQL INFO V. FSQL OPTIONS T. FSQL STATS Le da por A. Lexico A. Lexico A. Sintactico A. Sintactico A. Semant./Cliente { Cliente FSQL { Sint./Sem./Cliente { USER/Cliente Sem./USER/Cliente DBA/USER/Cliente Escrita por Constante Constante Constante Constante Sistema { Lex./Sint./Sem. { Lex./Sint./Sem. { Servidor FSQL USER/Cliente Servidor FSQL
211
Consultable Modi cable por el por el Usuario Usuario
S No No No S No S No S No S S S
No No No No No No S No S No No S No
Tabla 5.31: Caracter sticas de las Tablas y Vistas del Servidor FSQL. Simplemente numera los errores por orden de aparicion. Msg error: Contiene el mensaje del error cometido. En el Apendice C se muestran una lista con los errores que genera el Servidor FSQL y su posible solucion. La sentencia FSQL es almacenada token a token en la tabla FSQL ALL QUERIES a traves de su vista FSQL QUERY. En esta vista es donde el conversor ira traduciendo parte a parte la sentencia FSQL en su sentencia SQL equivalente. Estos objetos son creados de la siguiente forma:
CREATE TABLE FSQL_ALL_QUERIES ( Sessionid NUMBER NOT NULL, -- Id. de sesion: USERENV('SESSIONID') Indice NUMBER (10) NOT NULL, -- Numero de token (empezando por el 0) Posicion NUMBER (10) NOT NULL, -- Posicion del final del token Nombre VARCHAR2(30)NOT NULL, -- Nombre del token Atributo VARCHAR2(2000), -- Token le do de la entrada. Si es cadena/texto podra tener hasta -- 2000 caracteres (max long aceptada en una columna VARCHAR2 SQL) PRIMARY KEY (Sessionid,Indice)); CREATE or replace view FSQL_QUERY AS SELECT * FROM FSQL_ALL_QUERIES WHERE sessionid=USERENV('SESSIONID'); Indice:
El signi cado de sus atributos es el siguiente: Sessionid: Es el numero de sesion en la que se esta ejecutando el Servidor FSQL. De esta forma, cada usuario puede estar ejecutando el Servidor en paralelo en distintas sesiones.
212
Indice:
Simplemente numera los tokens por orden de aparicion en la sentencia FSQL. Posicion: Contiene la posicion de cada token y es utilizado para generar el mensaje de error. As , cada mensaje de error indicara la posicion donde este se produce, de forma que se ayuda al usuario a localizar y corregir el error cometido. Nombre: Indica el nombre del token. Cada token tiene un nombre que lo identi ca, como por ejemplo ID para un identi cador, GT para el s mbolo >, LT para el s mbolo <, EQ para el s mbolo =, GEQ para el s mbolo >=... Atributo: Almacena el token encontrado o la modi cacion efectuada por el conversor. A continuacion explicamos un poco mas en detalle cada uno de los modulos que contiene el Servidor FSQL. No obstante, durante el proceso de desarrollo de todos los modulos del Servidor FSQL se han introducido multitud de comentarios explicativos en el codigo fuente que facilitan su lectura, comprension y modi cacion. Un estudio mas exhaustivo y general de los analizadores lexico, sintactico y semantico puede encontrarse en 3].
5.5.1 Analizador Lexico
La funcion encargada del analisis lexico es FSQL PKG.FSQL LEXICO y es llamada por la funcion FSQL2SQL y devuelve el numero de errores lexicos encontrados por el analizador en la sentencia FSQL (ver Apendice C). El analizador lexico asegura que todos los elementos de la sentencia estan permitidos, agrupando los caracteres en palabras, llamadas tokens, que son los s mbolos terminales de la gramatica. Los tokens son obtenidos leyendo la sentencia caracter a caracter y aplicando sobre la marcha el automata nito determinista de la Figura 5.16, donde su estado inicial es el cero, sus estados terminales son representados con un c rculo doble y tienen los signi cados dados en la Tabla 5.32. Para simpli car el automata se ha utilizado una lista de palabras reservadas que son identi cadores con un signi cado especial y que estan reservados para un uso concreto. En el Apendice A se muestra la lista de todas las palabras reservadas consideradas por el Servidor FSQL. Ejemplos de palabras reservadas son SELECT, FROM, INSERT, CDEG, FEQ, NFEQ... Para hallar los tokens, suponemos que el automata esta situado en el estado cero, se lee un caracter de la sentencia de entrada y dependiendo de este se pasa a otro estado. As , leyendo caracteres va cambiando de estado hasta que llegamos a un estado en el que no existe transicion para el caracter le do. En ese caso, si el estado es terminal ( nal) ya tenemos un token y si el estado es no terminal entonces obtenemos un error lexico. Si el token es un identi cador (estado 15) se debera comprobar si pertenece a la lista de palabras reservadas, las cuales estan contenidas en la tabla RESERVADAS (ver Apendice A). Esta tabla tiene permiso de lectura para todos los usuarios, por si estos desean consultarla en algun momento, y esta creada con la siguiente sentencia:
CREATE TABLE RESERVADAS( Palabra varchar(20) NOT NULL, PRIMARY KEY (Palabra));
La tabla T TRANSI contiene la tabla de transiciones para el automata empleado. Al igual que la tabla RESERVADAS, sus datos son introducidos durante la instalacion del Servidor y permanecen siempre constantes:

Estado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 19 20 21 22 24 26 27 28 29 30 33 36 38
213
Los tokens 16, 17, 19 y 36 admiten espacios entre sus caracteres. Como en SQL, no se distingue entre mayusculas y minusculas (excepto en los estados 24 y 26).
Token Suma Resta Producto Division Parentesis izquierdo Parentesis derecho Coma Punto Comparador Mayor que Dolar (comienzo de etiqueta o trapecio) Comparador Menor que Comparador Igual que Numero Entero Numero Real en notacion Fija Identi cador o Palabra Reservada Comparador Mayor o Igual que Comparador Menor o Igual que Comparador Distinto a (4 formas) Corchete izquierdo Corchete derecho Punto y coma Cadena (con comillas dobles) Texto (con comillas simples) Sostenido (S mbolo de Aproximadamente) Tanto por ciento (Caracter comod n) Llave izquierda Llave derecha Numero Real en notacion Exponencial Operador Concatenar Comentario (3 formas)
Tabla 5.32: Signi cado de los Estados Terminales del automata de la Figura 5.16.
CREATE TABLE T_TRANSI ( Estado NUMBER(2) NOT NULL, -- Estado actual Caracter NUMBER(3) NOT NULL, -- Caracter le do Sig_estado NUMBER(2) NOT NULL, -- Estado siguiente leyendo ese caracter PRIMARY KEY (Estado,Caracter));
Ademas, el analizador lexico elimina los comentarios que hubiera en el comando de entrada. El formato de los comentarios se ha explicado en el apartado 5.2.1. Si encuentra un error, inserta el texto del error en la vista FSQL ERRORS y continua el analisis en busca de mas errores. El analizador lexico inserta en la vista FSQL QUERY una lista con todos los tokens de la sentencia de entrada (ordenados por el atributo INDICE). Tras el analisis lexico, todas las \palabras" de la sentencia estaran introducidas en esta vista de forma ordenada.
Estado Inicial
214
0 >
10 = b 12
16
{A..Z}
15
{A..Z,0..9,_,$,#} = >
< b
11
17
{!,^,}
18 b
19
20
21
{0..9} . 14 {0..9} 33 {0..9} *
13
{0..9} E
; ASCII-{"} " 23 "
22
{0..9} E {0..9} {0..9}
24
31 {+,-} 32 * 25 ASCII-{} # 27 26
* 39 40 ASCII-{*, /} {EOS,/} EOS 38 ASCII-{ }
28
ASCII-{*} 37
29
30
b EOS (End Of Sentence) es el Fin de Sentencia. 35 b representa al espacio en blanco. ASCII es el conjunto de todos los caracteres. representa el retorno de carro (RETURN): Caracteres 10 o 13.
Estados Terminales (finales).
36
Estados No Terminales.
Figura 5.16: Automata nito determinista usado por el Analizador Lexico de FSQL.
215
La funcion FSQL PKG.FSQL SINTACTICO es la encargada de este analisis y es llamada por la funcion FSQL2SQL tras el analizador lexico y devuelve el numero de errores encontrados por la sentencia FSQL, incluyendo lexicos y sintacticos (ver Apendice C). El analizador Sintactico asegura que los tokens estan en un orden adecuado y que la construccion de la sentencia es correcta sintacticamente. Para expresar la sintaxis de una sentencia hemos elegido la forma de gramatica utilizando el formato de Yacc. El Apendice B contiene la gramatica empleada por el Servidor FSQL. Una gramatica G esta formada por 4 conjuntos de datos: G = fT; N; S; P g, donde:
5.5.2 Analizador Sintactico
T es una lista de s mbolos Terminales de la gramatica, es decir, las palabras (tokens ) que son utilizados para formar una sentencia nal valida. En nuestra gramatica (Apendice B) hemos tomado la convencion de escribirlos con todas las letras en mayuscula.
generar sentencias validas de nuestra gramatica. En nuestra gramatica son escritos con todas las letras en minuscula. las sentencias validas de nuestra gramatica aplicando las producciones.
N es una lista de s mbolos No Terminales, que son s mbolos temporales utilizados para S es un s mbolo No Terminal, llamado S mbolo Inicial, a partir del cual se derivan todas
Inicial se obtienen las sentencias. Una produccion tiene dos partes: Izquierda y Derecha (separadas por dos puntos). La parte izquierda es un s mbolo de N y la parte derecha es una lista de s mbolos de N y/o T en un orden concreto. El s mbolo de la parte izquierda puede ser sustituido por todos los s mbolos de la parte derecha. Si varias producciones tienen el mismo s mbolo de la izquierda se pueden escribir separando las distintas partes derechas por las que puede ser sustituido por el caracter `|'. Ese caso indica que el s mbolo de la parte izquierda puede ser sustituido por cualquiera de esas partes derechas. La parte derecha de una produccion puede ser la cadena vac a (nada), que indica que el s mbolo No Terminal de la izquierda puede ser eliminado sin ser sustituido por nada. La generacion de sentencias de una gramatica es simple, pues se trata de, empezando por S sustituir cada s mbolo de N por una de las posibilidades que ofrece en el conjunto de producciones P . Las producciones son aplicadas hasta que no hay s mbolos de N . En ese caso, decimos que la sentencia generada es correcta sintacticamente. Si se llega a un punto en el que no existe una produccion valida para construir la sentencia, la sentencia sera erronea sintacticamente. Para ello, utiliza las tablas PRODUCCIONES y TABLA SINTAX creadas de la siguiente forma y con el siguiente signi cado para sus atributos:
CREATE TABLE PRODUCCIONES ( Num_prod NUMBER(3) NOT NULL, Posicion NUMBER(1) NOT NULL, Parte_der VARCHAR2(20), Terminal_der CHAR NOT NULL, PRIMARY KEY (Num_prod,Posicion));
P es un conjunto de Producciones a partir de las cuales y empezando por el S mbolo
216
Esta tabla contiene la lista de producciones de la gramatica. Una produccion utiliza tantas las como s mbolos tenga en la parte derecha de la produccion. Sus atributos tienen el siguiente signi cado: Num prod: Indica el numero de produccion a la que pertenece. Todas las producciones de nuestra gramatica estan numeradas. Posicion: Posicion que ocupa el s mbolo del atributo Parte der en esa produccion. La parte derecha de una produccion puede tener n s mbolos, con n 1. Por tanto, para cada uno de esos n s mbolos hay que incluir una la en esta tabla. Parte der: S mbolo (No Terminal o Terminal) de la derecha que esta en esa Posicion dentro de la parte derecha de la produccion. Por convenio hemos notado en mayusculas los s mbolos terminales y en minusculas los s mbolos no terminales. Si como parte derecha de la produccion aparece la cadena vac a, se inserta 'VACIO' (como s mbolo No Terminal). Terminal der: Indica si el s mbolo de Parte der es Terminal ('T') o No Terminal ('N'). La tabla TABLA SINTAX contiene las transiciones del analizador sintactico, segun la gramatica LL(1) usada. Aprovechando que la gramatica es LL(1), se simpli ca el desarrollo del analizador sintactico. As , utilizamos una estructura tipo pila, implementada a traves de tablas PL/SQL (tipo TPILA). Entonces, seguimos el siguiente algoritmo: 1. Introducir un s mbolo de FIN en la Pila, para que nos indique cuando hemos terminado el analisis. 2. Introducir el S mbolo Inicial de la gramatica en la Pila, para empezar el analisis. 3. Se lee un token de la entrada, i.e., de la vista FSQL QUERY ordenadamente por el campo Indice. 4. Se lee un s mbolo de la Pila. 5. Si el s mbolo de la Pila es el s mbolo de FIN, termina el analisis: Si, en ese momento, quedan s mbolos sin analizar en la entrada, entonces se genera un error del tipo \encontrado en la entrada un token cuando esperaba el FIN de la sentencia". Si, por el contrario, no quedan s mbolos sin analizar, la sentencia ser a correcta sintacticamente. 6. Si el s mbolo de la Pila es terminal y coincide con el de la entrada se acepta el token y se vuelve al paso 3. Si no coinciden ambos valores, entonces se genera un error. 7. Si el s mbolo de la Pila es no terminal, entonces para dicho s mbolo no terminal y para el token le do existira una unica produccion a aplicar. Eso es averiguado leyendo en la tabla TABLA SINTAX. La parte derecha de dicha produccion es introducida s mbolo a s mbolo en la Pila en orden inverso (orden decreciente del atributo PRODUCCIONES.posicion). 8. Ir al paso 4. Como vemos, la tabla TABLA SINTAX es fundamental en este analisis, pues nos permite averiguar el numero de la produccion a aplicar. Esta tabla tiene el siguiente formato:

CREATE TABLE TABLA_SINTAX ( Simbolo_NT VARCHAR2(20) NOT NULL, Simbolo_T VARCHAR2(20) NOT NULL, Num_prod NUMBER(3) NOT NULL, PRIMARY KEY (simbolo_NT,simbolo_T));
217
Y sus atributos tienen el siguiente signi cado: S mbolo No Terminal encontrado en la Pila. Simbolo T: S mbolo Terminal (token ) le do de la consulta de entrada. Num prod: Numero de produccion a aplicar en el caso de que encontremos ese Simbolo NT en la Pila y ese Simbolo T en la entrada. Los valores de esta tabla son introducidos de la siguiente forma: Para cada produccion del tipo
Simbolo NT:
I ! D1 D2 : : : Dn
(5.33)
hay que insertar en TABLA SINTAX tuplas con I en el primer atributo, el numero de esa produccion en el tercer atributo y un s mbolo terminal incluido en los S mbolos Directores en el segundo atributo. O sea, para cada produccion se introducen en esta tabla tantas tuplas como S mbolos Directores existan. Los S mbolos Directores se calculan de la siguiente forma: 1. Si D1 D2 : : : Dn no es anulable: Iniciales(D1D2 : : : Dn ). 2. Si D1 D2 : : : Dn s es anulable: Iniciales(D1D2 : : : Dn ) Seguidores(I ). Durante el analisis sintactico se va modi cando el atributo FSQL QUERY.nombre de algunos tokens, de forma que los identi camos mas exactamente para facilitar esta identi cacion al analizador semantico. Esto se efectua principalmente para localizar el signi cado de los identi cadores, comparadores, numeros de umbral... La funcion FSQL SEMANTIC.semantico es la encargada de este analisis y es llamada por la funcion FSQL2SQL tras el analizador lexico y sintactico si en estos no se han encontrado errores. El analizador semantico solo es ejecutado, por tanto, si la sentencia no contiene errores lexicos ni sintacticos. De esta forma, conseguimos que el analizador semantico no sea ejecutado innecesariamente. El analizador semantico es el modulo mas complejo de todo el Servidor, el mas largo, el que mas tiempo de ejecucion necesita y el que mas accesos a la base de datos realiza. Igual que en los anteriores analizadores, esta funcion devuelve el numero de errores encontrados en la sentencia FSQL (ver Apendice C). Este analizador se asegura que la sentencia no tiene errores semanticos en general y, mas en particular, en lo relativo a la extension difusa de FSQL. Ademas, a la vez que analiza semanticamente la sentencia va convirtiendola en una sentencia de SQL, de forma que va sustituyendo las clausulas propias de FSQL por clausulas
5.5.3 Analizador Semantico y Conversor
218
propias de SQL utilizando, principalmente, llamadas a funciones (sobretodo a las Funciones de Representacion y Comparacion difusa, apartado 5.5.4). En el Apendice F se exponen algunos ejemplos de sentencias FSQL traducidas a SQL. Durante todo el proceso, el analizador utiliza la vista FSQL QUERY alterando el contenido de la columna Atributo, de forma que una vez terminado el analisis sin errores, la sentencia SQL resultante se obtiene concatenando todos los campos Atributo de esa vista, ordenados por el campo Posicion. Esa concatenacion debera ser efectuada por el programa Cliente FSQL (ver Cap tulo 6). Resumiendo, este analisis se compone de las siguientes tres grandes fases:
5.5.3.1 Fase preliminar: Las Tablas, sus Alias y los Comodines

En una primera fase este analizador estudia los alias de las tablas y si las tablas situadas en la parte FROM de la sentencia son o no accesibles por el usuario. En caso negativo se genera un error. Tras esto, se soluciona el problema que pueden plantear los comodines, tanto el asterisco *, como el tanto por ciento %, ya que ambos pueden incluir atributos que requieran un tratamiento especial por ser difusos Tipo 2 o 3. Los atributos difusos Tipo 1 no requieren un tratamiento especial. La inclusion de comodines puede ser efectuada en los 6 siguientes formatos:
* % <tabla>.* <tabla>.% <esquema>.<tabla>.* <esquema>.<tabla>.%
Con el comod n *, si las tablas involucradas no contienen atributos difusos Tipo 2 o 3 se dejan los comodines. En caso contrario, columna por columna de la tabla se incluye en la lista de seleccion (en la posicion que ten a el comod n). Si el atributo es difuso Tipo 2 o 3 se incluye la llamada a la funcion que representa su valor. Suponemos que los atributos difusos Tipo 2 o 3 tienen en orden sus columnas: Primero el tipo (terminado en T) y luego el resto de atributos (ordenados por su numero), como se expone en las Tablas 5.1 y 5.2 segun sea su Tipo difuso 2 o 3 respectivamente. Con el comod n %, si las tablas no tienen atributos con ictivos (difusos Tipos 2 o 3) se cambian por <tabla>.* o <esquema>.<tabla>.* y se incluyen las llamadas a la funcion CDEG de los Tipos 1, si los hay. Las llamadas a CDEG son incluidas en la vista FSQL QUERY como si hubiesen sido escritos en la consulta inicial, poniendo su posicion a cero, siendo tratados as como un CDEG normal posteriormente (por el procedimiento calcula CDEG). Si un atributo difuso no aparece en la clausula WHERE, su CDEG no es aplicable y por tanto no aparecera su CDEG si se usa el comod n % (que sera eliminado en calcula CDEG). Despues del proceso anterior se pasa a la parte mas importante del desarrollo, el tratamiento de los atributos difusos. Todas las expresiones que necesitan un tratamiento especial por ser extensiones de FSQL y que no pueden ser tratadas normalmente, incluyen, forzosamente un atributo difuso. Por tanto, en esta fase se localizan los atributos y para cada uno de ellos se realiza un tratamiento especial si es difuso (en el procedimiento trata fuzzy column). En este tratamiento se tiene en cuenta que un atributo difuso puede aparecer en los siguientes lugares:
5.5.3.2 Fase de Tratamiento de Atributos Difusos
219
1. En la lista de seleccion del SELECT como columna solitaria y no en expresiones17: En este caso se modi ca (a traves del procedimiento llamado fuzzy column en sl) el campo FSQL QUERY.atributo de las columnas difusas Tipo 2 o 3. En su lugar se pone una llamada a la funcion correspondiente para mostrar ese atributo difuso de forma coherente (funciones fshow2 y fshow3 respectivamente). 2. Como argumento de la funcion CDEG: En este lugar, el tratamiento de dicho atributo con esta funcion se realiza en la fase posterior. 3. En una condicion difusa (clausula WHERE): En este caso se sustituye cada condicion difusa elemental por una funcion de comparacion difusa, teniendo en cuenta el tipo de condicion difusa elemental que sea, tal y como se indico en el apartado 5.2.1.8 y en las que un atributo difuso puede aparecer en las siguientes posiciones: (a) A la izquierda de cualquier comparador difuso, expresados en la Tabla 5.12 (FEQ, NFEQ, FGT...). (b) A la derecha de cualquier comparador difuso si hay otra columna a la izquierda de tipos compatibles18 . (c) A la izquierda de una condicion con IS. 4. En cualquier otro lugar (en operaciones aritmeticas, como argumento de funciones, en la clausula ORDER BY...): Si el atributo difuso es Tipo 1, no hay problema y no se hace ningun tratamiento especial. Si el atributo difuso es Tipo 2 o 3, pueden hacerse 3 tratamientos distintos, tal y como se explico en el apartado 5.4.1, y cada usuario puede escoger el tipo de tratamiento que desea efectuar en cada momento.
5.5.3.3 Fase de Tratamiento de la Funcion CDEG

Primero se calculan las funciones que se usaran como normas para el tratamiento de los operadores logicos que aparecen en la condicion. Estas funciones estan almacenadas en la vista FSQL OPTIONS, como se vio en el apartado 5.4.1. Por defecto se usan las funciones que se indicaron en la Tabla 5.13. En la Tabla 5.33 se ven las funciones empleadas para sustituir un CDEG donde su atributo este involucrado en una <Condicion> con operadores logicos. Si en la vista FSQL OPTIONS no esta de nida la funcion a emplear para algun operador, se utilizaran las funciones por defecto, donde LEAST y GREATEST son funciones para el m nimo y el maximo respectivamente que estan ya implementadas en Oracle. Una vez le das las funciones anteriores se pasa al tratamiento particular de cada llamada a esta funcion particular de FSQL (procedimiento calcula CDEG). Si el argumento es * se tienen en cuenta todas las condiciones elementales de la condicion de la clausula WHERE y si, por el contrario, el argumento es un atributo, solo se tendran en cuenta las condiciones elementales donde este involucrado dicho atributo. En general, es mas util utilizar el * pues nos da el grado de cumplimiento de toda la condicion impuesta en la consulta para cada tupla.
esta contemplada en esta version y deber a ser tenida en cuenta en versiones posteriores. 18 En esta version no se consideran validas comparaciones sin atributos difusos a la izquierda de un comparador difuso, aunque s aparezcan a la derecha. La solucion a este inconveniente es tan facil como intercambiar el orden de los argumentos del comparador.
17 La inclusion de atributos difusos (sobretodo los Tipo 2) y constantes difusas en expresiones aritmeticas no
220
<Condicion>

F. para CDEG(<Condicion>) con estas funciones en FSQL OPTIONS
F AND(CDEG(<c1>),CDEG(<c2>)) F OR(CDEG(<c1>),CDEG(<c2>)) F NOT(CDEG(<c1>))
Funciones para CDEG(<Condicion>) (con op. logicos) por defecto (FSQL OPTIONS vac o)
<c1> AND <c2> <c1> OR <c2> NOT <c1> LEAST(CDEG(<c1>),CDEG(<c2>)) GREATEST(CDEG(<c1>),CDEG(<c2>)) 1 - CDEG(<c1>)
Tabla 5.33: Funciones usadas para el calculo de la funcion CDEG con operadores logicos. Si en la lista de condiciones elementales aparece una condicion clasica (crisp), se utilizara una llamada a la funcion FSQL FUNCTIONS.CompCrisp que devuelve 1 si la condicion es verdad y 0 si la condicion es falsa.
5.5.4 Funciones de Representacion y Comparacion Difusa
Estas funciones no son ejecutadas por el Servidor FSQL, aunque forman parte de este. En la sentencia SQL traducida de una FSQL, se incluyen llamadas a algunas de estas funciones. De esta forma, estas funciones son ejecutadas cuando se ejecuta la sentencia SQL resultante de la traduccion de una sentencia FSQL usando el Servidor FSQL. Para que una funcion pueda ser empleada de esta forma debe ser declarada como restringida (restricted ) de la siguiente forma:
PRAGMA RESTRICT_REFERENCES (<nombre_funcion>,WNDS,WNPS,RNPS);
donde <nombre_funcion> es el nombre de la funcion, WNDS (Write No Database State ) no permite que se modi que la base de datos desde la funcion, WNPS (Write No Package State ) no permite escribir variables de ningun paquete y RNPS (Read No Package State ) no permite leer variables de ningun paquete. Para el correcto funcionamiento de estas funciones es imprescindible que las tablas y atributos de FIRST esten correctamente de nidos, as como que todos los objetos utilizados para los atributos difusos esten correctamente introducidos en dichas tablas. Por ejemplo, si en una relacion se almacena una etiqueta lingu stica para un determinado atributo difuso Tipo 2 y dicha etiqueta no esta de nida correctamente (en FUZZY OBJECT LIST y/o FUZZY LABEL DEF) se producira un error en tiempo de ejecucion cuando se intente acceder a esa etiqueta. Algunos de estos errores podr an ser detectados y evitados de niendo algunos triggers (disparadores) en el SGBD que ayuden a mantener la integridad de los atributos difusos y de los valores de la FMB. La mision de estos triggers ser a producir un error cuando se intente insertar algun valor incorrecto, tanto en la base de datos como en la FMB.
5.5.4.1 Funciones de Representacion Las Funciones de Representacion estan incluidas en el paquete FSQL FUNCTIONS y tienen
por objetivo representar gra camente aquellos atributos difusos que tienen una representacion interna distinta de la habitual, i.e., los atributos difusos Tipo 2 y 3. Existen tres tipos de estas funciones:
1. Funcion fshow2: Esta funcion se utiliza para representar atributos difusos Tipo 2, y su cabecera, con sus argumentos, es la siguiente:

Ejemplos 0 UNKNOWN 1 UNDEFINED 2 NULL 3 (crisp) F1 25 4 (etiqueta) label Joven 5 (intervalo) F1,F4] 21,26] 6 (aproximado) F1 F4 22 10 7 (trapecio) $ F1,F1+F2,F3+F4,F4] $ 18,21,26,28]
F_TYPE
221
Representacion UNKNOWN UNDEFINED NULL
Tabla 5.34: Representacion Gra ca de Atributos difusos Tipo 2.

FUNCTION fshow2 ( OBJ IN FUZZY_LABEL_DEF.OBJ#%TYPE, COL IN FUZZY_LABEL_DEF.OBJ#%TYPE, F_TYPE IN FUZZY_COL_LIST.F_TYPE%TYPE, F1 IN NUMBER, F2 IN NUMBER, F3 IN NUMBER, F4 IN NUMBER) RETURN VARCHAR2;
donde (OBJ,COL) son los numeros identi cativos de la tabla y columna del atributo que se desea representar, F_TYPE es el tipo del valor de dicho atributo y F1, F2, F3 y F4 son el resto de argumentos del atributo, tal y como se representan los atributos difusos Tipo 2 en formato relacional (Tabla 5.1). La funcion devuelve un dato de tipo cadena de caracteres (VARCHAR2), que es el dato mostrado. En la Tabla 5.34 se muestra como se representa cada tipo de valor en un atributo difuso Tipo 2, con un ejemplo para cada uno. 2. Funcion fshow3: Esta funcion se utiliza para representar atributos difusos Tipo 3, y su cabecera, con sus argumentos, es la siguiente:
FUNCTION fshow3 ( OBJ IN FUZZY_LABEL_DEF.OBJ#%TYPE, COL IN FUZZY_LABEL_DEF.OBJ#%TYPE, LEN IN FUZZY_COL_LIST.LEN%TYPE, F_TYPE IN FUZZY_COL_LIST.F_TYPE%TYPE, FP1 IN NUMBER, F1 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP2 IN NUMBER, F2 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP3 IN NUMBER, F3 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP4 IN NUMBER, F4 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP5 IN NUMBER, F5 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP6 IN NUMBER, F6 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP7 IN NUMBER, F7 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP8 IN NUMBER, F8 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP9 IN NUMBER, F9 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE, FP10 IN NUMBER,F10 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE) RETURN VARCHAR2;
donde (OBJ,COL) son los numeros identi cativos de la tabla y columna del atributo que se desea representar, F_TYPE es el tipo del valor de dicho atributo, LEN es el numero
222
F_TYPE

Ejemplos UNKNOWN UNDEFINED NULL Moreno (si FP1=1 se quita el 1/) 0.2/Rubio, 0.8/Casta~o, 1/Moreno (LEN=3) n
Representacion 0 UNKNOWN 1 UNDEFINED 2 NULL 3 (simple) FP1/label 4 (dist. pos) FP1/label1: : : FPLEN /labelLEN
Tabla 5.35: Representacion Gra ca de Atributos difusos Tipo 3. de campos maximo del atributo en cuestion y (FPi,Fi) son el resto de argumentos del atributo, tal y como se representan los atributos difusos Tipo 3 en formato relacional (Tabla 5.2). Como puede observarse, el Servidor FSQL no esta preparado para representar distribuciones de posibilidad sobre atributos difusos Tipo 3 con mas de 10 elementos de longitud. De todas formas, nos parece que las distribuciones de posibilidad de este tipo con una longitud mayor de 10 elementos son excesivamente raras y no muy utiles en la mayor a de los casos. La funcion devuelve un dato de tipo cadena de caracteres (VARCHAR2), que es el dato mostrado. En la Tabla 5.35 se muestra como se representa cada tipo de valor en un atributo difuso Tipo 3, con un ejemplo para cada uno. 3. Funcion fshow3 len1: Esta funcion es similar a la funcion anterior pero en esta suponemos que el argumento LEN vale 1, por lo que se reduce mucho el numero de argumentos. En realidad, pensamos que los atributos difusos Tipo 3 son, en la mayor a de los casos utilizados como distribuciones de posibilidad con un unico elemento, por lo que usando esta funcion de representacion incrementamos la e ciencia en la mayor a de los casos. Su cabecera es la siguiente y sus argumentos no necesitan ya explicacion.
FUNCTION OBJ F_TYPE FP1 IN fshow3_len1 ( IN FUZZY_LABEL_DEF.OBJ#%TYPE, COL IN FUZZY_LABEL_DEF.OBJ#%TYPE, IN FUZZY_COL_LIST.F_TYPE%TYPE, NUMBER, F1 IN FUZZY_OBJECT_LIST.FUZZY_ID%TYPE) RETURN VARCHAR2;
Estas funciones pueden detectar algunos errores en la representacion de valores difusos en las tablas, en tiempo de ejecucion: Si una determinada etiqueta no existe en FUZZY OBJECT LIST su representacion no puede ser le da y mostrara el mensaje \ERROR: Etiqueta no de nida". Si el tipo de valor difuso no es correcto, i.e., no esta entre 0 y 7 para atributos difusos Tipo 2 o no esta entre 0 y 4 para atributos difusos Tipo 3, entonces el mensaje mostrado sera: \Error en Tipo Fuzzy". Este error puede ser evitado facilmente estableciendo, al crear la tabla, una restriccion en las columnas del tipo de valores difusos: De 0 a 7 para los atributos difusos Tipo 2 (Tabla 5.1) y de 0 a 4 para los Tipo 3 (Tabla 5.2).

Formato de la comparacion N con el comparador difuso generico FFF 1 fcol_t1 FFF X,Y] 2 fcol_t1 FFF #Aprox 3 fcol_t1 FFF $label 4 fcol_t1 FFF $ a,b,c,d] 5 fcol_t1 FFF crisp 6 fcol_t1 FFF expr_crisp 7 fcol_t1 FFF fcol_t1 8 fcol_t1 FFF fcol_t2 9 fcol_t1 FFF (UNKNOWN|UNDEFINED|NULL) 10 fcol_t1 IS NOT] (UNKNOWN|UNDEFINED) 11 fcol_t1 IS NOT] NULL Funcion empleada en la traduccion
FFF_crisp_finter FFF_crisp_aprox FFF_crisp_trape FFF_crisp_trape FFF_t1_t1 FFF_t1_t1 FFF_t1_t1 FFF_t1_t2
223
Error Error
Comp. clasica: NULL del SGBD (no difuso)
Tabla 5.36: Funciones de comparacion difusa empleadas con atributos difusos Tipo 1.
y FSQL FUNCTIONS2. En el segundo estan, por ahora, solo las funciones de comparacion de los comparadores \Mucho Mayor/Menor que", i.e., MGT/NMGT y MLT/NMLT. El resto, estan en el primer paquete. Como ya se ha dicho anteriormente, el Servidor FSQL tiene en cuenta el tipo de los valores a comparar, de forma que se utilice la funcion mas apropiada para cada tipo, ganando el sistema en e ciencia. As , si en una comparacion sabemos que un elemento es un valor crisp, la comparacion es mas simple que si es un trapecio o que si puede ser cualquier tipo de valor representado por el nombre de un atributo difuso. Por eso, se ha programado una funcion independiente para cada tipo de comparacion posible, de forma que en cada caso se utilice la funcion apropiada. Se podr a haber programado solo una funcion general que sirviera para todos los tipos, pero esto ser a poco e ciente cuando ya sabemos el tipo de una o ambas partes de la comparacion. Los atributos difusos Tipo 1 son considerados como valores crisp y los atributos difusos Tipo 2 y 3 tienen funciones separadas por su incompatibilidad. Para atributos difusos Tipo 2, las funciones generales, que sirven para cualquier tipo, han sido programadas con el nombre del comparador al que implementan y son utilizadas exclusivamente cuando a ambos lados del comparador aparecen sendos atributos difusos Tipo 2. As , existen las siguientes funciones de comparacion entre dos atributos difusos Tipo 2: FEQ, NFEQ, FGT, NFGT... En las Tablas 5.36 y 5.37 se muestran las funciones empleadas cuando se utiliza respectivamente un atributo difuso Tipo 1, <fcol_t1>, y Tipo 2, <fcol_t2>, con un comparador difuso generico que llamaremos FFF. Con respecto a la Tabla 5.36, destacar el hecho de que no pueden usarse las constantes difusas UNKNOWN, UNDEFINED y NULL con atributos difusos Tipo 1, excepto NULL con el operador IS (caso 11) en el que NULL es entendido en el sentido que le da el SGBD y no en el sentido difuso de Umano, Fukami et al. de 70] y 143]. En este caso, no se le puede poner umbral de cumplimiento. Recordemos ademas, que en los casos 1, 5, 6 y 7 la parte derecha
5.5.4.2 Funciones de Comparacion Difusa Las Funciones de Comparacion difusa estan incluidas en los paquetes FSQL FUNCTIONS
224

Funcion empleada en la traduccion
FFF_inter FFF_aprox FFF_trape FFF_trape FFF_crisp FFF_crisp FFF_crisp FFF FEQ_UNKNOWN FEQ_UNDEFINED FEQ_NULL
Formato de la comparacion con el N comparador difuso generico FFF o FEQ (si es requerido) 1 fcol_t2 FFF X,Y] 2 fcol_t2 FFF #Aprox 3 fcol_t2 FFF $label 4 fcol_t2 FFF $ a,b,c,d] 5 fcol_t2 FFF crisp 6 fcol_t2 FFF expr_crisp 7 fcol_t2 FFF fcol_t1 8 fcol_t2 FFF fcol_t2 9 fcol_t2 FEQ UNKNOWN 10 fcol_t2 FEQ UNDEFINED 11 fcol_t2 FEQ NULL 12 fcol_t2 IS NOT] (UNKNOWN|UNDEFINED|NULL) 13 fcol_t2 = 'CADENA' o fcol_t2 NOT] LIKE 'CADENA'
Comp. clasica del F_TYPE Comp. clasica: fshow2
Tabla 5.37: Funciones de comparacion difusa empleadas con atributos difusos Tipo 2. de la comparacion es difuminada tal y como se explica en el apartado 5.2.1.9. En el caso 6 la expresion crisp puede contener cualquier tipo de operador aritmetico (+, -, *...) y funciones (ABS, SQRT, LEAST...). Si la parte izquierda de una comparacion es crisp (caso de la Tabla 5.36) entonces los comparadores de Necesidad obtienen identicos valores que sus homonimos de Posibilidad, por lo que el Servidor FSQL solo implementa estos ultimos. Con respecto a la Tabla 5.37, del Tipo 2, queremos hacer las siguientes aclaraciones en algunos de sus casos: Casos 9, 10 y 11: Las comparaciones con estas constantes difusas solo pueden efectuarse con el comparador FEQ. Caso 12: Es una comparacion clasica en la que se compara si el valor del Tipo del atributo difuso es 0, 1 o 2, respectivamente para UNKNOWN, UNDEFINED o NULL. Por tanto, no se le puede poner umbral de cumplimiento. Caso 13: En este tipo de comparaciones no difusas, lo que se pretende comparar es la representacion del atributo difuso, que es visto como una cadena de caracteres (tipo VARCHAR2) que debe compararse con la 'CADENA' indicada. Para conseguir la representacion del atributo difuso se usa, como ya hemos indicado arriba (apartado 5.5.4.1), la funcion fshow2 obteniendo los resultados de representacion de la Tabla 5.34. En el apartado 5.4.1 se explica como conseguir esto. Para los atributos difusos Tipo 3, con los que solo se puede usar el comparador FEQ, se ha programado la funcion FEQ3 y algunas asociadas. En la Tabla 5.38 se muestran las funciones empleadas cuando se utiliza un atributo difuso Tipo 3, <fcol_t3>, con el comparador difuso FEQ. De esta tabla queremos matizar lo siguiente: Caso 1: Se utilizara una u otra funcion dependiendo de la longitud maxima de las distribuciones de posibilidad sobre el atributo involucrado: Atributo LEN de la tabla

N 1 2 3 4 5 6 Formato de la comparacion con el comparador difuso FEQ
fcol_t3 FEQ $label fcol_t3 fcol_t3 fcol_t3 fcol_t3 fcol_t3 fcol_t3 FEQ fcol_t3 FEQ (UNKNOWN|NULL) FEQ UNDEFINED IS NOT] (UNKNOWN|UNDEFINED|NULL) = 'CADENA' o tambien NOT] LIKE 'CADENA'
225 Funcion empleada en la traduccion

FEQ3 label LEN1 FEQ3 label FEQ3 FEQ3_UNKNOWN_NULL FEQ_UNDEFINED
si LEN = 1 otro caso
Comparacion clasica del F_TYPE Comp. clasica: fshow3 LEN1 fshow3
Tabla 5.38: Funciones de comparacion difusa empleadas con atributos difusos Tipo 3.
FUZZY COL LIST. La funcion FEQ3_label_LEN1 solo existe para acelerar la comparacion cuando todos los valores del atributo difuso son simples, caso que suponemos muy usual en este Tipo de atributos difusos.
Caso 4: Se utiliza la misma funcion que para Tipo 2 (FEQ_UNDEFINED), ya que tiene identico sentido. Caso 5: Es una comparacion clasica en la que se compara si el valor del Tipo del valor difuso es 0, 1 o 2, respectivamente para UNKNOWN, UNDEFINED o NULL. Por tanto, no se le puede poner umbral de cumplimiento. Caso 6: En este tipo de comparaciones no difusas, lo que se pretende comparar es la representacion del atributo difuso, que es visto como una cadena de caracteres (tipo VARCHAR2) que debe compararse con la 'CADENA' indicada. Para conseguir la representacion del atributo difuso se usa, como ya hemos indicado arriba (apartado 5.5.4.1), la funcion fshow3 o fshow3_LEN1 (segun el valor de LEN) obteniendo los resultados de representacion de la Tabla 5.35. En el apartado 5.4.1 se explica como conseguir esto.
5.5.5 Como Introducir Nuevos Comparadores Difusos en FSQL y su Servidor
Introducir nuevos comparadores difusos que funcionen en el Servidor FSQL no es una operacion extremadamente complicada pero tampoco es trivial. Hay que modi car algunos paquetes y tablas del Servidor FSQL y probablemente tengamos que crear un nuevo paquete para las funciones de comparacion difusa del nuevo comparador. En s ntesis, los pasos a seguir para introducir un nuevo comparador difuso son los siguientes: 1. Cambiar la gramatica, incluida en el Apendice B: (a) Introducirlo como palabra reservada. (b) Introducir una produccion como las producciones de los otros comparadores difusos: Producciones 232 a 238 y 501 a 507 de nuestra gramatica.
226

La gramatica utilizada se facilita en dos cheros con diferentes formatos: El chero consulta.y, que contiene la gramatica en formato Yacc, tal y como aparece en el Apendice B y el chero consulta.ag con formato del programa ag.
2. Comprobar si es LL(1): Esto se puede hacer facilmente con el programa ag, Analizador de Gramaticas19 . 3. Modi car las tablas siguientes del Servidor FSQL: (a) Introducir el nombre del comparador en la tabla RESERVADAS, tal y como estan los otros comparadores difusos. (b) A~adir la produccion a la tabla PRODUCCIONES, tal y como estan introducidas las n otras producciones ya mencionadas. (c) A~adir a la tabla TABLA SINTAX las siguientes tuplas, donde <F_comp> es el nuevo n comparador difuso y <N_prod> es el numero de produccion del nuevo comparador:
('fcomparador', '<F_comp>', <N_prod>) ('resto_expr', '<F_comp>', 50) ('resto_col', '<F_comp>', 64) ('resto_col2', '<F_comp>', 70) ('resto_fcond', '<F_comp>', 218) ('resto_cond_elemental', '<F_comp>', 215)
4. A~adir todas las funciones pertinentes al paquete FSQL FUNCTIONS2 o a otro paquete. n Tenga en cuenta que si un paquete es excesivamente largo puede dar problemas al instalarlo en el Servidor Oracle. 5. Modi car el analizador semantico para incluir el nuevo operador: Esta es la fase mas delicada y complicada de la operacion. Hay que modi car el paquete FSQL SEMANTIC (sobretodo el procedimiento trata fuzzy column) cuidadosamente para no alterar el funcionamiento de todo lo anterior. Para esto, conviene destacar los siguientes tipos de comparadores difusos: Comparadores para atributos difusos Tipo 3: En la actualidad este Tipo de atributos solo aceptan el comparador difuso FEQ y por eso, reciben un tratamiento especial. Comparadores del tipo \Mucho Mayor/Menor que" (en su version de posibilidad y necesidad): Estos comparadores necesitan la distancia del atributo MUCH de la tabla FUZZY APPROX MUCH (M) por lo que en cada apartado son tratados independientemente. El resto de comparadores son tratados a parte, pues son muy parecidos entre s , con algunas salvedades ya indicadas anteriormente.
indicando si la gramatica que lee, en un chero .ag, es LL(1). Ademas, puede generar los Iniciales y los Seguidores de cada s mbolo no terminal. El programa ha sido desarrollado por Carlos Ure~a, profesor del Dpto. de Lenguajes y n Sistemas Informaticos de la Universidad de Granada, al cual le agradecemos desde estas paginas su amabilidad al facilitarnos este programa.
19 El programa ag (Analizador de Gramaticas) es un programa util para analizar gramaticas,
5.6. MEJORAS POSIBLES AL SISTEMA FSQL
227
5.6 Mejoras Posibles al Sistema FSQL

El Servidor FSQL y el lenguaje en el que se basa disponen de una funcionalidad importante. No obstante, como en cualquier otro programa, existen diversos aspectos en los que puede mejorarse y/o ampliar su funcionalidad. Entre esos aspectos, destacan los siguientes, separando entre mejoras al Lenguaje FSQL y mejoras al Servidor FSQL. Tanto unas como otras deber an ser tenidas en cuenta en sucesivas versiones del Servidor FSQL.
5.6.1 Mejoras al Lenguaje FSQL
A continuacion, enumeramos una serie de mejoras que deber an tenerse en cuenta para mejorar el Lenguaje FSQL. Por supuesto, todas las modi caciones a este lenguaje requieren modi car tambien el Servidor FSQL para que este pueda trabajar con dichas modi caciones. Introducir nuevos comparadores difusos que operen con las distribuciones de posibilidad desde otros puntos de vista como, por ejemplo, el area en comun que tengan las distribuciones de posibilidad. Ver apartados 5.5.4 y 5.5.5. Ampliar el lenguaje FSQL para que admita expresiones difusas para valores aproximados, con el signi cado de la Figura 5.4 (pagina 138), de acuerdo con el siguiente formato:
#<expr>
donde <expr> no tiene por que ser forzosamente un numero, sino que puede ser cualquier expresion crisp, incluyendo atributos crisp, atributos difusos Tipo 1, operaciones y funciones aritmeticas, parentesis... Ampliar el lenguaje FSQL para que admita expresiones difusas para valores aproximados, con el signi cado de la Figura 5.4 (pagina 138), pero con un margen distinto del almacenado en la FMB y expresado con <expr2>, de acuerdo con el siguiente formato:
#<expr1> +- <expr2>
donde <expr1> y <expr2> no tienen por que ser forzosamente numeros, sino que pueden ser cualquier expresion crisp, incluyendo atributos crisp, atributos difusos Tipo 1, operaciones y funciones aritmeticas, parentesis... Ampliar el lenguaje FSQL para que admita expresiones para intervalos, con el signi cado de la Figura 5.5 (pagina 138), de acuerdo con el siguiente formato:
<expr1>,<expr2>]
donde <expr1> y <expr2> no tienen por que ser forzosamente numeros, sino que pueden ser cualquier expresion crisp, incluyendo atributos crisp, atributos difusos Tipo 1, operaciones y funciones aritmeticas, parentesis... Ampliar el lenguaje FSQL para que admita expresiones difusas para trapecios, con el signi cado de la Figura 5.2 (pagina 136), de acuerdo con el siguiente formato:
228

$ <expr1>,<expr2>,<expr3>,<expr4>]
donde <expr1>, <expr2>, <expr3> y <expr4> no tienen por que ser forzosamente numeros, sino que pueden ser cualquier expresion crisp, incluyendo atributos crisp, atributos difusos Tipo 1, operaciones, funciones aritmeticas, parentesis... Ampliar el lenguaje FSQL para que permita utilizar valores distintos de los especi cados en la tabla FUZZY APPROX MUCH para los valores MARGEN y MUCH. Su sintaxis podr a ser: { Comparadores que solo utilicen el MARGEN: Especi car el valor MARGEN tras el comparador, entre parentesis. Ejemplo:
{ En comparadores MGT/NMGT y MLT/NMLT, se deber an especi car ambos valores sepa-
Distancia FEQ(35) $ 11,34,55,66]
rados por comas, primero el valor para MARGEN y luego, opcionalmente el valor para MUCH. Si solo se desea especi car este ultimo, se puede dejar el primero en blanco. O sea, el formato general, tras el comparador difuso ser a: ( MARGEN] ,MUCH]). Ejemplos:
Distancia MGT(35) Distancia MGT(,88) #888 #888 Distancia MGT(35,88) #888
Permitir efectuar comparaciones difusas sobre atributos \crisp", que ni siquiera han sido declarados como difusos Tipo 1. Naturalmente, en este caso no podran utilizarse o declararse etiquetas y se debe usar la sintaxis dada en el punto anterior si la comparacion requiere los valores del MARGEN y/o del MUCH. Que se permita la inclusion de atributos y constantes difusas en expresiones aritmeticas, excepto con los atributos difusos Tipo 3 y sus etiquetas. Ademas, estas expresiones podran utilizarse en comparaciones que involucren comparadores difusos. Ver apartados 1.3.4.1 y 5.5.3.2. Que se puedan expresar constantes del tipo distribuciones de posibilidad sobre las etiquetas de un atributo difuso Tipo 3. Por ejemplo, podr an ponerse entre llaves, pudiendose expresar el siguiente tipo de condiciones difusas:
Color Pelo FEQ
f0,8/$Casta~o, n
1/$Moreno
THOLD 0.75
Que se permita el uso de modi cadores lingu sticos (linguistic hedges ) como \muy" o \poco", alterando as la distribucion de posibilidad que se indique tras el modi cador, tal y como se indica en los apartados 1.3.3 y 2.9. Por ejemplo:
Salario FEQ $Muy $Normal THOLD 0.75
Permitir establecer un valor N indicando que se recuperen las N mejores tuplas. Es decir, limitar las tuplas del resultado por cantidad y no por un umbral de cumplimiento. Esta caracter stica es incorporada por el lenguaje SQLf 22] (apartado 2.9.1). Por ejemplo, la siguiente consulta selecciona solo las 11 tuplas (como maximo) que mejor satisfacen la condicion impuesta (por eso el umbral es cero):
5.6. MEJORAS POSIBLES AL SISTEMA FSQL

SELECT 11] Jugador, CDEG(*) FROM Equipos_Futbol WHERE Num_Goles NFEQ $Muy_Alto 0;
229
Si se establece un umbral distinto de cero, la condicion es mas restrictiva, por lo que es mas facil que se recuperen menos de 11 tuplas. Poniendo el umbral a cero en este tipo de consultas, nos aseguramos que si no se obtienen 11 tuplas es que no hay mas tuplas interesantes. Incluir en FSQL una sintaxis especial para especi car la division relacional difusa entre dos relaciones difusas. Actualmente FSQL incorpora el mismo mecanismo que SQL para aplicar la division relacional y este fue visto en el Ejemplo 5.22. Sin embargo, con ese mecanismo no podemos obtener el grado con el que cada tupla cumple las condiciones de la division, ya que esos grados son obtenidos en un SELECT interno (subconsulta). Ademas, ese mecanismo no permite aplicar cuanti cadores difusos a la division relacional. En el Cap tulo 3 se hace un estudio en profundidad de la division relacional difusa en BDRD, proponiendo un sistema para efectuarla que incluye el uso de cualquier tipo de cuanti cador difuso.
5.6.2 Mejoras al Servidor FSQL

El siguiente elenco de caracter sticas son mejoras que deber an incorporarse en el Servidor FSQL. Estas caracter sticas no afectan al lenguaje FSQL en s , sino a la forma en que actualmente el Servidor FSQL trabaja y a algunas caracter sticas del lenguaje FSQL que no han sido implementadas aun. Incorporar las sentencias del DDL de FSQL, as como las restantes sentencias del DML de FSQL (apartado 5.2 y Apendice B). Con esto, se pueden incorporar nuevos valores en las tablas FSQL_ALL_INFO y FSQL_STATS (apartados 5.4.1 y 5.4.2) para, por ejemplo, obtener estad sticas sobre el uso de cada sentencia. Incorporar un mecanismo para expresar la compatibilidad entre atributos difusos Tipo 1 o 2, con otros atributos difusos Tipo 1 o 2 (indistintamente), de similar forma a como ya se hace con atributos difusos Tipo 3 con la tabla FUZZY COMPATIBLE COL. Con atributos difusos Tipo 3 esa tabla era necesaria para poder compararlos entre s y para evitar tener que rede nir las etiquetas para distintos atributos con igual dominio. En el caso de atributos difusos Tipo 1 o 2 la utilidad de esa tabla queda restringida a la segunda utilidad, pues ambos Tipos de atributos difusos son siempre comparables entre s sin necesidad de especi carlo. Esto es muy util en la creacion de vistas con atributos difusos, pues sin esto, al crear una vista, hay que copiar para esa vista todas las etiquetas que tienen los atributos difusos de la tabla de la que proceden. Permitir el uso de cuali cadores sobre el umbral de cumplimiento de una condicion difusa y tambien el uso de cuanti cadores difusos (absolutos y relativos). Ver apartados 5.1.2.3 y 2.9.2. Ambas opciones estan de nidas en el apartado 5.2.1.1, aunque, como no han sido implementadas en el Servidor FSQL, no estan contempladas en la gramatica del Apendice B.
230

Programar nuevas normas para ser utilizadas en el calculo de la funcion CDEG cuando intervienen operadores logicos, de forma que un usuario no tenga que programar las normas mas usuales y que, para utilizarlas, solo tenga que modi car la vista FSQL OPTIONS, como en el Ejemplo 5.28. Ver apartados 5.4.1 y 5.5.3.3. Permitir la escritura de condiciones difusas sin atributos difusos a la izquierda del comparador difuso. Ver apartado 5.5.3.2. Ademas, como se ha explicado en el apartado anterior, ser a deseable que se permitiera utilizar comparadores difusos entre expresiones difusas (o no). Que la funcion CDEG se pueda emplear en cualquier posicion como una expresion cualquiera, y no exclusivamente en la lista de seleccion, tras SELECT. Incluir algun metodo de ordenacion de atributos difusos Tipo 2, para cuando se utiliza un atributo difuso de este Tipo en la clausula ORDER BY. Ver apartado 5.4.1. De nir algunos triggers en el SGBD que ayuden a mantener la integridad de los atributos difusos y de los valores de la FMB. Como se dijo en el apartado 5.5.4, esto evitar a inserciones de valores incorrectos en la base de datos, en la FMB y en las tablas del Servidor FSQL (principalmente FSQL OPTIONS). Incorporar medidas de seguridad en las tablas de FIRST y del Servidor FSQL de forma que un usuario no pueda consultar ni modi car los objetos, caracter sticas u opciones de con guracion declaradas por otro usuario. Actualmente FIRST no almacena informacion sobre propietario de cada objeto ni sobre permisos de acceso a ellos. Estudiar la migracion de todo o parte del Servidor FSQL del lenguaje PL/SQL a Java, ya que Oracle 8i incorpora una maquina virtual Java y permite la programacion tanto en PL/SQL como en Java de cualquier objeto, incluyendo triggers (disparadores). Tambien incluye la sintaxis SQLJ para incluir codigo SQL en el codigo Java. Esto facilita la tarea de utilizar el Servidor FSQL en otras bases de datos distintas de Oracle20 . Estudiar las ventajas y posibilidades que podr a abrir el uso de objetos para de nir los Tipos difusos y resolver consultas difusas en FSQL, aprovechando que la reciente version Oracle 8 permite crear bases de datos orientadas a objetos. Incluir la posibilidad de efectuar consultas (aunque sean simples), en lenguaje natural (ingles y/o espa~ol), al igual que ya incluye Microsoft SQL Server 7.0 para anglofonos n y para el lenguaje SQL. No obstante, el sistema que incluyen, aunque util, todav a no esta muy depurado y falta mucho por hacer.
otra parte, Oracle 8 incorpora un asistente para migrar facilmente a Oracle 8 bases de datos que no sean Oracle (como Access, por ejemplo) o que sean de versiones anteriores de Oracle. Esta utilidad puede ser muy util para aquellas empresas que disponen de una peque~a base de datos y que ven que su SGBD n se les queda peque~o y/o que deseen utilizar alguna de las aplicaciones que Oracle incorpora o que han sido n programadas para Oracle (como el Servidor FSQL)
20 Por
Cap tulo 6
El Cliente FSQL
Como se indico en el apartado 5.3, el programa Cliente FSQL es el encargado de hacer de interfaz entre el usuario y el Servidor FSQL. Este programa puede ser muy simple, pero es muy importante pues va a permitir al usuario ejecutar sentencias difusas en FSQL (sin que el usuario tenga por que saber como se accede al Servidor). En este cap tulo veremos inicialmente cual es el objetivo basico y los posibles modos de funcionamiento de un programa Cliente. Posteriormente, veremos con detalle como puede programarse un Cliente FSQL de forma facil, empleando cualquier lenguaje que permita acceso a bases de datos Oracle u ODBC (Open DataBase Connectivity, Conectividad Abierta de Bases de Datos). Nosotros hemos construido un Cliente FSQL para Windows 95/98/NT, llamado FQ. En la ultima seccion se incluyen unos breves comentarios acerca de como esta construido el \esqueleto" del programa FQ, es decir, las partes mas importantes y fundamentales del mismo. En el Apendice G se incluye un manual de usuario de este programa.
6.1 Objetivo y Funcionamiento

El programa Cliente FSQL es el encargado de enviar la sentencia en lenguaje FSQL al Servidor FSQL y obtener de este los errores que contenga dicha sentencia (usando la funcion FSQL2SQL). Si la sentencia no contiene errores, entonces el Cliente debe obtener del Servidor dicha sentencia FSQL traducida a una sentencia SQL equivalente. Hecho esto, enviara la sentencia SQL al SGBD y, en su caso, obtendra la respuesta y efectuara las acciones oportunas con los resultados. La relacion del programa Cliente FSQL con el Servidor FSQL es efectuada de forma transparente al usuario, i.e, el usuario no tiene que conocer nada acerca del Servidor FSQL. Las operaciones fundamentales que debera ejecutar el Cliente FSQL son: 1. Conexion al SGBD: En esta operacion el programa Cliente debe solicitar del usuario su nombre de conexion (login ) y su clave de acceso (password ). Tras esto, intenta abrir una sesion en el SGBD y, si se consigue, asigna un numero de sesion a la conexion efectuada. Cada consulta mandada al Servidor FSQL esta identi cada por el numero de sesion por lo que cada usuario puede establecer varias sesiones (conexiones) con el SGBD y en todas ellas podra utilizar el Servidor FSQL. El numero de sesion puede calcularse facilmente en Oracle usando la expresion: 231
232
CAPITULO 6. EL CLIENTE FSQL

USERENV('SESSIONID')
La caracter stica multiusuario del Servidor FSQL posibilita que el programa Cliente FSQL pueda permitir el establecimiento de varias conexiones o que el mismo programa pueda ejecutarse varias veces, estableciendo una conexion con cada una de ellas. Por supuesto, cada conexion puede establecerse con distinto o igual nombre de usuario. 2. Edicion de la sentencia en FSQL: Este apartado puede variar enormemente de un programa Cliente a otro. En el modo mas inmediato el usuario escribira la sentencia en modo texto, con lo que el usuario debera conocer el lenguaje SQL y su extension a FSQL. Tambien, el programa Cliente puede incluir formularios para realizar consultas del tipo QBE (Query By Example ) de 173] o a traves de asistentes que van solicitando paulatinamente, y de forma visual, los datos necesarios para la edicion de la sentencia. Por supuesto, en determinados casos el programa Cliente podra tambien tener una o varias sentencias \tipo" en las que solo tendra que pedir algunos datos al usuario. 3. Obtener y mostrar los errores (si los hay): Los errores encontrados son introducidos por el Servidor FSQL en la vista FSQL ERRORS. Esta vista mantiene separados los errores que se produzcan en cada sesion. Por supuesto, el programa Cliente puede efectuar \o line " un chequeo de la sentencia para ver si tiene errores lexicos o sintacticos, de forma que no env e al Servidor FSQL sentencias erroneas lexica o sintacticamente. Para ello el Cliente deber a incorporar el analizador lexico y el sintactico. Ambos, son bastante faciles de implementar, teniendo en cuenta lo que se ha explicado en los apartados 5.2, 5.5.1 y 5.5.2, as como la gramatica expuesta en el Apendice B. El analizador semantico (apartado 5.5.3) tambien puede ser inclu do en el Cliente aunque esto ya no resulta ni e ciente por los accesos a la base de datos, ni tan facil de implementar como los dos anteriores. Este analisis \o -line ", aunque deseable para reducir los accesos al SGBD, no solo no es indispensable sino que, si se incluye, deber a poder ser desactivado ya que el Servidor FSQL puede cambiar para acoger nuevos cambios del lenguaje FSQL y esto no deber a inutilizar el programa Cliente para utilizar las nuevas mejoras introducidas. 4. Obtener resultados, mostrarlos u operar con ellos: Una vez que se han obtenido los resultados en el caso de una consulta, el programa Cliente debera operar con ellos de alguna forma (grabarlos en disco, utilizarlos en otros calculos, mostrarlos en pantalla...). Quizas la mas habitual sea mostrar los datos en pantalla e, igualmente, esta puede efectuarse de varias formas, siendo las mas basicas las siguientes: Modo Fila: Cada la de la tabla resultante es mostrada en una ventana independiente con sus datos distribuidos en el espacio de esta. En este modo se contara con las opciones t picas de \Ver siguiente", \Ver anterior", \Ver primero", \Ver ultimo"... Modo Tabla: Se muestra una tabla con los resultados de forma que caba columna corresponde a un atributo de la consulta original. En este modo es util contar con un \scroll " (o barra de desplazamiento) tanto horizontal como vertical, que nos permita \movernos" por los datos de la tabla, modi cando la porcion de tabla que es visualizada en cada momento. Este modo es el empleado en FQ que, como se explica en su manual de usuario del Apendice G, incluye multitud de opciones para ordenar por columnas, agrupar las o columnas con igual valor, cambiar el
6.2. PROGRAMACION DE CLIENTES FSQL: OPERACIONES BASICAS
233
tama~o de las y columnas, habilitar y deshabilitar la particion de palabras en n cada celda de la tabla... 5. Desconexion del SGBD: Esta operacion supone que no se van a efectuar mas operaciones con el SGBD. En realidad esta operacion no es estrictamente necesaria y en general, bastara con cerrar el programa Cliente. Si el programa Cliente puede seguir usandose sin conexion esta desconexion puede signi car simplemente inhabilitar el uso del SGBD hasta que se ordene una nueva conexion. El programa Cliente puede tambien implementar una desconexion temporal, de forma que impida el uso del programa hasta que no se introduzca la clave del usuario que inicio su ejecucion. A grandes rasgos, los unicos requisitos que debe tener un lenguaje de programacion para poder programar un Cliente FSQL en el son, que permita efectuar consultas en SQL sobre la base de datos clasica y que permita ejecutar procedimientos almacenados en el SGBD.
6.2 Programacion de Clientes FSQL: Operaciones Basicas

A grandes rasgos ya se han visto en el apartado anterior los pasos que deben programarse en un programa Cliente FSQL. En este apartado veremos mas a bajo nivel como se obtienen los resultados a partir de una consulta FSQL correcta o los errores si es incorrecta. Tambien veremos otras operaciones utiles para el usuario que utiliza una BDRD. Para esto lo unico que se necesita es que el lenguaje de programacion elegido incorpore formas de efectuar consultas en FSQL y llamadas a procedimientos almacenados. Esto se puede hacer a traves de ODBC o usando algunos de los sistemas que Oracle proporciona, como son los Oracle Objects (para Visual Basic, C++, Excell...). Oracle tambien proporciona una herramienta de programacion, Developer 2000, que esta enfocada a crear aplicaciones de Bases de Datos y que permite crear, entre otras opciones, codigo para Windows o codigo en Java para ser utilizado en las paginas web (WWW) de Internet. En el Apendice D se encuentran una lista de las funciones que vamos a utilizar a continuacion, todas ellas incluidas en el paquete FSQL PKG y pertenecientes al Servidor FSQL.
6.2.1 Ejecucion de Sentencias FSQL
Basicamente, el algoritmo a seguir es el siguiente, suponiendo que ya hayamos establecido la conexion con el SGBD y que ya tenemos la sentencia en FSQL en una variable de tipo cadena de caracteres1 (string ) denominada sentencia: 1. Llamar a la funcion FSQL2SQL del paquete FSQL PKG, para descubrir el numero de errores de la sentencia:
Num Errores := FSQL PKG.FSQL2SQL(sentencia);
una sentencia FSQL puede incluir comentarios dentro de la sentencia y puede estar formada por varias l neas, todas en la misma variable de tipo cadena.
1 Como se ha indicado,
2. Si encontramos errores (Num Errores>0) los mensajes de error correspondientes se encuentran en la campo Msg error de la vista FSQL ERRORS, uno tras otro ordenados por el campo Indice en orden de aparicion. En el Apendice C hay una lista con todos los posibles mensajes de error, sus posibles causas y sus posibles soluciones.
234
3. En caso de que no haya errores, la sentencia SQL resultante estara almacenada en la vista FSQL QUERY y sera obtenida concatenando el campo Atributo en el orden que indique el campo Indice. Al concatenar se debe incorporar un espacio en blanco entre cada dos valores consecutivos del campo Atributo. Aunque no es necesario, este espacio se puede omitir, por delante y por detras, cuando el campo Atributo tiene longitud 1 y este caracter vale uno de los siguientes caracteres: `+', `-', `*', `/', `.', `;', `,', `=', `>', `<', `(' y `)'. Eliminar ese espacio cuando sea posible no es obligatorio, pero puede convenir hacerlo para ahorrar espacio (en grandes sentencias) y sobretodo para que la sentencia resultante quede mejor formateada si va a ser mostrada. Esta concatenacion para obtener la sentencia SQL puede ser efectuada directamente por el programa Cliente FSQL o puede tambien efectuarse a traves de la funcion FSQL concat del Servidor FSQL:
Sentencia SQL := FSQL PKG.FSQL concat;
Esa funcion devuelve una cadena del tipo VARCHAR2 de Oracle, por lo que esta limitada a la longitud maxima que le asigne Oracle (32767 caracteres) y si supera esa longitud la funcion devuelve NULL. Esto supone un problema si la sentencia SQL resultante supera esa longitud maxima. 4. Una vez obtenida la sentencia SQL resultante, el Cliente FSQL debera enviar esta sentencia al SGBD como si se tratara de una sentencia normal en SQL. Si la sentencia es una consulta, se deberan recuperar los resultados de la misma. 5. Cuando se ha terminado de ejecutar sentencias FSQL se debe llamar al procedimiento FSQL FIN, borrando los datos temporales que ya no son utiles. Este procedimiento no tiene argumentos ni devuelve ningun dato. Esta operacion no hay que efectuarla tras cada sentencia FSQL sino una unica vez, al nal. Puede resultar util que el programa Cliente FSQL incorpore opciones para ver la consulta SQL resultante, para mandar consultas SQL sin pasar por el Servidor FSQL o para ver la consulta FSQL si esta fue formada de forma visual o semiautomatica. Dado un atributo difuso con su esquema o propietario SCH, el nombre de la tabla a la que pertenece TBL y su nombre de columna COL, podemos ver que etiquetas hay de nidas para dicho atributo y su de nicion, siguiendo el siguiente algoritmo: 1. Calcular el numero de Objeto de la tabla: Puede usarse la funcion FSQL OBJ y asegurarse de que es distinto de cero (objeto no existe):
NOBJ# := FSQL PKG.FSQL OBJ (SCH,TBL);
6.2.2 Ver las Etiquetas De nidas para un Atributo Difuso
2. Calcular el numero de la columna: Puede usarse la funcion FSQL COL:

NCOL# := FSQL PKG.FSQL COL (SCH,TBL,COL);
6.2. PROGRAMACION DE CLIENTES FSQL: OPERACIONES BASICAS
235
3. Si NCOL#=0 quiere decir que dicha columna no existe con ese nombre, o sea, esa columna no es ni crisp ni difusa Tipo 1. Entonces, pasaremos a comprobar si es difusa Tipo 2 o 3 comprobando si existe a~adiendo una 'T' al nombre de la columna. Si vuelve a salir n cero entonces, de nitivamente, dicha columna no existe en la tabla:
NCOL# := FSQL PKG.FSQL COL (SCH,TBL,COL||'T');
4. Calcular el Tipo difuso del atributo: Una vez calculados los numeros identi cativos de la tabla y el atributo, hay que calcular el Tipo difuso de este, lo cual puede hacerse usando la funcion FSQL FTYPE:
F TYPE := FSQL PKG.FSQL FTYPE (NOBJ#,NCOL#);
5. Si F TYPE=0 indica que la columna no es difusa por lo que no puede tener etiquetas de nidas sobre su dominio. 6. Obtener las etiquetas segun su Tipo difuso:
Tipos 1 o 2 (F TYPE=1
OR F TYPE=2): Se puede obtener una tabla con los datos buscados usando la vista LABELS FOR OBJCOL a traves de su sinonimo publico LFOC: SELECT Label, Alfa, Beta, Gamma, Delta FROM LFOC WHERE OBJ# = NOBJ# AND COL# = NCOL#;
donde Label es el nombre de la etiqueta y el resto de las columnas seleccionadas corresponden a los valores de nidos para el trapecio de esa etiqueta: $ , , , ]. Tipo 3 (F TYPE=3): Se puede obtener una tabla con todas las etiquetas de nidas para un atributo difuso Tipo 3 y el grado de similitud entre cada par de ellas, usando la vista LABELS OBJCOL T3 a traves de su sinonimo publico LOCT3:
SELECT Label_1, Label_2, Degree FROM LOCT3 WHERE OBJ# = NOBJ# AND COL# = NCOL#;
donde Label 1 y Label 2 son los nombres de sendas etiquetas y Degree es el grado de similitud entre ellas. Estos datos son directamente consultables utilizando la tabla FUZZY APPROX MUCH a traves de su sinonimo publico FAM. Previamente hay que hallar los numeros identi cativos de la tabla y el atributo (NOBJ#,NCOL#), tal y como hemos hecho en el apartado anterior y luego utilizar la siguiente consulta:
6.2.3 Ver el MARGEN y la Distancia MUCH
236

SELECT MARGEN, MUCH FROM FAM WHERE OBJ# = NOBJ# AND COL# = NCOL#;
Para ver esta informacion de forma clara se puede usar la vista ALL COMPATIBLES T3 a traves de su sinonimo publico ACT3, la cual tiene las siguientes columnas: Nombre de la columna que es compatible con la siguiente y que, por tanto, no tiene de nidas etiquetas sobre ella. Length_1: Longitud maxima para las distribuciones de posibilidad que podremos almacenar en la columna anterior. Compatible_Con_Columna_2: Nombre de la columna que tiene de nidas las etiquetas, las cuales tambien usara Columna_1. Length_2: Longitud maxima para las distribuciones de posibilidad para la segunda columna. Esta operacion puede ser util para ver si esta instalado el Servidor FSQL, aunque, como se ha visto, el Servidor FSQL esta formado por otros elementos, aparte de los paquetes. En general, puede suponerse que si estan instalados los paquetes, esta instalado todo lo demas, ya que, en el proceso de desistalacion se borran todos los elementos del Servidor y no solo los paquetes. Los paquetes del Servidor FSQL pueden verse en la Tabla 5.29. Si <Nombre_Pkg> es el nombre de uno de los paquetes, para ver si esta o no instalado hay que efectuar la siguiente consulta para leer el estado del paquete:
SELECT Status FROM ALL_OBJECTS WHERE Object_Name='<Nombre_Pkg>' AND Object_Type='PACKAGE'; Columna_1:
6.2.4 Ver Atributos Difusos Tipo 3 Compatibles y sus Longitudes
6.2.5 Ver si estan Instalados los Paquetes del Servidor FSQL
Despues, debe comprobarse que el estado (Status) del paquete en cuestion es 'VALID'.
6.2.6 Ver Funciones que Aplica CDEG para los Operadores Logicos
SELECT FUNCTION FROM FSQL_OPTIONS WHERE OPCION = 'NOT' SELECT FUNCTION FROM FSQL_OPTIONS WHERE OPCION = 'AND' SELECT FUNCTION FROM FSQL_OPTIONS WHERE OPCION = 'OR'
Esta operacion es tan simple como efectuar las siguientes 3 consultas, correspondientes a cada operador logico:
Si alguna de las anteriores consultas no obtiene ninguna tupla, se aplicaran las funciones por defecto, expuestas en las Tablas 5.13 y 5.33.
6.3. PROGRAMACION DE FQ, UN CLIENTE FSQL
237
6.2.7 Acceso a Informacion sobre el Servidor FSQL, Estad sticas y otras Opciones de Con guracion
FSQL OPTIONS,
Esto se hace accediendo normalmente a la tabla FSQL STATS, y a las vistas FSQL INFO y del Servidor FSQL. Ademas, esta ultima vista puede ser tambien modi cada por el usuario para alterar algunas opciones de con guracion. En los apartados 5.4.1 y 5.4.2 se explican esos objetos y la informacion que contienen.
6.3 Programacion de FQ (Fuzzy Queries), un Cliente FSQL

Como complemento del Apendice G, en el que se incluye un manual de usuario del programa FQ, aqu vamos a esbozar unas nociones sobre como esta construido este programa, a nivel de programacion, en sus operaciones mas importantes. El Cliente FQ ha sido programado en Visual Basic 5.0 de Microsoft 18, 48, 124] y por tanto los fragmentos de codigo que exponemos en este apartado estan en este lenguaje2 . Observese que los comentarios en ese lenguaje empiezan por un apostrofe ('). FQ accede a Oracle a traves de los Oracle Objects para OLE (Objects Linking and Embeding ), que son una coleccion de objetos programables que simpli can el desarrollo de aplicaciones que necesitan comunicarse con Oracle. Entre los objetos que dispone se encuentran los siguientes:
OraClient: Este objeto de ne un Cliente de Oracle y gestiona un conjunto de objetos OraSession. OraSession: Este objeto de ne una sesion de trabajo con Oracle y gestiona un conjunto de objetos OraDatabase. OraDatabase: Este objeto representa una unica conexion (login ) a una base de datos Oracle. Contiene el metodo DbExecuteSQL que es el que hay que usar para ejecutar un procedimiento almacenado en el SGBD. Antes de efectuar la llamada a DbExecuteSQL hay que a~adir (Add) los parametros del procedimiento a ejecutar a la lista de parametros n de este objeto (propiedad Parameters) indicando su valor y si son de entrada o salida. Tras la llamada hay que eliminarlos (Remove). OraDynaset: Este objeto representa las las y columnas que devuelve una consulta SELECT. Para cada consulta hay que crear un objeto de este tipo con la funcion DbCreateDynaset. Su propiedad Fields devuelve la coleccion de campos para la la actual (empezando por la primera). Un objeto OraDynaset tiene un conjunto de metodos para \moverse" por la tabla recuperada y establecer en cada momento la la actual que se desee (MoveFirst o DbMoveFirst, MoveLast o DbMoveLast, MovePrevious o DbMovePrevious, MoveNext o DbMoveNext, MovePreviousn, MoveNextn, MoveRel, MoveTo...). OraParameter: Este objeto representa una variable de una sentencia SQL o de un bloque PL/SQL que esta ligada a una variable del programa. La propiedad Parameters
en varias l neas por motivos de claridad. Esto pudiera causar errores de compilacion si estos fragmentos se prueban tal y como son mostrados. Para evitar esos errores basta con eliminar los retornos de carro en las cadenas de caracteres.
2 Dentro de esos fragmentos de codigo, algunas cadenas de caracteres, entre comillas dobles, han sido partidas
238

del objeto OraDatabase es una coleccion de objetos de este tipo y cuenta con los metodos Add y Remove para a~ adir y borrar parametros respectivamente. n OraField: Este objeto representa una columna independiente dentro de una la de un objeto OraDynaset.
Con estos objetos, podemos efectuar las operaciones basicas que vimos en los apartados 6.1 y 6.2, teniendo en cuenta que en FQ la consulta FSQL es introducida directamente por el usuario en un recuadro de texto (objeto RichTextBox). 1. Conexion al SGBD: En la conexion se crean los objetos necesarios para el resto de operaciones con Oracle:
Set OraSession = CreateObject("OracleInProcServer.XOraSession") Set OraDatabase = OraSession.DbOpenDatabase(DatabaseName, Connect$, 0&)
donde: es una funcion para crear objetos OLE donde su argumento es una cadena de caracteres en la que se introduce la aplicacion que produce el objeto y el tipo de objeto a crear, separados por un punto. OracleInProcServer es el nombre de la aplicacion que produce el objeto a crear. XoraSession es el tipo de objeto dentro de la aplicacion que lo produce. Connect$ es la cadena de conexion formada por el nombre de usuario (login ) y su clave de acceso (password ) separados por el caracter /. DatabaseName es el nombre de la base de datos y debe ser introducida por el usuario al igual que su nombre y clave. Puede usarse la cadena 2: para referirse a la base de datos local. 2. Llamar a la funcion FSQL2SQL para descubrir el numero de errores de la consulta (variable Num_Errores):
CreateObject
'A~adir parametros: NUMERRORES (de salida: 2) y SELECT_CMD (de entrada: 1) n OraDatabase.Parameters.Add "NUMERRORES", 0, 2 OraDatabase.Parameters("NUMERRORES").ServerType = ORATYPE_NUMBER OraDatabase.Parameters.Add "SELECT_CMD", ConsultaFSQL, 1 OraDatabase.Parameters("SELECT_CMD").ServerType = ORATYPE_VARCHAR2 'Ejecutar la funcion OraDatabase.DbExecuteSQL ( "declare NUMERRORES number(4); Begin :NUMERRORES:=FSQL_PKG.FSQL2SQL (:SELECT_CMD); end;") 'Capturar valor de salida Num_Errores = OraDatabase.Parameters("NUMERRORES") 'Eliminar parametros OraDatabase.Parameters.Remove "NUMERRORES" OraDatabase.Parameters.Remove "SELECT_CMD"
6.3. PROGRAMACION DE FQ, UN CLIENTE FSQL
239
3. Si no hubo errores hay que componer el resultado de la traduccion, lo cual se hace en la variable ConsultaSQL:
Dim consultaSQL As String Dim valor As String Dim anterior_sin_esp As Boolean ... 'Componer resultado de la tabla FSQL_QUERY Set SQLDynaset = OraDatabase.DbCreateDynaset( _ "SELECT ATRIBUTO FROM FSQL_QUERY WHERE ATRIBUTO IS NOT NULL AND SESSIONID=USERENV('SESSIONID') ORDER BY INDICE", ORADYN_READONLY) consultaSQL = SQLDynaset.Fields("atributo").Value SQLDynaset.DbMoveNext ' No meter espacios ni antes ni despues de determinados caracteres anterior_sin_esp = False Do While SQLDynaset.EOF <> True valor = SQLDynaset.Fields("atributo").Value ch1 = Left(valor, 1) 'Tomamos el primer caracter If anterior_sin_esp Or _ (Len(valor) = 1 And _ (ch1 = "," Or ch1 = "." Or ch1 = "=" Or _ ch1 = ";" Or ch1 = "-" Or ch1 = "+" Or _ ch1 = "(" Or ch1 = ")" Or _ ch1 = "/" Or ch1 = "*" Or _ ch1 = ">" Or ch1 = "<")) Then consultaSQL = consultaSQL & valor anterior_sin_esp = Not anterior_sin_esp Else consultaSQL = consultaSQL & " " & valor End If SQLDynaset.DbMoveNext Loop
La concatenacion para formar la sentencia SQL resultante puede ser efectuada por la funcion FSQL concat, que devuelve un valor de tipo VARCHAR2. Esta funcion puede emplearse tras una llamada a FSQL2SQL sin que se detecten errores. Sin embargo, como ya se ha dicho, debido a las limitaciones del tipo de datos VARCHAR2, esta operacion solo sera valida si la sentencia SQL resultante tiene menos de 32767 caracteres (caso normal). En caso de que la sentencia SQL sea de una longitud mayor se devuelve el valor NULL. El programa Cliente FSQL debera comprobar ese caso para formar el mismo la sentencia. Para eliminar esa comprobacion, FQ forma siempre la sentencia internamente, tal y como se ha visto. 4. Si hubo errores se pueden calcular con la siguiente consulta, accediendo a cada la, igual que en la consulta anterior, utilizando la propiedad Fields y los metodos para cambiar la la actual:
240

Set ErrorDynaset = OraDatabase.DbCreateDynaset( "SELECT INDICE,MSG_ERROR FROM FSQL_ERRORS WHERE SESSIONID=USERENV('SESSIONID') ORDER BY INDICE", 0&)
5. Una vez obtenida la consulta SQL, FQ la env a al SGBD como si se tratara de una consulta normal en SQL, creando de nuevo un objeto de tipo OraDynaset:
Set SQLDynaset = OraDatabase.DbCreateDynaset(consultaSQL, ORADYN_READONLY)
Los resultados de esta consulta son cargados en un objeto de tipo MSFlexGrid, que es un objeto de tipo tabla de datos (grid, parrilla). 6. Para nalizar la sesion se ejecuta FSQL FIN,:
OraDatabase.DbExecuteSQL ("Begin FSQL_PKG.FSQL_FIN; end;")
En todo momento se hace una gestion de los posibles errores que puedan cometerse. Si estos errores se producen en una operacion con el SGBD entonces, en el atributo LastServerErrText tendremos el texto del error cometido y en el atributo LastServerErr el numero de dicho error. Ambos atributos pertenecen a los objetos OraSession y OraDatabase.
6.4 Cliente FSQL Visual en Java

Actualmente se esta desarrollando un programa Cliente FSQL en Java, para poder editar consultas visualmente. El programa se esta desarrollando, en calidad de proyecto n de carrera de la Ingenier a Superior en Informatica de la Universidad de Malaga, por el alumno R.F. Oliva, siendo el Director de dicho proyecto el autor de esta memoria. El objetivo de este programa es triple: 1. Que pueda consultarse una base de datos (tradicional o difusa) a traves de consultas (tradicionales o difusas), sin que el usuario necesite conocer ni el lenguaje SQL ni su extension FSQL. Por supuesto, el programa permitira la ejecucion de sentencias escritas directamente en estos lenguajes. 2. Que el programa pueda ser ejecutado a traves de Internet o cualquier Intranet empresarial. Por este objetivo es por lo que se ha optado por Java como lenguaje de programacion, siendo as el programa independiente de cualquier plataforma (Windows, Unix...), siempre que se disponga de una \maquina virtual Java". 3. Que el programa pueda ser ejecutado como una aplicacion independiente. As , en este modo de ejecucion no se tienen las limitaciones en cuanto a seguridad que impone la utilizacion de applets. Se han utilizado las bibliotecas JDBC de Java para acceso a Oracle. En concreto, se han utilizado los drivers \oci8" para la aplicacion independiente y \thin" para los applets Java.
6.4. CLIENTE FSQL VISUAL EN JAVA
241
Figura 6.1: Ventana asistente de un Cliente FSQL Visual. Al elegir la opcion para la creacion de una nueva consulta a traves del \Asistente Visual FSQL" se mostrara una ventana (Figura 6.1) en la que indicaremos los datos que queremos que aparezcan en la relacion de salida. Todo esto se hace de forma que el usuario no necesite escribir nada, sino simplemente a base de \clicks" de raton. A grandes rasgos el procedimiento es como sigue: 1. Elegir la tabla (o vista) de las que se van a obtener los datos de la consulta. 2. Elegir los atributos de la misma que van a a~adirse a la lista de seleccion, o sea, los n que apareceran en la consulta nal. Estos atributos pueden aparecer con o sin expresiones con constantes y/o atributos, incluyendo llamadas a funciones (como CDEG). Las expresiones mas complicadas que la simple aplicacion de una funcion se dispone de un recuadro de texto donde se forma la expresion hasta que se pulsa un boton \A~adir a n Seleccion", que introduce la expresion formada en la lista de valores a mostrar. 3. Repetir los pasos anteriores con todas las tablas que contengan datos que deseemos consultar.
242
4. Ordenar las expresiones de la lista de seleccion en el orden en el que queramos que aparezcan. Esto se hace marcando las expresiones de las que se desee alterar su posicion y pulsando a continuacion los botones para \Subir" o \Bajar". 5. Pulsar el boton adecuado dependiendo de lo que deseemos hacer a continuacion: Mandar consulta como FSQL o como SQL, Cancelar la consulta o seguir formando la consulta. Esta ultima opcion nos lleva a otra ventana para formar las condiciones (clausula WHERE) de la consulta actual, tambien de forma visual. Esta aplicacion tambien dispone de todas las opciones que tiene el programa FQ (Apendice G), para consulta de etiquetas, compatibilidad entre atributos, ver relaciones de similitud, informacion sobre la conexion y sobre las opciones de con guracion del Servidor FSQL, archivar el resultado de una consulta... Asimismo, permite tener \abiertas" varias consultas a la vez para comparar resultados o copiar datos de una a otra.
Cap tulo 7
Algunas Aplicaciones del lenguaje FSQL

7.1 Clasi cacion Difusa de Imagenes de una Base de Datos
En 8] se mostraron algunos resultados sobre la clasi cacion exible y automatica de un objeto segun su forma, la cual es obtenida a partir de una imagen 2D del mismo. El objeto es representado usando un conjunto de caracter sticas obtenidas a partir de la curva de curvaturas del contorno del objeto. Estas caracter sticas, almacenadas en una base de datos, pueden ser tratadas como difusas o crisp y, a partir de aqu , es posible realizar la clasi cacion usando el lenguaje de consulta difuso FSQL (Fuzzy SQL) visto anteriormente (apartado 5.2). Las de niciones de las posibles clases pueden estar tambien almacenadas en una BDRD.
7.1.1 Introduccion al Problema

En la industria es frecuente encontrar procesos en los que es conveniente poder clasi car distintos objetos a partir de una imagen captada, por ejemplo, con una camara fotogra ca o de v deo. Para realizar esta clasi cacion utilizamos una representacion del objeto que se basa exclusivamente en la informacion del contorno del mismo, es decir en su forma exterior, la cual es una de las caracter sticas principales de todo objeto. La caracterizacion nal se consigue de niendo un conjunto de atributos que pueden tomar valores difusos y extrayendo las caracter sticas concretas para cada gura. Por caracter stica difusa entendemos aquellas que denotan imprecision y que pueden tener signi cados no exactos para el ser humano, como por ejemplo, el tama~o de un objeto puede ser grande, peque~o, mediano... Ademas de permitir n n realizar una clasi cacion exible, la representacion que proponemos reduce la dimensionalidad de la caracterizacion con lo que el metodo puede ser util en aplicaciones donde existen restricciones de tiempo. Este metodo de clasi cacion es valido en entornos donde los objetos son claramente identi cables por su forma. Por ejemplo, puede ser usado para la clasi cacion en tiempo real de objetos que circulan en una cinta transportadora y que son visualizados desde una camara situada en una posicion ja. Tambien se puede aplicar en la clasi cacion de objetos en una base de datos en la que contamos con una imagen de cada uno de ellos. Esta clasi cacion puede orientarse en dos sentidos: 243
244
CAPITULO 7. ALGUNAS APLICACIONES DEL LENGUAJE FSQL

Clasi car los objetos atendiendo a su forma general: Es aplicable a distinguir, por ejemplo, los distintos tipos de se~ales de tra co para conduccion automatica. n Clasi car los objetos en varias clases propias y particulares al sistema: Este sentido es mas general pero requiere una fase de aprendizaje despues de la cual es sistema conozca el conjunto de clases posibles en las que poder clasi car cada objeto. La representacion de cada clase se realiza tambien de niendo un conjunto de atributos difusos a partir de una forma generica.
La clasi cacion es llevada a cabo a traves de consultas difusas en FSQL teniendo las caracter sticas de las clases almacenadas en una base de datos. El almacenamiento de estas caracter sticas de un objeto determinado, en la base de datos, puede efectuarse \on-line". Las aplicaciones de este metodo pueden ser diversas, entre las que podemos destacar la automatizacion industrial (identi cacion de piezas en l neas de ensamblado, inspeccion de piezas defectuosas o con fallos...) o clasi cacion de imagenes en una base de datos. A continuacion explicamos en detalle el proceso en los siguientes apartados: En primer lugar damos una idea del metodo para la representacion de la forma de un objeto. Luego, a partir de esa forma obtenemos caracter sticas que pueden representarse como atributos difusos de la BDRD y con esos atributos podremos realizar la clasi cacion nal.
7.1.2 Representacion de la Forma de un Objeto
El primer paso importante es el de aislar el objeto que se pretende caracterizar dentro de una imagen generica 2D de niveles de gris1 . El proceso de segmentacion para conseguir subdividir la imagen en sus partes constituyentes es una tarea compleja dentro del procesamiento de imagenes 91]. En general, la eleccion del metodo depende de la naturaleza de las imagenes con las que se trabaje. Nosotros vamos a suponer que la imagen de entrada ya contiene un unico objeto que es el que vamos a representar. Por ejemplo, si se toman imagenes de los objetos que pasan por una cadena de montaje (con fondo liso) o si se tienen almacenadas en una base de datos y se pretenden clasi car. Para representar el objeto presente en la imagen asumimos que toda la informacion necesaria para ello esta en la curva que de ne su contorno. De este modo, en un primer paso la gura va a ser caracterizada utilizando una funcion o curva de curvatura calculada sobre el contorno digital del objeto. El contorno digital es una secuencia de puntos adyacentes consecutivos que no se intersectan y que de nen la frontera de un objeto. Se calcula conectando los puntos frontera obtenidos con un algoritmo de extraccion de bordes (metodos basados en el gradiente 91] o metodos basados en la energ a local 112, 113]). El contorno de un objeto va a ser representado usando su forma parametrica (p(t) = (x(t); y(t)) para un parametro t que indica la posicion del punto dentro del contorno. De esta forma se usan dos funciones x(t) e y(t) para especi car cada punto a lo largo de la curva desde el punto inicial hasta el punto nal. Sea K = fk(t)jt = 1; : : : ; ng la curva de valores de curvatura calculada a partir del contorno digital C = f(x(t); y(t))jt = 1; : : : ; ng. Los valores de la curva de curvaturas K
opta por imagenes en niveles de gris pues reduce la complejidad del problema y, en este caso, la informacion de color no es necesaria, ya que nos basamos en su forma exclusivamente.
1 Se
7.1.2.1 La Curva de Curvaturas a la Escala Mas Signi cativa
7.1. CLASIFICACION DIFUSA DE IMAGENES DE UNA BASE DE DATOS

0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 -0.1
245
(a)
100
200
300
(b)
400
500
600
700
800
Figura 7.1: (a) Contorno de un nematodo. Se se~alan los puntos caracter sticos en el orden en que n se calcula la curvatura. (b) Curva de curvatura a la escala mas signi cativa. El pico mas pronunciado corresponde al punto 4 de (a) y el mas a la izquierda al punto 1. determinan una representacion unidimensional de una curva plana. Esta se~al unidimensional n constituye un descriptor util para la extraccion de la forma de un contorno, de forma que en los puntos de una parte recta de un contorno la curvatura es nula y en una parte curva del contorno, la curvatura sera mayor (en valor absoluto) cuanto mas peque~o sea el radio de esa n curva. El signo del valor de la curvatura indica el sentido de la curva (concava o convexa). En 8, 66, 67, 81, 110] pueden verse mas detalles sobre el calculo de la curvatura. La Figura 7.1(a) muestra el contorno de un objeto, en este caso particular representa el contorno de un nematodo2 . Mostramos en 7.1(b) la curva de curvaturas suavizada a la escala mas signi cativa. La escala mas signi cativa para una curvatura es el \nivel" de suavizado con el que se obtiene con menor ruido de cuantizacion. Este ruido deriva de que un contorno de una imagen digital no puede ser continuo, sino que es un contorno digital, debido a que el angulo entre p xeles vecinos solo puede variar en incrementos de 45o . De ah , que la gra ca 7.1(b) sea tan ondulante, aunque, con la escala signi cativa, se reduce mucho ese \ruido".
7.1.3 Deteccion de Caracter sticas Propias
La curva de curvaturas va a ser utilizada para detectar las caracter sticas propias de la gura y as conseguir la representacion de nitiva. Se pretende que estas caracter sticas nos permitan representarla para posteriormente identi carla o clasi carla dentro de un conjunto determinado. Para ello seleccionamos un conjunto de puntos importantes del contorno, a los que llamamos puntos caracter sticos, que son aquellos puntos con valores de curvatura, tanto positivos como negativos, que sobresalen de los demas. El signo indica si el punto pertenece a una parte concava o convexa del contorno y depende del sentido en el que este ha sido calculado. En nuestro caso siempre se calcula el contorno a partir del punto mas alto de la gura en la imagen 2D y siguiendo el contorno en sentido contrario a las agujas de un reloj. Por tanto, la curvatura tambien esta calculada en este orden para cada punto del contorno. Suponemos que los valores de curvatura siguen una distribucion Normal de media cero y varianza 2 , N (0; 2 ). La varianza muestral se calcula:
de cuerpo liforme o cil ndrico, no segmentado, desprovisto de apendices locomotores y generalmente parasito, como la lombriz intestinal.
2 Gusano
246

N 1X = N (ki km )2 i=1
(7.1)
1 donde km es la media de los valores de curvatura (km = N N ki ) y N es el numero de i=1 puntos del contorno. Los puntos que vamos a considerar importantes para la caracterizacion de la forma, los puntos caracter sticos, van a ser puntos outliers de la anterior distribucion. Es decir, un punto pi es considerado un punto caracter stico del contorno bajo consideracion si el valor de su curvatura ki veri ca que
ki 62 (
;+ )
(7.2)
donde va a ser usada para de nir el grado de curvatura de un determinado punto. O sea, lo importante no es el valor de curvatura exacto de esos puntos, sino su comparacion con el resto de puntos. As , indicara como de grande es la curvatura y esa informacion puede codi carse en distintas etiquetas lingu sticas difusas: Por ejemplo, Alto, Medio o Bajo grado de curvatura. Estas etiquetas estan asociadas a distribuciones de posibilidad como muestra la Figura 5.2. Hemos considerado solo tres etiquetas posibles, pero este numero puede variar para adaptarse a cada aplicacion particular. Estas etiquetas son importantes para un posterior tratamiento ya que permiten exibilizar la clasi cacion y deben de nirse cuidadosamente. Generalmente los puntos que forman parte del entorno de un punto caracter stico tambien tienen un alto valor de curvatura. Solo se considera punto caracter stico el maximo local de cada subgrupo de puntos outliers de la distribucion. La distribucion de estos puntos va a identi car el tipo de contorno. Tambien se tiene en cuenta la distancia relativa entre cada dos puntos caracter sticos, calculada como el numero de puntos del contorno que hay entre dos de ellos con respecto al numero total de puntos del contorno. De esta manera podemos distinguir, por ejemplo, guras de forma cuadrada de guras de forma rectangular. Por tanto, la forma del objeto es representada como un conjunto de puntos caracter sticos. Cada uno de ellos mantiene informacion sobre el signo de la curvatura, el grado de curvatura (relativo al valor absoluto de la misma como se ha descrito anteriormente) y la distancia del punto anterior a ese punto. Para el primero la distancia sera tomada con respecto al ultimo (un objeto siempre tiene un contorno cerrado).
Ejemplo 7.1 Consideremos unos objetos cuya forma del contorno es cuadrada (Figura 7.2(a)), pentagonal irregular (Figura 7.2(c)) o triangular (Figura 7.2(e)). Estos contornos simples muestran claramente el calculo de los puntos caracter sticos. En la Figura 7.2 (b), (d) y (f) se muestran las curvas de curvaturas calculadas como en 8]. Se puede observar que para el contorno pentagonal los puntos de la l nea recta inferior tienen una curvatura constante pero los otros dos lados tienen mucha variacion en su curvatura a pesar de tratarse tambien de l neas rectas. Esto es debido, como se ha mencionado antes, al ruido de cuantizacion, ya que se tiene que representar el angulo continuo entre puntos vecinos como un angulo discreto (0o , 45o , 90o ...). En el triangulo esto no ocurre porque al calcular la curvatura se ha suavizado mas el contorno. t u
247
0.25
0.2
0.15
0.1
0.05
-0.05
(a)
100
200
300
0.25
(b)
400
500
600
700
0.2
0.15
0.1
0.05
-0.05
(c)
50
100
150
0.3
(d)
200
250
300
350
400
450
0.25
0.2
0.15
0.1
0.05
-0.05
(e) (f) Figura 7.2: Contornos de guras y curvas de curvatura asociadas, a la escala mas signi cativa para cada contorno.
50
100
150
200
250
300
350
400
248
Una vez extra do el conjunto de puntos caracter sticos a partir del contorno digital de la imagen de un objeto, procedemos a su clasi cacion. Para ello, tenemos en cuenta, segun lo visto anteriormente, los siguientes atributos basicos del contorno: 1. Numero de puntos caracter sticos: Naturalmente, el numero de vertices (esquinas) de un contorno es una caracter stica basica del mismo. 2. Signo del valor de la curvatura en cada vertice: Esto nos permite, como se ha dicho anteriormente, ver si el contorno sigue una trayectoria concava o convexa. En realidad, la importancia de esto esta en la distribucion de signos entre los vertices hallados. 3. Distancia entre vertices: Calculada como distancia relativa a la distancia total, nos permite distinguir entre guras distintas pero que tengan igual numero de vertices e igual distribucion de signos en su curvatura. Por ejemplo, entre un cuadrado y un rectangulo. Estas distancias nos impiden distinguir entre objetos identicos pero con distinto tama~o o distinta distancia a la camara. Si en un contexto particular eso fuera n interesante, tendr amos que utilizar para ello otra caracter stica que indicara el tama~o n global del contorno. 4. Grado de curvatura de cada punto: Esto es calculado usando el valor absoluto de la curvatura en cada vertice y nos permite distinguir entre vertices muy puntiagudos y vertices poco puntiagudos. A cada punto se le asocia una etiqueta lingu stica para facilitar la clasi cacion, ya que, como hemos dicho, no nos interesa el valor exacto en s , sino con respecto al resto de valores. En determinados ambientes, el modelo puede ser ampliado para considerar otras caracter sticas de los objetos (crisp o difusas), como por ejemplo el color o el tama~o (que podr a n ser obtenido a partir del contorno del objeto). Esta clasi cacion se puede efectuar de dos modos, segun el tipo de guras (o formas) que deseemos clasi car, aunque el segundo tipo incluye las del primero:
7.1.4 Clasi cacion, segun las Caracter sticas de cada Imagen
7.1.4.1 Clasi cacion de Figuras Geometricas

En muchos entornos podemos encontrar que las guras a clasi car son, en general, geometricas (mas o menos regulares) o que realmente no sabemos nada sobre las clases posibles. Estudiando las caracter sticas anteriores se puede llegar a una conclusion sobre el tipo de gura que tenemos. As , por ejemplo, si tenemos un contorno con 3 vertices de igual signo estamos ante una gura triangular. Las otras dos caracter sticas nos informan sobre el tipo concreto de triangulo. Por ejemplo, si la distancia entre los vertices y el grado de curvatura en ellos es similar, el triangulo sera equilatero. De igual modo, si un vertice posee mayor grado que los otros dos y ademas esta a mayor distancia de los otros dos que estos entre s , entonces el triangulo sera tipo isosceles. Esto es extensible a cualquier tipo de gura geometrica, incluidas, por ejemplo las guras estrelladas (cuya caracter stica esencial es que var a el signo de cada vertice alternativamente). Para la comparacion de estos valores es preferible hacerlo de forma exible, ya que son parametros bastante variables. Para ello, podemos usar el lenguaje FSQL, en la forma que se indica en el siguiente apartado.
249
7.1.4.2 Clasi cacion de Figuras Complejas

En este caso queremos clasi car guras que no tienen una forma geometrica de nida. Para ello debemos obtener una relacion de las clases de guras que el sistema puede encontrar. Esto dependera de cada aplicacion concreta. Cada una de las clases debera ser de nida dando valores a las 4 caracter sticas de nidas anteriormente. Si consideramos valores concretos para ellas, sera, probablemente, muy dif cil hacer una buena clasi cacion pues es muy probable que el objeto de entrada no se acople de manera exacta a los parametros de nidos para una clase. Sin embargo, este acoplamiento aunque no sea exacto si puede ser aproximado, por lo que para ello introducimos el uso de atributos difusos. Todas las caracter sticas menos el signo pueden ser tratadas como atributos difusos, esto es, en cada una podemos de nir etiquetas lingu sticas difusas (ver Figura 5.2). As , por ejemplo, podemos considerar que una gura pertenece a una clase si tiene \aproximadamente 5 vertices", con todos positivos, \aproximadamente 3 vertices grandes" y con los vertices situados \aproximadamente" a la misma distancia. Si estas caracter sticas de nuestras guras las almacenamos en una BDRD (Base de Datos Relacional Difusa), entonces, esta puede ser consultada usando el lenguaje de consulta difuso FSQL. Con una consulta FSQL podr amos obtener todas las guras de la base de datos que pertenecen a una determinada clase. Ademas, con FSQL podemos obtener tambien un grado (entre 0 y 1) que nos indica en que medida una gura pertenece a una clase. La idea es aplicar una consulta del tipo de la dada en el siguiente ejemplo:
Ejemplo 7.2 Supongamos que tenemos una tabla Objetos que contiene las caracter sticas
SELECT FROM WHERE AND AND AND Imagen#, CDEG(*) Objetos NumVertices = 3 Signo1 = 'P' AND Dist1 FEQ $Grande 0.8 AND GradoK1 FEQ $Grande 0.7 Signo2 = 'P' AND Dist2 FEQ $Grande 0.8 AND GradoK2 FEQ $Normal 0.7 Signo3 = 'P' AND Dist3 FEQ $Pequenna 0.8 AND GradoK3 FEQ $Normal 0.7;
de multitud de objetos extraidas de una imagen del objeto. La consulta para seleccionar aquellos objetos que son triangulos isosceles o similares tendr a el siguiente formato:
t u
Dependiendo del contexto en el que nos encontremos, es posible que la gura pueda estar girada cierto grado. Para contemplar esta posibilidad habra que efectuar mas comparaciones, entre cada dos vertices (o puntos signi cativos) correlativamente, manteniendo el orden. Por otra parte, si el numero de vertices es variable, el esquema de la base de datos debera ser diferente: Una tabla para las caracter sticas generales de cada objeto, sin indicar las caracter sticas de sus vertices y otra tabla para almacenar las caracter sticas de los vertices de todas las guras. Otra posibilidad es almacenar en una tabla de la base de datos las caracter sticas de todas las clases posibles. Entonces, clasi car una gura concreta ser a consultar dicha tabla usando las caracter sticas de esta gura en la condicion de la consulta. Uno de los puntos mas importantes del metodo es de nir las clases apropiadamente. En este sentido, es posible ense~ar al sistema la de nicion de cada clase o que el mismo deduzca n
250
tanto el numero de clases como sus caracter sticas haciendo uso de tecnicas de Data Mining extrayendo la informacion de una base de datos que contenga ejemplos de imagenes concretas para la aplicacion. Entre estas tecnicas podemos destacar el algoritmo de clustering difuso C-means 16].
7.2 Data Mining con FSQL en un Entorno Financiero

En 34, 35] presentamos un metodo para insertar el uso del lenguaje de consulta difuso FSQL como una tecnica mas de Data Mining, incluyendo como ejemplo un sistema de clasi cacion y clustering difuso aplicado a los clientes de una entidad nanciera3. El uso de FSQL hace que el proceso de extraccion de informacion (Data Mining) pueda ser evaluado a nivel practico y no solo teorico. Concretamente, usamos FSQL para efectuar consultas que obtengan determinados objetos (tuplas) con caracter sticas similares, esto es, objetos de un determinado grupo o conjunto. Las caracter sticas sobre las que se actuaran y los valores de estas son obtenidos previamente por un proceso de segmentacion, aplicando el prototipo DAPHNE, desarrollado por Carrasco 33, 35]. El uso de FSQL nos evita tener que usar algoritmos de clasi cacion y ademas, la clasi cacion es efectuada en tiempo real. De esta forma podemos tambien tratar como difusos los clusters obtenidos a traves de algoritmos no difusos. En este apartado daremos primero una vision global del Data Mining como un conjunto de tecnicas orientadas a obtener conocimiento impl cito (no expl cito) que sea de interes a partir de los datos existentes en la base de datos. Se incluye una clasi cacion de las tecnicas de Data Mining segun el tipo de conocimiento a descubrir. Ademas, se quiere hacer notar las caracter sticas que hacen del Data Mining un campo de investigacion autonomo y de interes por s mismo, en el que se aplican tecnicas de otros campos. Posteriormente, resumimos las caracter sticas y utilidad de DAPHNE, explicamos el uso de FSQL para clustering difuso y exponemos algunos resultados experimentales obtenidos. Se puede de nir Data Mining como el proceso de extraccion de informacion de interes a partir de los datos. Segun 68], el Data Mining persigue descubrir conocimiento que sea nuevo, potencialmente util y de un calculo no trivial: Nuevo: Esta caracter stica del conocimiento depende del marco de referencia que se tome. As , si un sistema descubre \si un cliente es culpable de un accidente entonces tiene una edad mayor de 17 a~os". Para el sistema puede ser una informacion nueva n pero para un usuario que este analizando reclamaciones de seguros es algo obvio. Util: El conocimiento es util cuando puede ayudar a conseguir un objetivo del sistema o del usuario. Retomando el ejemplo anterior, si el sistema descubre \si un cliente es culpable de un accidente entonces es probable que sea hombre", esta informacion es potencialmente util a ese usuario y/o al sistema. No trivial: Un sistema se considera no trivial si posee algun grado de autonom a en el procesamiento de los datos y evaluacion de los resultados. Los sistemas de bases de
trabajo esta parcialmente subvencionado por el Gobierno Espa~ol, bajo el proyecto TIC97-0931, y n por la \Caja General de Ahorros de Granada".
3 Este
7.2.1 Data Mining como Area Independiente
7.2. DATA MINING CON FSQL EN UN ENTORNO FINANCIERO
251
datos convencionales son capaces de obtener informacion desconocida (no expl cita) y de gran utilidad como, por ejemplo, el total de saldo en cuentas de clientes en el a~o n 1997, pero que su obtencion no puede ser considerado como un proceso de Data Mining ya que su calculo se puede considerar trivial. Existe, por tanto, un cierto consenso entre diversos autores 39, 68, 151] en la de nicion de Data Mining como el proceso de extraccion de informacion impl cita, no trivial, previamente desconocida y potencialmente util (por ejemplo, reglas de conocimiento, restricciones y regularidades) a partir de los datos de una base de datos. Se podr a pensar que este campo de Data Mining no tiene personalidad propia, esto es, que esta integrado en otros como el de Sistemas de Aprendizaje (Machine Learning ), Estad stica o Sistemas de Gestion de Bases de Datos (SGBD). Si bien es cierto que Data Mining se aprovecha de dichas tecnicas, existen una serie de caracter sticas de Data Mining, a parte de las ya enumeradas, que lo rea rman como un area independiente 68, 151]:
Lenguaje de alto nivel: El conocimiento descubierto debe ser representado en un

lenguaje de alto nivel que, aunque no tiene porque ser lenguaje natural, s debe ser comprensible por usuarios no expertos. En este sentido, cada vez son mas t picos los entornos de usuario gra cos y/o la posibilidad de representacion del conocimiento de multiples formas o vistas. Ademas, esta caracter stica de representacion ultimamente se ha ampliando no solo al conocimiento descubierto (resultado) sino tambien a las peticiones del mismo (entradas del usuario), que pueden ser expresadas como \consultas", expresadas en un lenguaje de alto nivel o a traves de entornos gra cos. dos de la base de datos. Las \imperfecciones" (ruido, datos excepcionales) deber an ser expresadas con medidas de incertidumbre. Por otro lado, el uso de estas medidas implica la necesidad de un estudio sistematico de las medidas de calidad del conocimiento descubierto.
Precision: El conocimiento descubierto deber a retratar de forma precisa los conteni-
E ciencia: El proceso de extraccion de conocimiento debe ser e ciente y los tiempos de ejecucion sobre grandes cantidades de datos deben ser predecibles y aceptables cuando se traten grandes cantidades de datos. Como consecuencia de esto, los algoritmos que use el sistema deben ser escalables a la gran cantidad de datos que, en de nitiva, van a manejar. Manejo de diferentes tipos de datos: Al existir diferentes tipos de datos y bases
de datos en diversas aplicaciones (datos relacionales, objetos, hipertexto...) ser a deseable que un sistema Data Mining realizara su trabajo de una forma efectiva sobre esta diversidad de datos. Sin embargo, parece dif cil construir un sistema que gestione todos los tipos de datos, incluyendo los tipos difusos (apartado 5.1.2.1).
Extraccion interactiva de conocimiento en multiples niveles de abstraccion:
El descubrimiento interactivo de conocimiento puede permitir al usuario re nar on-line la extraccion de conocimiento, el enfoque y la profundidad del mismo. Ademas, deber a ser posible ver los datos y resultados de Data Mining en diferentes niveles de abstraccion o desde diferentes angulos.
252
Extraccion de informacion desde diferentes fuentes de datos: Actualmente es
un gran reto la extraccion de conocimiento desde diferentes fuentes de datos. Estos datos pueden estar formateados o no, y pueden tener diversas semanticas. Esta caracter stica esta alentada por las cada vez mas amplias y accesibles redes de ordenadores (incluyendo Internet y las Intranets). Como consecuencia surge la necesidad de algoritmos distribuidos y paralelos en Data Mining.
Proteccion y privacidad de datos: Ver los datos desde diferentes angulos y niveles
de abstraccion puede ir en contra de la privacidad por lo que surge el tema, interesante de estudio, de medidas de seguridad para prevenir descubrimiento de informacion \sensible". Sirva de ejemplo 68] la controversia que provoco en EE.UU. una campa~a n publicitaria de tabaco que era dirigida a hombres, negros y jovenes, ya que la empresa hab a distinguido este per l como el mas susceptible de consumir su producto. Esta caracter stica, como es obvio, puede ser opuesta a algunas de las descritas y deber a ser tenida muy en cuenta.
Sin embargo, algunos autores 90] remarcan la falta de identidad de Data Mining, de tal forma que cali can los sistemas actuales como de primera generacion, caracterizados por el uso e ciente de algoritmos de Machine Learning en grandes bases de datos bajo SGBD tradicionales. Segun esto, hay una necesidad creciente de alcanzar la segunda generacion de sistemas Data Mining para bases de datos, en la que el descubrimiento de informacion este totalmente integrado y optimizado en el sistema, llegando a ser lo que se ha llamado como Sistema de Gestion de Conocimiento y Descubrimiento de Informacion (Knowledge and Data Discovery Management System, KDDMS). Probablemente, en las proximas decadas habra una evolucion hacia esta clase de sistemas. El termino Data Mining (DM) o, traduciendo literalmente Miner a de Datos, ha sido usado 39, 151] como equivalente a otros como Descubrimiento de Informacion y Conocimiento (Knowledge and Data Discovery, KDD), Miner a del Conocimiento en Bases de datos (Knowledge Mining from Databases ), Extraccion del Conocimiento (Knowledge Extraction ), Arqueolog a de la Informacion (Data Archaeology ), Analisis de Datos (Data Analysis ), Rastreo de Informacion (Data Dredging )... Sin embargo, numerosos autores posteriores distinguen entre Data Mining y Knowledge Discovery. As , en 27] los autores reducen el signi cado de Data Mining a la aplicacion de procedimientos o algoritmos para revelar patrones de conocimiento novedoso o para veri car hipotesis desarrolladas en etapas previas. Segun esto, el Data Mining deber a integrarse dentro del campo de Knowledge Discovery, que ser a mucho mas amplio y consistir a en etapas de procesamiento previas y posteriores al Data Mining. Como etapas previas estar an la obtencion de datos, la limpieza de datos, su integracion y chequeo, desarrollo de hipotesis... Como etapas posteriores al Data Mining podr an estar el chequeo y la veri cacion del conocimiento descubierto, la interpretacion y uso de este conocimiento... Sin embargo, los nombres de Data Mining y Knowledge Discovery son normalmente usados como sinonimos y nosotros los usaremos indistintamente en este estudio.
7.2.2 Tecnicas de Data Mining

Existen diversas formas de clasi car las tecnicas de Data Mining, como son por el tipo de base de datos sobre la que trabajan (relacional, transaccional, orientada a objetos...), por el tipo de tecnicas utilizadas (estad sticas, extraccion basada en patrones en generalizacion...)
253
y por el tipo de conocimiento que va a ser extra do. Segun este ultimo criterio, que es el mas usual, las tecnicas de Data Mining se dividen principalmente en 39, 68, 151]:
Extraccion de Reglas de Asociacion: Se trata de descubrir asociaciones importantes
entre los valores de conjuntos de atributos, de tal manera que la presencia de cualquier valor de algun conjunto en un elemento de la base de datos (registro, tupla...) implique la presencia de otro valor que pertenezca a otro conjunto. Por ejemplo, se puede descubrir en una base de datos transaccional que determinado valor de un atributo implica otro valor de un segundo atributo, en las transacciones. De esta manera, si la base de datos es de ventas de art culos de camping, un sistema puede llegar a descubrir que las personas que compran un saco de dormir suelen adquirir tambien una tienda de campa~a. n Estos procesos de extraccion de reglas pueden suponer el estudio repetitivo de grandes bases de datos con el objeto de encontrar diferentes patrones de asociacion por lo que son necesarios algoritmos muy e cientes. Como ejemplos de algoritmos tenemos los populares Apriori, DHP y PARTITION. Existen tambien algoritmos sobre bases de datos distribuidas como DMA 40].
Generalizacion de datos a nivel multiple, resumen y caracterizacion: Estas he-
rramientas de analisis y extraccion de datos son las mas extendidas, esto es, existen muchos productos comerciales que las soportan. La generacion y resumen de datos muestra las caracter sticas generales o una vista resumida de alto nivel sobre un conjunto de datos (de bajo nivel) especi cados por el usuario dentro una base de datos. Frecuentemente es deseable presentar vistas generalizadas de los datos en multiples niveles de abstraccion. Existen dos enfoques principales de generalizacion: 1. El enfoque del cubo: La idea general es materializar ciertos calculos costosos que se piden con frecuencia, especialmente aquellos que implican funciones de agregacion (sumas, medias, desviacion t pica...) y almacenar estas vistas materializadas en una base de datos \multidimensional" que se denomina cubo de datos. Estas vistas pueden servir para soporte de decision, descubrir conocimiento, o cualquier otra aplicacion. Las funciones de agregacion pueden ser precalculadas agrupandolas por diferentes conjuntos de atributos. Este enfoque tiene algunos nombres alternativos, as como algunas variantes como pueden ser \bases de datos multidimensionales", \vistas materializadas" y OLAP (On-Line Analytical Processing ). 2. El enfoque orientado a la induccion de atributos: Se puede considerar a este enfoque como una generalizacion del anterior donde la consulta usada es mas general que una simple clausula de agrupamiento. El nucleo de esta tecnica es el uso de una losof a on-line en la que la generalizacion de datos se realiza conforme a las distribuciones de valores de atributos en un conjunto concreto de datos relevantes. Se obtiene una relacion generalizada o cubo (de nitivo o temporal) que puede usarse para obtener mas conocimiento interesante en un proceso de Data Mining interactivo.
Segmentacion, Agrupamiento o Clustering: La segmentacion es la tecnica de identi cacion de patrones de interes dentro de los llamados \algoritmos de descubrimiento" 68]. De forma breve, consiste en agrupar registros u objetos en clases que re ejen patrones inherentes
254
a los datos. Son metodos muy tradicionales que provienen de la Taxonom a Matematica. La idea basica consiste en de nir algun tipo de \distancia" entre los elementos de la base de datos usando algunos de sus atributos y obtener grupos (clusters) de elementos maximizando la distancia entre los distintos grupos y minimizandola entre los elementos de un mismo grupo. Las distancias usadas frecuentemente no son Eucl deas e incluso no son distancias en el sentido matematico sino que son medidas de \semejanza". Estos metodos de segmentacion clasicos tienen el inconveniente de no poder usar alguna informacion adicional que se pueda tener tal y como la forma de los grupos. La Segmentacion Conceptual 109] intenta evitar tales problemas. Estos metodos trabajan con datos estructurados (como bases de datos espaciales) y determinan los grupos no solo por la similitud entre atributos sino que tambien por la coherencia conceptual. Uno de los algoritmos de segmentacion mas populares es el llamado C-means (C-medias) o su variante difusa Fuzzy C-means 16], el cual caracteriza cada grupo con los valores centrales de cada una de las caracter sticas (atributos) usadas en el proceso. Recientemente se han investigado algoritmos aplicables a grandes cantidades de informacion especialmente en el ambito concerniente a las bases de datos. Ejemplos de estos algoritmos son el algoritmo CLARANS (Clustering Large Applications based upon Randomized) basado en dos algoritmos de segmentacion estad sticos (PAM y CLARA) y el algoritmo BIRCH (Balanced Interative Reducing and Clustering). Tambien se han desarrollado mecanismos para la segmentacion interactiva, la cual combina la habilidad del usuario humano con el poder de calculo del ordenador. miento" 68], ya que no es su ciente obtener un conjunto de grupos (segmentacion) sino que tambien es necesario \describirlos" por medio de las variables usadas. Es mas, el verdadero objetivo es obtener un proceso de clasi cacion que nos permita incluir cada nuevo elemento en el correspondiente grupo conforme a los valores de sus atributos. La clasi cacion ha sido ampliamente estudiada en el contexto de sistemas de aprendizaje, as una de las tecnicas de clasi cacion que mas exito han tenido en Data Mining en la llamada \sistema de aprendizaje ID-3". Tambien se han intentado otros enfoques como los basados en redes neuronales, estad sticos y basados en los conjuntos rough, introducidos por Pawlak en 1982 121, 122].
Clasi cacion: La clasi cacion es la segunda parte dentro de los \algoritmos de descubri-
7.2.3 DAPHNE: Un Prototipo para Clustering Financiero

Para nuestros propositos, hemos usado el prototipo DAPHNE 33, 35], desarrollado por Carrasco en 1998. Este prototipo es parte de un proyecto de investigacion conjuntamente con la entidad nanciera \Caja General de Ahorros de Granada". El objetivo es la segmentacion o clustering de una base de datos de clientes que permita efectuar un tratamiento diferenciado a los clientes (como marketing directo, por ejemplo). DAPHNE es una herramienta generica para clustering enfocada a entornos nancieros o bancarios. El prototipo usa tecnicas de distintas areas: Clustering jerarquico, aprendizaje no supervisado basado en herramientas de conjuntos difusos, tecnicas de SGBD y tecnicas estad sticas. Ademas de los requisitos espec cos del problema, el prototipo ha sido dise~ado n considerando las funcionalidades deseables para sistemas Data Mining, ya mencionadas anteriormente:
255
tres tipos de datos para el clustering: Numerico, binario y escalar. El binario puede tomar dos unicos valores extremos (como verdadero y falso por ejemplo). Los escalares permiten tomar un valor de entre un conjunto nito de valores y ademas entre cada dos valores posibles existe una relacion que mide la distancia entre ellos. La combinacion de estos tres tipos de datos para procesos de clustering es novedosa entre las implementaciones de este tipo de sistemas. Extraccion de informacion desde diferentes fuentes de datos: DAPHNE es exible para manejar datos de distintos SGBD (a traves de ODBC). E ciencia y extraccion interactiva de conocimiento: DAPHNE ha sido dise~ado n para ser interactivo con el usuario y dar la respuesta, con la particion de la poblacion, en tiempo real. Precision: El uso del metodo clasico de Benzecri para obtener la jerarqu a de clases garantiza la bondad de la particion. El procedimiento para obtener una buena particion, basado en conjuntos difusos, tambien ha obtenido excelentes resultados en las pruebas efectuadas. Interfaz amigable: El inferfaz de DAPHNE es gra co y dise~ado para su facil utilin zacion. Asimismo, el prototipo gestiona una meta-base de datos de tal modo que para el usuario sea facil y rapida la gestion de un proyecto de segmentacion.
Manejo de diferentes tipos de datos: En el problema en particular, se consideran
7.2.3.1 Funcionamiento de DAPHNE

Como primer paso para el sistema de clustering de DAPHNE se deben escoger los atributos de los clientes relevantes para el clustering. Esto es efectuado por un ingeniero del conocimiento experto en sistemas nancieros. Para esta seleccion el usuario puede utilizar un metodo que ha sido desarrollado para seleccion automatica de atributos importantes, basado en algoritmos geneticos 100]. As pues, el usuario inserta un nuevo proyecto para clustering en la meta-base de datos del prototipo, especi cando la tabla o vista que contiene los datos (datos de ejemplo) y los atributos que DAPHNE utilizara para el clustering. El usuario no necesita especi car nada para atributos con dominios numericos o binarios. Si surgen atributos escalares, el usuario debera incluirlos en la meta-base de datos, especi cando la lista de valores posibles y dando una medida de distancia (inversa a una relacion de similitud) entre cada dos de ellos, teniendo en cuenta la siguiente de nicion:
De nicion 7.1 Una funcion d(xi ; xj ) que mide la \distancia" (en algun sentido) entre dos elementos de un determinado dominio U , se dice que es una medida de distancia si cumple lo siguiente:
1. d(xi ; xj ) 0 8xi; xj 2 U 2. d(xi ; xj ) = 0 si y solo si xi = xj 3. d(xi ; xj ) = d(xj ; xi ) 4. d(xi ; xj ) d(xi ; xk ) + d(xk ; xj ) (Desigualdad triangular)
256
donde xi ; xj ; xk 2 U .
t u
Una vez introducidos los datos necesarios para el funcionamiento de DAPHNE, las etapas de su funcionamiento son las siguientes: 1. Normalizacion: El principal objetivo de esta etapa es hacer posible la comparacion entre atributos para simpli car los procesos posteriores. Los atributos numericos son escalados al intervalo 0,1], los binarios son convertidos al conjunto f0,1g y los valores de atributos escalares son cambiados por un codigo que esta almacenado en la meta-base de datos. 2. Calculo de la matriz de distancias ultrametrica de la poblacion: Desde los resultados de Dunn, Zadeh y Bezdek, representados en 55, 148], se sabe que existe una equivalencia entre clustering jerarquico, relacion difusa transitiva max-min y distancias ultrametricas. Por tanto, en la matriz ultrametrica se especi can todas las posibles segmentaciones que pueden efectuarse sobre la poblacion. El dendrograma o diagrama de arbol puede ser visto como un diagrama para la representacion de los resultados del clustering jerarquico que es efectuado en terminos de matriz de distancias. Este proceso contiene los siguientes tratamientos: Calcular la matriz de distancias de la poblacion: Para cada par de individuos de la poblacion la distancia que separa a ambos es obtenida por la media de las distancias obtenidas entre los distintos tipos de atributos (numericos, binarios y escalares): { La distancia entre atributos numericos se obtiene como la media entre las distancias Eucl deas de los valores normalizados. { La distancia entre atributos binarios se obtiene a traves de la medida de similitud de Sokal y Michener sobre los atributos binarios normalizados 65]. { La distancia entre atributos escalares se obtiene como la media de todas las distancias calculadas a partir de la relacion de distancias especi cada por el usuario y contenida en la meta-base de datos de DAPHNE. As , si en el universo U hay n elementos, la matriz de distancias resultante sera una matriz cuadrada simetrica de n n, en la que los elementos de la diagonal principal son todos ceros. En esta matriz de distancias cada tres elementos xi , xj y xk veri can la desigualdad triangular. Calcular la matriz de distancias ultrametrica: La matriz obtenida en el paso anterior es transformada de tal forma que para cualesquiera tres elementos, la distancia entre ellos cumpla tambien la desigualdad ultrametrica 65], tambien llamada condicion de Bourbaki (del nombre de su autor):
d(xi ; xj ) maxfd(xi ; xk ); d(xk ; xj )g

Puede observarse que la desigualdad ultrametrica es una propiedad mas fuerte que la desigualdad triangular. Para obtener la matriz de distancias ultrametrica a partir de la matriz de distancias DAPHNE usa el metodo de Benzecri 15, 87], aunque existen otros metodos.
257
3. Calcular los posibles -cortes4 : Como la matriz ultrametrica es nita, contiene solo un conjunto nito de valores diferentes. As , para el clustering jerarquico o la matriz ultrametrica podemos determinar inequivocamente el conjunto de todos los posibles -cortes diferentes, esto es, el conjunto de todas las posibles relaciones de equivalencia asociadas con la matriz. En otras palabras, cada -corte implica una particion o clustering diferente sobre la poblacion. de distancias D de la que se distancias ultrametrica D0 : 00 7 6 7 6 B 0 5 2 5 B B 0 6 1:5 D=B B 0 7 B @ 0
Ejemplo 7.3 Supongamos un universo U con 6 elementos f1,2,3,4,5,6g, con la matriz

obtiene, usando el metodo de Benzecri, la matriz de 7 6 2 5 1 0
1 C C C C C C A
00 B B 0=B =) D B B B @
6 6 6 0 5 2 0 5 0
6 5 1:5 5 0
6 5 1:5 5 1 0
1 C C C C C C A
Con esos datos podemos obtener los siguientes -cortes, donde los Gi son los distintos grupos obtenidos de cada -corte: =0 =1 =1.5 =2 =5 =6 =) G1 =f1g, G2 =f2g, G3 =f3g, G4 =f4g, G5 =f5g y G6 =f6g. =) G1 =f1g, G2 =f2g, G3 =f3g, G4 =f4g y G5 =f5,6g. =) G1 =f1g, G2 =f2g, G3 =f4g y G4 =f3,5,6g. =) G1 =f1g, G2 =f2,4g y G3 =f3,5,6g. =) G1 =f1g y G2 =f2,3,4,5,6g. =) G1 =f1,2,3,4,5,6g.
t u
4. Clustering: Este proceso asigna cada individuo de la poblacion a un cluster o grupo determinado. Para esto es necesario obtener una particion determinada de la matriz ultrametrica. Por tanto, el problema consiste en elegir un -corte entre los posibles -cortes, obtenidos de acuerdo a la hipotesis de que no se tiene ninguna informacion previa sobre la estructura de los datos. La particion puede ser obtenida de distinta forma, segun la opcion que elija el usuario: Particion optima absoluta: Esta particion es determinada al nivel de similitud 0.5 148] (en matrices normalizadas), en caso de que no se tenga ningun tipo de conocimiento sobre la estructura de los datos. Una buena particion: Para esto se usa un procedimiento de aprendizaje no supervisado basado en herramientas de conjuntos difusos. Este procedimiento de ne una buena particion como el valor m nimo de la medida de nida sobre el conjunto de todos los posibles -cortes 55].
4 En el
apartado 1.3.2 se explico el concepto general de -corte.
258

Particion determinada por un determinado numero de grupos n: Mediante un algoritmo de busqueda binaria sobre todos los posibles -cortes, obtenemos el corte que implica n grupos o el que implica el numero de grupos mas cercano a n. Con esto se pueden especi car condiciones como \menos (o mas) de n grupos".
5. Calcular los centroides de cada grupo: Esta etapa obtiene una tupla que identi ca a cada grupo. O sea, los valores de esa tupla identi can un valor \t pico", central o centroide de cada grupo. El valor de cada atributo en esta tupla depende del tipo de este: Atributos Numericos: El centroide es obtenido como la media de los valores de este atributo para todas los objetos (tuplas) que pertenecen a el cluster en cuestion. Atributos Escalares: Cada valor posible es identi cado por una etiqueta lingu stica. As , mezclando estos valores de los objetos del cluster obtenemos una distribucion de posibilidad, que es obtenida como una especie de media de la distribucion de probabilidad, usando una combinacion convexa de las etiquetas lingu sticas 54]. Atributos Binarios: Son considerados como un caso particular de los atributos escalares pero unicamente con dos posibles valores.
7.2.4 Uso de FSQL para Clustering Difuso

Como hemos visto anteriormente, como resultado de DAPHNE obtenemos un numero de grupos caracterizados por unos valores centrales para cada atributo, a partir de un conjunto de ejemplos (hacerlo con toda la base de datos ser a demasiado lento). Estos resultados, en s , no son directamente manipulables por un usuario sino que son datos intermedios dentro del proceso anal tico del sistema. El objetivo es asignar cada elemento de la base de datos a un cluster, as como cada elemento que insertemos en dicha base de datos. Normalmente, para este objetivo se usa un algoritmo de clasi cacion con el que se obtienen reglas (como arboles de decision) que describen cada grupo y con las que es facil clasi car cualquier elemento en un grupo adecuado. Estos algoritmos pueden ser bastante lentos y no indican si un elemento esta claramente en un grupo o pertenece al grupo pero no es muy \t pico" del mismo. Nuestra propuesta original es el uso de DAPHNE para obtener los centroides de cada grupo y, posteriormente, usarlos en una consulta FSQL. As , las descripciones de cada grupo pueden ser usadas por el usuario de forma amigable, a traves de un lenguaje de alto nivel y los resultados son obtenidos en tiempo real. Ademas, usando la funcion CDEG de FSQL podemos obtener en que grado cada elemento pertenece a cada grupo, de forma que los grupos obtenidos pueden ser vistos como grupos o conjuntos difusos. En otras palabras, CDEG calcula un grado que indica en que medida cada elemento es \t pico" del grupo. De esta forma un mismo elemento puede pertenecer a varios grupos, presumiblemente con distinto grado de pertenencia a cada uno. As pues, a partir de los centros (C1 ; : : : ; Cn ) para n atributos (A1 ; : : : ; An ) de un determinado grupo elaboramos una consulta FSQL con el siguiente formato:

SELECT tabla.*,CDEG(*) FROM tabla WHERE 1 FEQ # 1 THOLD 2 FEQ # 2 THOLD
259
A C A C ::: An FEQ #Cn
AND AND ;
THOLD
Con este tipo de consulta obtenemos los elementos que pertenecen al grupo en cuestion con un grado de pertenencia mayor o igual que el umbral elegido. Los #Ci representan el valor \aproximadamente Ci " representados por distribuciones de posibilidad triangulares (Figura 5.4). En vez de esos valores aproximados podemos tambien utilizar trapecios (Figura 5.2) del tipo: $ Ci ; Ci ; Ci + ; Ci + ], eligiendo unos valores apropiados para y , tales que sean positivos y con > . Por supuesto, podemos usar otro comparador difuso de los de la Tabla 5.12, principalmente NFEQ para obtener resultados mas precisos. Para evitar los valores Unknown (desconocidos) que pudiera haber en atributos difusos podemos a~adir el siguiente tipo de condicion para el n atributo Ai que lo precise:
Ai IS
NOT UNKNOWN
Tanto en atributos difusos como \crisp" puede interesarnos tambien evitar los valores nulos, lo cual es posible a~adiendo el siguiente tipo de condicion para el atributo Ai en n cuestion:
Ai IS
NOT NULL
Es facil ver que de esta forma usamos los grupos obtenidos como si fueran grupos difusos, incluso si ellos se han obtenido a traves de algoritmos \crisp". La sentencia FSQL anterior resuelve la siguiente consulta a la base de datos: \Dame los objetos que pertenecen al grupo C y su grado de pertenencia al mismo de aquellos que pertenecen a dicho grupo con un grado de pertenencia m nimo de ". Aunque FSQL es un lenguaje de alto nivel, su utilizacion puede ser efectuada de forma trasparente a traves de programas Clientes FSQL (Cap tulo 6), de forma que estos oculten el uso de FSQL a un usuario no adiestrado en el uso de SQL o FSQL. La principal ventaja del metodo que proponemos es, quizas, que el algoritmo de clasi cacion que debe aplicarse tras el clustering, no es necesario, ya que esta clasi cacion es efectuada por FSQL en tiempo real, ademas de que, de esta forma, los usuarios no expertos podran utilizar los datos producidos por DAPHNE.
7.2.5 Resultados Experimentales
La segmentacion de clientes de una determinada empresa tiene su origen en el campo del marketing e investigacion de mercados. Proporciona una division anal tica de todos los potenciales clientes en un mercado de ventas segun diferentes criterios, lo cual permite orientar el marketing adecuado a cada uno de los grupos (marketing directo). Ejemplo de esto es 152], donde se propone un proyecto de segmentacion difusa de clientes para una entidad nanciera. Usando tecnicas de segmentacion difusa construye grupos de clientes homogeneos en lo referente a las caracter sticas de los clientes pertenecientes al mismo grupo y heterogeneos entre los de distintos grupos.
260

Cluster#
1 2 3 4 5 6
Nomina
N S S N S N
Uso Tarjeta
Medio Bajo Medio Bajo Alto Medio
{307,667 265,328 1,857,751 125,556 {3,488 3,550
Saldo
Tabla 7.1: Ejemplo de clustering: DAPHNE obtiene 6 clusters. El sistema explicado en el apartado anterior ha sido aplicado al problema de segmentacion de clientes de una entidad nanciera en una situacion real. Los atributos relevantes identicados por los expertos de la entidad fueron: Nomina (Nomina), Nivel de uso de la tarjeta de credito (Uso Tarjeta) y Saldo medio (Saldo). El primer atributo tiene dominio binario e indica si el cliente recibe su nomina a traves de la entidad (valor `S') o no (valor `N'). El nivel de uso de la tarjeta de credito es tratado como un escalar usando las etiquetas \Bajo", \Medio" y \Alto", obtenidas, junto con su relacion de similitud, tras un estudio anal tico en el sistema de \data warehouse" de la compa~ a. n A traves de una muestra de 1000 tuplas, DAPHNE obtuvo 6 clusters como el numero optimo de grupos en la poblacion. Los valores centrales de cada grupo son los que se muestran en la Tabla 7.1. El atributo Nomina no ha sido considerado como difuso para mostrar que los atributos con tratamiento difuso y \crisp" pueden convivir sin problemas. Tras esto, para recuperar, por ejemplo, los clientes (en toda la base de datos) que pertenecen a el cluster 1 con un grado m nimo de 0.7, podr amos efectuar la siguiente consulta FSQL:
SELECT Cliente#, CDEG(*) FROM Clientes WHERE Nomina = 'N' AND Uso Tarjeta FEQ $Medio THOLD 0.7 AND Saldo FEQ #-307667 THOLD 0.7 ORDER BY 2 DESC;
donde Cliente# es un atributo de la relacion Clientes con el codigo de cada cliente. Un ejemplo de los resultados de esta consulta se muestra en la Tabla 7.2. Observe que el usuario puede facilmente ponderar la importancia de cada atributo a traves del umbral de cumplimiento y del comparador difuso empleado. Por ejemplo, es posible dar mas (o menos) importancia al atributo Saldo aumentando (o disminuyendo) su correspondiente umbral. Esto puede ser muy util para enfocar mejor la seleccion de clientes de acuerdo a objetivos concretos dependientes de cada aplicacion particular. Si los resultados de DAPHNE de la Tabla 7.1 son almacenados en una relacion de la base de datos llamada, por ejemplo, Clusters, entonces, la consulta anterior puede ser efectuada tambien de forma mas general como:
7.3. GESTION DE UNA INMOBILIARIA DIFUSA

Cliente#
261
C1 C2 C3 C4 C5 C6 C7 C8
CDEG(*)
1.00 0.95 0.91 0.80 0.80 0.75 0.71 0.70
Tabla 7.2: Resultados de una consulta FSQL para Data Mining.

SELECT Cliente#, CDEG(*) FROM Clientes, Clusters WHERE Clientes.Nomina = Clusters.Nomina AND Clientes.Uso Tarjeta FEQ Clusters.Uso Tarjeta THOLD 0.7 AND Clientes.Saldo FEQ Clusters.Saldo THOLD 0.7 AND Clusters.Cluster# = 1 ORDER BY 2 DESC;
donde para modi car la consulta para otro grupo basta con cambiar la ultima condicion de igualdad con el atributo Cluster#.
7.3 Gestion de una Inmobiliaria Difusa

Las aplicaciones de los SGBD y de la teor a de bases de datos a problemas de \gestion" son inmensas, como lo demuestra la enorme cantidad de aplicaciones de este tipo que se venden en el mercado, que van desde la gestion de un video-club hasta la gestion de un garaje, pasando por supermercados, hospitales, hoteles, colegios, universidades o, en general, aplicaciones para la gestion de cualquier empresa, independientemente de su tama~o o dedicacion. n En todas ellas tienen aplicacion las bases de datos difusas pues estas no reducen en nada las posibilidades de las bases de datos clasicas, sino que, por el contrario, las aumentan para poder almacenar y tratar informacion que usando bases de datos clasicas ser a imposible. Ademas, usando adecuadamente el poder deductivo de FSQL se pueden obtener conclusiones muy utiles. Por ejemplo, en un hospital podr amos efectuar consultas del tipo \Dame los enfermos jovenes que padecen hepatitis y que llevan ingresados aproximadamente mas de 5 semanas". En un colegio se podr a consultar informacion como \Dame los alumnos que han superado Matematicas con buena nota y han superado f sica con nota regular ". En un supermercado ser a util conocer las respuestas a preguntas como \Dame los productos que se han vendido mucho gastando poco en su publicidad ". En n, la lista de aplicaciones de gestion y de consultas utiles sobre estas ser a interminable. En este apartado vamos a explicar brevemente como se podr a efectuar la gestion de una inmobiliaria a traves de una BDRD y del lenguaje FSQL. El programa se esta desarrollando en la actualidad, en calidad de proyecto n de carrera de la Ingenier a Superior en Informatica de la Universidad de Malaga, por el alumno P. Palomo, siendo el Director de dicho proyecto el autor de esta memoria.
262
Durante el desarrollo del proyecto se mantendran contactos con diversos Agentes de la Propiedad Inmobiliaria (A.P.I.), conocidos previamente, a los que queremos agradecer desde estas l neas su colaboracion. As , las caracter sticas que se pretenden dar al proyecto seran validadas por estos agentes. A continuacion incluimos una descripcion de este proyecto, sin mas ambicion que pretender dar una idea de las posibilidades que abre el uso de FSQL.
7.3.1 Objetivos Principales

Gracias a la existencia del Servidor FSQL, los objetivos de este proyecto no tienen que centrarse en la resolucion de las consultas exibles. As pues, los objetivos mas importantes del proyecto son: Conseguir un programa para la gestion de una inmobiliaria, con todas las funcionalidades que esto requiera: Gestion de la oferta y demanda para la venta, alquiler o traspaso de cualquier nca o inmueble posible (piso, local, cochera, trastero, solar, chalet, nave industrial...). Los atributos de la base de datos que sean susceptibles de tratamiento difuso seran considerados como tales y clasi cados en los 3 tipos difusos que consideramos (apartado 5.1.3.1): Atributos difusos Tipo 1, 2 o 3. Facilidad en el aprendizaje y en la utilizacion del programa: El programa incorporara un sistema de ayuda on-line y tendra un dise~o que permita facilidad de acceso a las n operaciones mas frecuentes, as como un interfaz intuitivo y de facil aprendizaje. Facilidad para efectuar consultas tradicionales o exibles a la base de datos, de manera que se con guren las consultas de forma visual o directamente a traves de SQL o FSQL. Facilidad para modi car, insertar o borrar valores u objetos de la base de datos, incluyendo valores difusos. Facilidad para consultar y modi car la FMB: Esto implica consultar y/o modi car las etiquetas de nidas, el margen para valores aproximados, atributos Tipo 3 compatibles, a~adir nuevas etiquetas... n Posibilidad de contrastar de forma exible las ofertas con las demandas, dando un listado con los inmuebles que pueden interesar a cada demanda junto con un grado de \interes" o emparejamiento para cada inmueble. Mantenimiento de cheros historicos: En esos cheros se almacenaran las ofertas y demandas que ya han sido objeto de una operacion o que han sido dadas de baja por cualquier motivo. Esto nos permitira hacer consultas sobre situaciones anteriores. Opcion para exportar la base de datos: Esto nos permite instalarla en otro equipo o simplemente hacer una copia de seguridad de la misma.
263
7.3.2 Atributos Difusos

En esta memoria no pretendemos dar una lista exhaustiva de todos los atributos difusos declarados en el proyecto, sino mas bien una idea de los atributos que son susceptibles de tratamiento difuso. Por supuesto, el esquema de la base de datos tambien incluye atributos clasicos, como pueden ser: Los nombres de clientes, su DNI, su numero de telefono, las direcciones de los inmuebles, atributo para observaciones en general, fechas, numero de ascensores, si el piso tiene calefaccion, agua caliente central, cochera, si es Vivienda de Proteccion O cial (V.P.O.)... En general, para dar una mayor versatilidad al programa, se han utilizado pocos atributos difusos Tipo 1, ya que estos permiten la consulta exible pero no permiten el almacenamiento de valores difusos. As , algunos atributos difusos Tipo 2 podr an haberse considerado como de Tipo 1, restringiendo la posibilidad de almacenar imprecision en su dominio. Tambien hay que tener en cuenta que los atributos difusos Tipo 2 requieren en general de mayor cantidad de espacio para ser almacenados y mayor tiempo para ser procesados. As pues, hay que llegar a un compromiso entre exibilidad (en la representacion y el tratamiento difuso) y e ciencia (en espacio de almacenamiento y tiempo de CPU). Ejemplos de atributos difusos considerados como de Tipo 1 son: El numero de habitaciones, el numero de servicios, el precio de la comunidad, la altura del piso (numero de planta)... Puede observarse que, en general, los valores de los atributos anteriores suelen ser bien conocidos y sin ambiguedad. Los atributos difusos Tipo 2 son los mas numerosos, ya que hemos querido dar mucha exibilidad a la base de datos. Entre estos, destacan los siguientes: Precio: En gran parte de los casos, el precio establecido a un inmueble no es jo, sino que el vendedor establece un precio aproximado, e incluso, a veces, el mismo vendedor le indica a la agencia que estar a dispuesto a bajar cierta cantidad del precio establecido. Esta informacion puede almacenarse en la base de datos en forma de trapecio posibil stico, de forma que cuando ejecutemos un emparejamiento con las demandas de inmuebles, se tenga en cuenta esa posibilidad. Super cie (en m2 ): A veces, es dif cil acceder de forma rapida a la escritura del inmueble o hacer una medicion exacta de la super cie del mismo. Por eso, la posibilidad de almacenar valores aproximados fue muy valorada por los agentes inmobiliarios consultados. Edad: Igualmente, es dif cil y en general innecesario saber la edad exacta del inmueble, aunque s es tremendamente util saber su edad aproximada. De esta forma podemos almacenar que un piso es nuevo, seminuevo, viejo o que tiene aproximadamente 8 a~os, n por ejemplo. Tama~o de la cochera, del trastero, del jard n o del terreno disponible (si procede). n Los atributos difusos Tipo 3 considerados son los siguientes, teniendo cada uno su correspondiente relacion de semejanza entre los valores posibles: Atributos para las condiciones de Luz, Ruido, Vistas, Calidad de los muebles (en caso de pisos amueblados) y Estado general del inmueble: Se consideran diversos valores (etiquetas) posibles, como Pesimo, Fatal, Malo, Normal, Bueno, Excelente y Optimo.
264

Muchos de estos atributos podr an ser considerados como de Tipo 2 para permitir una mayor exibilidad, sobre todo en el tipo de consultas, pudiendo efectuar consultas con condiciones del tipo \... cuyas vistas sean mejores que Buenas". Sin embargo, como ese tipo de condiciones no son muy usuales en los atributos considerados, se ha optado por considerarlos como de Tipo 3 con longitud 1 (atributo LEN de FUZZY_COL_LIST). De esta forma se ahorra espacio de almacenamiento. Aunque se reduce el comparador difuso que se puede emplear con estos atributos a FEQ exclusivamente, esto no resta demasiada exibilidad, pues contamos con la exibilidad que aporta el umbral de cumplimiento y con que la relacion de similitud entre las etiquetas este bien de nida. Zona (barrio): Este atributo se ha implementado con longitud 3, de forma que permite indicar que un piso esta situado entre 3 zonas, con distinto grado. Por ejemplo, el valor
f0.5/Centro, 1/Molinillo, 0.7/Capuchinosg

indica que el inmueble en cuestion esta situado en el barrio del Molinillo, mas cerca del barrio de Capuchinos que del Centro de la ciudad5. La relacion de similitud entre las distintas zonas o barrios dependera de la distancia existente entre ellas y de su extension. Tipo de Inmueble: Este atributo distingue entre Pisos, Estudios, Chalets, Casas Adosadas, Solares, Cocheras, Trasteros, Naves industriales... En general, la relacion de similitud sera cero entre la mayor a de ellos, pero entre algunos sera distinta de cero. Por ejemplo, se puede establecer que un chalet se parece a una casa adosada en grado 0.8, de forma que un cliente que busque un chalet es un cliente potencial de las casas adosadas, por lo que deber an ser tenidas en cuenta a la hora de ofertarle material. Ver Ejemplo 7.4. Otros datos, como la existencia de chimenea o piscina (individual o colectiva), seran almacenados en un campo de texto especial de observaciones, en el que tienen cabida cualquier consideracion que quiera efectuarse y que no haya sido considerada expl citamente por atributos en la relacion. El tipo de consultas que pueden efectuarse son inmensas y de entre ellas destaca la comparacion entre la relacion de inmuebles ofertados y la relacion de demandas de inmuebles. En la primera relacion se almacenan los inmuebles con los que se desea operar (vender, alquilar...) y en la relacion de demandas se almacenan las caracter sticas generales de los inmuebles que estan siendo demandados o buscados por determinados clientes. As , en la relacion de demandas el cliente indica las caracter sticas del inmueble que busca. Por ejemplo, un piso grande, con mas de 5 habitaciones aproximadamente, con cochera grande, poco ruido, mucha luz y que sea un piso alto. Posteriormente, la relacion de demandas se empareja con la relacion de ofertas utilizando comparadores difusos (Tabla 5.12) de necesidad y umbrales estrictamente mayores que cero, pidiendo al sistema que ordene la salida decrecientemente por el grado de compatibilidad
5 Esos
7.3.3 Ejemplos de Consultas Flexibles
tres barrios pertenecen a la ciudad de Malaga, donde se esta elaborando el proyecto.
265
alcanzado por cada inmueble. Si se obtienen demasiados inmuebles se puede optar por subir el umbral de cumplimiento y si se obtienen demasiados pocos inmuebles, entonces se efectuara la misma consulta utilizando comparadores de posibilidad, en vez de los de necesidad, que son mas restrictivos. Algunos ejemplos, que pueden ser efectuados on-line, sin necesidad de incluir la busqueda en la tabla de demandas, pueden ser los siguientes: buscando un chalet grande con unos 6 dormitorios que tenga un terrenillo, aunque no hace falta que sea muy grande". Entonces, la siguiente consulta FSQL devuelve los inmuebles que cumplen esas condiciones, ordenando de mayor a menor por el primer atributo mostrado, que es el grado de compatibilidad:
SELECT CDEG(*), Inmuebles_Venta.* FROM Inmuebles_Venta WHERE Tipo FEQ $Chalet .5 AND Superficie FGEQ $Grande .5 AND Habitaciones FGEQ #7 .5 AND Terreno FGEQ $Normal .5 ORDER BY 1 DESC;
Ejemplo 7.4 Ejemplo, suponga que entra un cliente en la inmobiliaria e indica: \Estoy
Debido a que se incluyen bastantes condiciones elementales, se ha optado por utilizar comparadores de posibilidad, para conseguir as seleccionar una mayor cantidad de inmuebles. Como el salon es considerado como una habitacion, la consulta se ha hecho considerando 7 habitaciones (6 dormitorios mas el salon). En general, las inmobiliarias no contabilizan la cocina y los aseos en el numero de habitaciones. En la consulta anterior, tambien ser an consideradas las casas adosadas, si este Tipo de inmueble tiene un grado de similitud superior a 0.5 con respecto a los chalets. Si buscamos exclusivamente chalets debemos establecer el umbral a 1, o no poner umbral, ya que 1 es el umbral por defecto. t u con unos 50 m2 mas o menos, pero que tenga mucha luz y poco ruido, de unos 8 millones maximo, por la zona de Capuchinos". En este caso la consulta FSQL que obtiene la informacion buscada ser a:
SELECT CDEG(*), Inmuebles_Venta.* FROM Inmuebles_Venta WHERE Tipo FEQ $Piso .5 AND Superficie FGEQ $ 30,40,60,70] .5 AND Luz FEQ $Bueno .5 AND Ruido FEQ $Bueno .5 AND Precio FLEQ #9 .5 AND Zona FEQ $Capuchinos .5 ORDER BY 1 DESC;
Ejemplo 7.5 Otro cliente podr a indicarnos: \Me gustar a comprar un piso que sea peque~o n
El trapecio posibil stico del atributo Superficie podr a ser calculado automaticamente de la siguiente forma: n 20; n 10; n +10; n +20], donde n es el tama~o indicado por el cliente. n
266
Si el cliente esta muy seguro de la extension del piso que busca se puede utilizar #n (en este caso #50). La condicion sobre el Precio establece que este sea menor que aproximadamente 9 millones, aunque el cliente especi co 8, ya que, segun los agentes consultados, al comprar un piso es frecuente gastar mas dinero del pensado inicialmente. En la consulta anterior, tambien ser an considerados los inmuebles de Tipo Estudio, si este Tipo de inmueble tiene un grado de similitud superior a 0.5 con respecto a los pisos. u t Puede observarse que el numero de consultas posibles y la utilidad de sus respuestas es tremenda. As , a cada cliente se empezara por ense~arle el inmueble que tenga un mayor n grado de compatibilidad con respecto a lo que busca. En caso de no encontrar lo que busca, puede exibilizarse aun mas la consulta reduciendo los umbrales (hasta llegar a 0), cambiando las constantes difusas de la derecha de las comparaciones simples, cambiando comparadores difusos, eliminando condiciones no muy vinculantes o cambiando algun comparador logico AND por OR utilizando los parentesis para establecer la precedencia.
Ejemplo 7.6 Supongamos que en la consulta del ejemplo anterior no obtenemos ningun
inmueble que sea de interes para el cliente. Entonces, podemos proceder a exibilizar la consulta de la siguiente forma:
CDEG(*), Inmuebles_Venta.* Inmuebles_Venta Tipo FEQ $Piso .25 Superficie FGEQ $ 20,30,70,80] .25 (Luz FEQ $Bueno .5 OR Ruido FEQ $Bueno .5) AND Precio FLEQ #10 .25 AND Zona FEQ $Capuchinos .25 ORDER BY 1 DESC; SELECT FROM WHERE AND AND
Si aun as , seguimos sin obtener pisos que interesen al cliente, podemos eliminar las condiciones mas super uas (como la de Luz y Ruido), reducir los umbrales o poner como valida otra Zona que este cercana o tenga similares caracter sticas (con OR). t u Naturalmente, el sistema de consulta exible no asegura la realizacion de operaciones, pero s que asegura que mostramos a cada cliente los pisos mas acordes a sus necesidades y gustos, teniendo en cuenta que cuando uno busca cualquier tipo de inmueble rara vez busca algo jo, sino que busca algo con unas caracter sticas basicas iniciales que puede ir modi cando y que es frecuente que lo que el cliente adquiera nalmente no se parezca mucho a lo que buscaba inicialmente. Ademas, este sistema permite a la inmobiliaria mantener una gran base de datos, sin tener que recordar de memoria las caracter sticas difusas de estos, algo bastante usual hoy d a en las inmobiliarias y que imposibilita manejar muchos inmuebles de forma efectiva.
Conclusiones y L neas Futuras

En este trabajo se han aportado distintos resultados, entre los que cabe destacar los siguientes como los mas signi cativos: Sistema de Division Relacional Difusa para el modelo GEFRED: Este modelo de BDRD es el mas general y completo de los aparecidos en la bibliograf a. Las principales innovaciones de nuestra propuesta de division difusa con respecto a otros sistemas son que permite que en los atributos sean almacenados todos los tipos de datos del modelo GEFRED (principalmente distribuciones de posibilidad) y que permite la existencia de varios atributos comunes entre las relaciones sobre las que se va a efectuar la division. Ademas, cada tupla del resultado se obtiene con un grado de cumplimiento que indica el grado con el que cada tupla cumple con las condiciones de la division. Nuestra propuesta de division tambien permite la relajacion del cuanti cador universal, permitiendo cualquier tipo de cuanti cador.
Calculo Relacional Difuso de Dominios para el modelo GEFRED: Se demuestra
que este calculo es totalmente equivalente al algebra relacional difuso de este modelo. Ademas, se provee de un metodo para calcular el grado de cumplimiento de la condicion impuesta en la expresion del calculo relacional. Con esto conseguimos tener los dos niveles de lenguajes de consulta que dise~o Codd 42] para bases de datos relacionales pero n extendidos a bases de datos relacionales difusas: El Algebra Relacional Difuso (de nido junto con el modelo GEFRED) y el Calculo Relacional Difuso. El Calculo Relacional Difuso presentado permite emplear cualquier tipo de cuanti cador crisp (existencial y universal) o difuso (absolutos y relativos).
Lenguaje FSQL (Fuzzy SQL): Se ha de nido formalmente un lenguaje de manejo (DML) y de nicion (DDL) de datos para BDRD, muy potente y muy similar al lenguaje SQL. Este lenguaje permite utilizar condiciones difusas con hasta 14 tipos distintos de comparadores difusos (Tabla 5.12), umbrales de cumplimiento, etiquetas lingu sticas, cuanti cadores (con y sin argumentos), constantes difusas, atributos difusos, expresiones difusas... Se incluye la funcion CDEG para calcular el grado de compatibilidad o cumplimiento de la condicion por parte de un atributo concreto o de toda la tupla.
que permite efectuar consultas difusas con el lenguaje FSQL. Este Servidor ha sido programado en PL/SQL para Oracle y permite utilizar FSQL desde cualquier programa Cliente FSQL. Por tanto, el Servidor FSQL es independiente de la plataforma y Sistema Operativo y para instalarlo basta con que exista el SGBD Oracle para un determinado sistema. 267
Servidor FSQL: Se ha implementado un prototipo de Servidor FSQL multiusuario
268
CONCLUSIONES Y LINEAS FUTURAS

que permite efectuar consultas en FSQL de forma que el uso del Servidor FSQL sea transparente al usuario. El Servidor y el Cliente FSQL suponen un sistema para la evaluacion y validacion de las BDRD, as como un sistema implantable en bases de datos Oracle a nivel de produccion. Ademas, permite la realizacion de consultas difusas incluso en bases de datos tradicionales, sin atributos difusos. Aplicaciones de las BDRD y del Servidor FSQL: Se proveen en esta memoria una serie de ejemplos de aplicaciones estudiadas y que utilizan el Servidor FSQL:
Cliente FSQL: Se ha programado tambien un programa Cliente FSQL, llamado FQ,
{ Sistema de clasi cacion de imagenes de objetos de una BDRD, donde las carac-
ter sticas de cada objeto son tratadas como difusas y obtenidas automaticamente a partir de su imagen. Por supuesto, tambien permite la consulta difusa de la base de datos de objetos. { Sistema de clasi cacion general aplicando las tecnicas de Data Mining implementadas en el prototipo DAPHNE de R. Carrasco. El metodo aqu planteado se ha utilizado como sistema de clustering y clasi cacion difusa en un entorno de Data Mining Financiero, aplicado a los clientes de una entidad nanciera. Sin embargo, el metodo es extensible a otros entornos. { Sistema de BDRD aplicado a la gestion a una inmobiliaria, donde los inmuebles buscados por los clientes pueden ser cotejados difusamente con la base de datos de la que disponga la inmobiliaria. Ademas, las caracter sticas de cada inmueble estan representadas por atributos difusos y se permite efectuar consultas difusas sobre ellos.
Por todo lo anterior, podemos a rmar que hemos a anzado un poco mas el desarrollo de las BDRD y, en particular, en lo concerniente a las consultas difusas sobre ellas o sobre bases de datos crisp. Sin embargo, hemos notado que la demanda de bases de datos difusas por parte de la sociedad en general y de las empresas en particular es, si no nula, al menos escasa. Esto hace que la implantacion general de BDRD se efectue lentamente, al igual que lo hicieron algunos sistemas de inteligencia arti cial que, al principio, eran vistos como aplicables solo a simples juegos y se planteaba la cuestion de si eran realmente escalables a asuntos mas \serios". Hoy d a, las aplicaciones con inteligencia arti cial son bastante comunes y aceptadas por la sociedad, incluyendo en estas aquellas aplicaciones que utilizan un control basado en logica difusa (control difuso). En la implantacion de una BDRD puede ser muy util el hecho de que nuestro Servidor FSQL puede ser utilizado para consultas difusas en bases de datos clasicas, las cuales estan muy extendidas. Ademas la migracion de cualquier base de datos a Oracle es muy facil, ya que Oracle 8 incorpora para esto un asistente facil de usar. Un inconveniente de las BDRD es la in uencia que pueda tener la \subjetividad" en la de nicion y uso de los conceptos difusos. Esto, ademas de ser inherente a esta losof a de bases de datos es tambien un problema con el que nos topamos los humanos en nuestras comunicaciones habituales. Ejemplo de esto es la diferencia de opiniones que surgen al intentar de nir el concepto de persona \joven", que depende de la edad que tenga al que se le pregunte, o al intentar de nir el concepto de distancia urbana \cercana" que, depende de la ciudad en la que viva, entre otros factores. No obstante, en nuestro modelo de BDRD creemos que esto puede ser facilmente subsanable a traves del uso de los umbrales de cumplimiento y,
269
por supuesto, prestando especial cuidado en la de nicion de las etiquetas lingu sticas. Por supuesto, tambien resulta muy util en este sentido mostrar el grado de cumplimiento (con la funcion CDEG) de los objetos seleccionados. Tambien puede ayudar en la implantacion de BDRD el uso que puedan efectuar las empresas utilizando FSQL como una herramienta mas de Data Mining. As pues, la implantacion de las BDRD en el mercado en general sera, creemos, una implantacion muy gradual y teniendo en cuenta las cuestiones que hemos planteado a lo largo de esta memoria. Con el programa de gestion inmobiliaria difusa (apartado 7.3), hemos notado que el uso de los conceptos de la logica difusa por parte de usuarios normales entrenados en otras areas, requiere un ligero entrenamiento especial, pero este no es dif cil y los usuarios lo ven con cierta naturalidad. Poco a poco, los usuarios del sistema de BDRD de gestion inmobiliaria notaron que las BDRD pueden satisfacer sus necesidades y se plantearon su implantacion como sistema de produccion en cuanto el programa estuviera terminado. A esto contribuye notablemente, como es logico, la calidad del interfaz programado, el cual esta siendo mejorado en estos momentos. En usuarios conocedores de SQL, la adaptacion a FSQL y los conceptos de logica difusa y teor a de la posibilidad es aun mas rapida pues basta con aprender las nuevas funcionalidades de FSQL. El futuro creemos que pasa por la introduccion de nuevos tipos de datos, tipos difusos, en el entorno de las bases de datos comerciales, por parte de las empresas dedicadas a este sector. Creemos que las bases de datos orientadas a objetos 83] pueden colaborar a esto. Las l neas de investigacion y desarrollo abiertas por el presente trabajo son much simas. Entre ellas destacan las concernientes a la Division Relacional Difusa (apartado 3.8), al Calculo Relacional Difuso (apartado 4.7), las mejoras al lenguaje FSQL y al Servidor FSQL (apartado 5.6) y las mejoras al Cliente FQ (apartado G.6), estas ultimas actualmente en fase de desarrollo en dos vertientes distintas (apartados 6.4 y 7.3). Otras l neas susceptibles de investigacion son ahondar aun mas en posibles sistemas para la eliminacion de la redundancia en BDRD y el uso de cuanti cadores difusos y modi cadores lingu sticos. Tambien creemos que de la union de BDRD, consultas difusas y Data Mining pueden obtenerse muy buenos resultados con los que acelerar la implantacion de BDRD en determinadas empresas. Como ya hemos dicho, creemos que FSQL y las BDRD pueden ser vistas como potentes herramientas para Data Mining y, seguro que tienen mas aplicaciones en este campo que las aqu mostradas. Asimismo, la posibilidad de utilizar bases de datos distribuidas o a traves de redes, sobretodo la red Internet, abre la puerta a la investigacion sobre implantacion de sistemas de BDRD en redes. Ejemplo de esto es el proyecto, actualmente en desarrollo, de creacion de un Cliente FSQL Visual en Java, incorporable como applet en una pagina web (apartado 6.4). Por todo esto, el futuro de las BDRD aparece prometedor aunque, como ya hemos dicho, creemos que su implantacion sera efectuada lentamente y en funcion de los avances que sobre este tema aporte la comunidad cient ca.
270
Apendice A
Palabras Reservadas de FSQL

A continuacion se expone la lista de palabras reservadas del lenguaje FSQL Esta lista esta almacenada en la tabla RESERVADAS del Servidor FSQL.
ABS ASC BY CHR COS DECODE EXIT FGT MGT NFGEQ NMLT FMIN GREATEST HEXTORAW INSTRB LEAST_UB LN LTRIM MOD NEXTVAL NLSSORT OR RAWTOHEX ROWIDTOCHAR SELECT SOUNDEX SUBSTR TAN TO_DATE TO_SINGLE_BYTE UNDEFINED ADD_MONTHS ASCII CDEG CONCAT COSH DESC EXP FGEQ MLT NFLT LIKE FROM GREATEST_LB IN IS LENGTH LOG LUB MONTHS_BETWEEN NLS_INITCAP NOT ORDER REPLACE ROWNUM SIGN SQRT SUBSTRB TANH TO_LABEL TRASLATE UNKNOWN ALL AVG CEIL CONNECT COUNT DISTINCT FAVG FLT NFEQ NFLEQ FLOOR FSUM GROUP INITCAP LAST_DAY LENGTHB LOWER MAX NEW_TIME NLS_LOWER NULL POWER ROUND RPAD SIN START SUM THOLD TO_MULTI_BYTE TRUNC UPPER AND BETWEEN CHARTOROWID CONVERT CURRVAL DUMP FEQ FLEQ NFGT NMGT FMAX GLB HAVING INSTR LEAST LEVEL LPAD MIN NEXT_DAY NLS_UPPER NVL PRIOR ROWID RTRIM SINH STDDEV SYSDATE TO_CHAR TO_NUMBER UID USER
271
272
USERENV WITH ANY CHECK CRISP DOMAIN EXCEPTIONS FREELIST INITIAL K MAXTRANS NEXT PCTUSED NULO SOME TRIGGERS DATAFILE DEC FLOAT REAL STRING RAW MLSLABEL
APENDICE A. PALABRAS RESERVADAS DE FSQL

VARIANCE ADD AS CONSTRAINT DEFAULT DROP EXISTS FREELISTS INSTANCE KEY MINEXTENTS ON PCTINCREASE REFERENCES STORAGE UNIQUE MODIFY DECIMAL INT SMALLINT VARCHAR LONGRAW UNION VSIZE ALLOCATE CASCADE CONSTRAINTS DELETE ENABLE EXTENT GROUPS INTO LABEL MAXEXTENTS OPTIMAL POSIBILISTIC ROWLABEL TABLE USING SCALAR DOUBLE INTEGER CHAR VARCHAR2 BOOLEAN INTERSECT WHERE ALTER CLUSTER CREATE DISABLE ESCAPE FOREING INDEX INITRANS M NEARNESS PCTFREE PRIMARY SIZE TABLESPACE VALUES NUMBER PRECISION NUMERIC CHARACTER LONG DATE MINUS
Apendice B
Gramatica de FSQL
A continuacion exponemos formalmente la gramatica en formato Yacc para los comandos mas importantes de FSQL. En la gramatica se han incluido comentarios (como en el lenguaje C, tambien posible en Yacc) para ir explicando la utilidad de las producciones mas importantes. Los s mbolos terminales, incluyendo las palabras reservadas, se han puesto completamente con letras mayusculas. Los s mbolos no terminales aparecen totalmente con letras en minuscula. El s mbolo inicial para cada sentencia aparece especi cado tras la palabra %start.
B.1 Gramatica del SELECT Difuso de FSQL

Esta es la gramatica del comando SELECT del DML de FSQL, que ha sido utilizada en el Servidor FSQL explicado en la seccion 5.4 (pagina 202). En la seccion 5.2.1 (pagina 160) se explican las novedades incorporadas con respecto al comando SELECT del SQL de Oracle.
/******************************************************************************/ /* Gramatica para una consulta en FSQL (Fuzzy Structured Query Language). */ /* Es una extension del comando SELECT de SQL, para consultas flexibles */ /* y difusas con comparadores difusos y la funcion CDEG. */ /* S mbolos NO Terminales importantes: */ /* consulta --> S mbolo Inicial: Consulta/SELECT difuso/clasico */ /* condition --> Condiciones difusas/clasicas */ /* umbral --> Umbral para las condiciones difusas */ /* fcomparador --> Comparadores difusos */ /* expr --> Expresion (incluye constantes, condiciones...) */ /* fexpr --> Expresion difusa (incluye las clasicas) */ /************************************************************************Pp'98*/ /* Formato YACC ***************************** Ver 3.1 */ /* Observaciones: */ /* - S mbolos Terminales : En Mayuscula */ /* - S mbolos NO Terminales : En Minuscula */ /* - S mbolo Inicial : consulta */ /* - Antes de cada produccion/es aparece, como */ /* comentario, el numero/s de esa/s produccion/es */ /******************************************************/ %start consulta %token <palabra> SELECT FROM %token <palabra> WHERE GROUP
273
274
APENDICE B. GRAMATICA DE FSQL
%token <palabra> HAVING ORDER %token <palabra> ASC DESC %token <palabra> EXIT EXISTS %token <palabra> UNION INTERSECT MINUS %token <palabra> ALL DISTINCT %token <palabra> CONNECT BY %token <palabra> START WITH %token <palabra> ID NUMERO %token <palabra> CADENA /* Con comillas "dobles" */ %token <palabra> TEXTO /* Con comillas 'simples' */ %token <palabra> PRIOR %token <palabra> THOLD CDEG /* Comparadores difusos de Posibilidad */ %token <palabra> FEQ FGT FLT FGEQ FLEQ MGT /* Comparadores difusos de Necesidad */ %token <palabra> NFEQ NFGT NFLT NFGEQ NFLEQ NMGT %token <palabra> NULL UNKNOWN UNDEFINED %token <palabra> ROWNUM LEVEL ROWID %token <palabra> NEXTVAL CURRVAL %token <palabra> IN BETWEEN AS %token <palabra> ABS CEIL FLOOR /* Funciones */ %token <palabra> SIGN SQRT POWER %token <palabra> CHR MOD %token <palabra> ROUND INITCAP LOWER %token <palabra> LPAD LTRIM %token <palabra> REPLACE RPAD %token <palabra> RTRIM SOUNDEX %token <palabra> SUBSTR TRANSLATE %token <palabra> UPPER ASCII %token <palabra> INSTR LENGTH NLSSORT %token <palabra> AVG COUNT MAX %token <palabra> MIN STDDEV SUM %token <palabra> VARIANCE CHARTOROWID CONVERT %token <palabra> HEXTORAW RAWTOHEX ROWIDTOCHAR %token <palabra> TO_CHAR TO_DATE TO_NUMBER %token <palabra> ADD_MONTHS LAST_DAY MONTHS_BETWEEN %token <palabra> NEW_TIME NEXT_DAY SYSDATE %token <palabra> TRUNC DECODE %token <palabra> DUMP GREATEST LEAST %token <palabra> NVL VSIZE %token <palabra> UID USER USERENV %token <palabra> OR AND IS %nonassoc <palabra> NEQ LEQ GEQ LT GT EQ LIKE %left <palabra> '+' '-' CONCAT %left <palabra> '*' '/' %right <palabra> NOT '$' '#' ' ' ']' %token '{' '}' '(' ')' ';' '.' ',' '%' %% /* Consulta en FSQL: Puede terminar (o no) en ';' */ /*1*/ consulta : select_command fin_consulta ; /*2/3*/ fin_consulta: ';' |
MLT NMLT
B.1. GRAMATICA DEL SELECT DIFUSO DE FSQL

; /* Un comando SELECT solo puede tener una clausula ORDER BY, aunque puede tener varias sub-consultas: Despues de FROM y enlazadas por UNION, INTERSECT y/o MINUS */ /*4*/ select_command: select_element resto_select clausula_orden ; /*5/6*/ select_element: '(' select_command ')' | SELECT select_list FROM tablas clausula_where clausula_variante ; /*****> Definicion de las operaciones de conjuntos <*****/ /*****> (Asociatividad por la izquierda) <*****/ /*10/11*/ resto_select: set_command resto_select | ; /*12/14*/ set_command : UNION all_ono select_element | INTERSECT select_element | MINUS select_element ; /*15/16*/ all_ono : ALL | ; /*****> Definicion de la lista de datos a consultar <*****/ /*****> (datos justo despues de la palabra SELECT) <*****/ /*17/19*/ select_list : lista_datos | ALL lista_datos | DISTINCT lista_datos ; /*20/22*/ lista_datos : '*' | '%' | expr c_alias mas_datos ; /*23/24*/ mas_datos : ',' expr c_alias mas_datos | ; /* Un alias de una tabla puede ser una "cadena" o un identificador y puede ir (o no) precedido de la palabra reservada AS. */ /*25/27*/ c_alias : cadid | AS cadid | ; /*28/29*/ cadid : CADENA | ID ; /*****> Definicion de lo que es una expresion <*****/
275
276
/*****> Usa la Asociatividad por la Izquierda <*****/ /*****> Una condicion es tambien una expresion <*****/ /*****> pero con menor prioridad. <*****/ /*30*/ expr : expr_maxprior resto_expr ; /*31/35*/ expr_element: '(' condition ')' | '{' condition '}' | ctes | columna | funcion ; /*36/44*/ ctes : NUMERO | SYSDATE | UID | USER | TEXTO | LEVEL | NULL | UNDEFINED | UNKNOWN ; /*45/48*/ expr_maxprior: '+' expr_element | '-' expr_element | PRIOR expr_maxprior | expr_element ; /*49/50*/ resto_expr : operacion resto_expr | ; /* Esta gramatica expresa una asociatividad por la derecha y */ /* no expresa la mayor prioridad de * y / respecto a + y */ /*51/55*/ operacion : CONCAT expr_maxprior | '*' expr_maxprior | '/' expr_maxprior | '+' expr_maxprior | '-' expr_maxprior ; /*****> Definicion de una columna de una tabla <*****/ /*60/62*/ columna : ID resto_col | ROWID | ROWNUM ; /*63/64*/ resto_col : '.' resto_col1 | ; /*65/68*/ resto_col1 : ID resto_col2 | '*' | '%' | pseudo_col ; /*69/70*/ resto_col2 : '.' resto_col3 |

; /*71/74*/ resto_col3 /*75/79*/ pseudo_col : ID | '*' | '%' | pseudo_col ; : CURRVAL | NEXTVAL | LEVEL | ROWID | ROWNUM ;
277
/*****> Definicion de las funciones de SQL <*****/ /*90/142*/ funcion : ABS arg1 | CDEG '(' arg_dif ')'/* Compatibility DEGree */ | CEIL arg1 | FLOOR arg1 | SIGN arg1 | SQRT arg1 | CHR arg1 | MOD arg2 | POWER arg2 | INITCAP arg1 | LOWER arg1 | LPAD arg2_3 | LTRIM arg1_2 | REPLACE arg2_3 | RPAD arg2_3 | RTRIM arg1_2 | SOUNDEX arg1 | SUBSTR arg2_3 | TRANSLATE arg3 | UPPER arg1 | ASCII arg1 | INSTR arg2_3_4 | LENGTH arg1 | NLSSORT arg1 | AVG arg1u | COUNT arg2u | MAX arg1u | MIN arg1u | STDDEV arg1u | SUM arg1u | VARIANCE arg1u | CHARTOROWID arg1 | CONVERT arg1_2_3 | HEXTORAW arg1 | RAWTOHEX arg1 | ROWIDTOCHAR arg1 | TO_CHAR arg1_2 | TO_DATE arg1_2 | TO_NUMBER arg1 | ADD_MONTHS arg2 | LAST_DAY arg1 | MONTHS_BETWEEN arg2 | NEW_TIME arg3 | NEXT_DAY arg2 | ROUND arg1_2 | TRUNC arg1_2 | DUMP arg1_2_3_4
278
| | | | | | ; /*149*/ arg_dif GREATEST arg_list LEAST arg_list NVL arg2 USERENV arg1 VSIZE arg1 DECODE argu_deco
: '*' /* Arg. de CDEG: Debe ser * o una columna difusa */ | columna ; : '(' expr ')' ; : '(' expr ',' expr ')' ; : '(' expr ',' expr ',' expr ')' ; : '(' expr list_op1 ')' /* Arg. con 1 o 2 expresiones */ ; : '(' expr ',' expr list_op1 ')' ; : '(' expr list_op2 ')' ; : '(' expr ',' expr list_op2 ')' ;
arg1
arg2
arg3
arg1_2 /*155*/ arg2_3
arg1_2_3
arg2_3_4
/*159/160*/ arg1_2_3_4 : '(' expr list_op3 ')' ; /*161/162*/ list_op1 : ',' expr | ; list_op2 : ',' expr list_op1 | ; : ',' expr list_op2 | ; : '(' expr mas_expres ')' ; : ',' expr mas_expres | ; /* Mas expresiones: Para hacer una lista */ /* de expresiones separadas por comas. */
list_op3
/*165*/ arg_list
mas_expres
/*168/170*/ dupli : DISTINCT | ALL

| ; /*171*/ arg1u : '(' dupli expr ')' ; : '(' resto_arg2u ')' ;
279
arg2u
resto_arg2u : dupli expr | '*' ; /*175*/ argu_deco : '(' expr ',' expr ',' expr mas_expres ')' ; /*****> Definicion de la lista de tablas del FROM <*****/ /*180/181*/ tablas : ID resto_tab t_alias lista_tab | '(' select_command ')' t_alias lista_tab ; resto_tab : '.' ID | ; : ',' tablas | ; /* Un alias de una tabla no puede ser una "CADENA" */
lista_tab
/*186/187*/ t_alias : ID | ;
/*****> Definicion de la clausula WHERE: condiciones <*****/ /*****> Para las condiciones se tiene en cuenta el <*****/ /*****> orden de prioridad: NOT, AND y OR. <*****/ /*190/191*/ clausula_where: WHERE condition | ; condition : cond_AND resto_cond ; : cond_NOT resto_AND ; OR condition /* Condiciones OR: Precedencia m nima */
cond_AND
/* Condiciones AND: Prececencia media */
/*194/195*/ resto_cond : | ; /*196/197*/ cond_NOT : | ; /*198/199*/ resto_AND :
NOT cond_NOT /* Condicion con o sin NOT: Precedencia maxima */ cond_elemental
AND cond_AND
280
| ;
/* A su vez, expr puede ser una condicion (como en C), pero esto, no es legal en SQL por incompatibilidad de tipos, lo cual se debe mirar en un analisis semantico. As , conseguimos poder poner condiciones entre parentesis y que la gramatica se mantenga LL(1). No se admiten ctes antes de la palabra reservada IS. */ /*210/213 y 500*/ cond_elemental: expr resto_cond_elemental | '$' resto_fexpr resto_fcond | '#' NUMERO resto_fcond | ' ' NUMERO ',' NUMERO ']' resto_fcond | EXISTS '(' select_command ')' /* Produccion numero 500 */ ; /*214/217*/ resto_cond_elemental: resto_nofcond | resto_fcond | IS negacion fuzzy_ctes_is | ; /*218*/ resto_fcond : fcomparador fexpr umbral ; /*220/223*/ umbral : THOLD NUMERO | NUMERO | comparador NUMERO | ; negacion : NOT | ; : | | | ; '$' resto_fexpr '#' NUMERO ' ' NUMERO ',' NUMERO ']' expr
fexpr
/*230/231*/ resto_fexpr : ID | ' ' NUMERO ',' NUMERO ',' NUMERO ',' NUMERO ']' ; /* Comparadores difusos */ /*232/238*/ fcomparador : FEQ | FGT | FLT | FGEQ | FLEQ | MGT | MLT /*501/507*/ | NFEQ | NFGT | NFLT | NFGEQ | NFLEQ | NMGT | NMLT ; /*240/242*/ fuzzy_ctes_is: NULL | UNDEFINED | UNKNOWN ; /*250/254*/ resto_nofcond: comparador expr
/* Ctes. difusas posibles tras IS */

| | | | ; /*255*/ cond_entre cond_entre cond_in NOT cond_entrein LIKE TEXTO
281
: BETWEEN expr AND expr ; : IN arg_list ; cond_entre cond_in LIKE TEXTO
cond_in
cond_entrein: | | ; /*260/265*/ comparador : ;
EQ | NEQ | LEQ | GEQ | LT | GT
/*****> Definicion de otras de clausulas del SELECT <*****/ /*270/272*/ clausula_variante: GROUP BY expr mas_expres clausula_having clausula_variante | clausula_start CONNECT BY condition clausula_variante | ; clausula_start: START WITH condition | ; clausula_having: HAVING condition | ; /*280/281*/ clausula_orden: ORDER BY expr ordenacion resto_l_orden clausula_orden | ; resto_l_orden: ',' expr ordenacion resto_l_orden | ; /*284/286*/ ordenacion : ASC | DESC | ; %%
Los comandos INSERT, DELETE y UPDATE tambien pertenecen, con el comando SELECT al DML o Lenguaje de Manipulacion de Datos (igual que COMMIT y ROLLBACK). A continuacion, declaramos la sintaxis de estos comandos a traves de sus respectivas gramaticas. Antes, queremos destacar la enorme similitud entre la sintaxis de estos comandos de FSQL y la de sus homonimos en SQL, teniendo simplemente que modi car algunos elementos, como son las expresiones (con s mbolo no terminal fexpr), las condiciones difusas (condition) y las subconsultas difusas (consulta).
282
B.2 Gramatica del INSERT Difuso de FSQL

Esta sentencia de FSQL permite insertar expresiones difusas como valor de algun atributo difuso. Naturalmente, si se intenta insertar una expresion difusa en un atributo no difuso, se generara un error por incompatibilidad de tipos. Por supuesto, las subconsultas que pueden emplearse en esta sentencia son como las consultas de FSQL y pueden incorporar todas sus extensiones. Por tanto, la gramatica para esta sentencia quedar a as :
/********************************************************************************/ /* Gramatica para el comando INSERT Difuso del DML de FSQL. */ /* (se basa en la gramatica definida para las consultas). */ /**************************************************************************Pp'98*/ /* Formato YACC */ /****************/ %start sentencia_insert %% /* Las Sentencias insert pueden acabar o no en ';' (para simplificar) */ sentencia_insert: insert_command fin ; insert_command : INSERT INTO lugar lista_columnas valores_insert ; /***** ***** Lugar donde insertar: Una tabla/vista o una subconsulta ***** *****/ lugar : tabla | consulta ; tabla : ID resto_tabla ;
resto_tabla : '.' ID | ; /***** ***** Sentencia lista de columnas donde se inserta (opcional) ***** *****/ lista_columnas: '(' columnas ')' | ; columnas : ID mas_columnas ;
mas_columnas: ',' columnas | ; /***** ***** Valores a insertar: lista de expresiones o subconsulta ***** *****/ valores_insert: VALUES '(' fuzzy_expresions ')' | consulta ; fuzzy_expresions: fexpr mas_fexpr ;
B.3. GRAMATICA DEL DELETE DIFUSO DE FSQL

mas_fexpr : ',' fexpr | ;
283
%%
B.3 Gramatica del DELETE Difuso de FSQL

Esta sentencia de FSQL permite borrar tuplas en alguna tabla. Se puede establecer una condicion para que sean borradas solo las tuplas que satisfagan dicha condicion. Para esta condicion, se emplea la misma clausula WHERE que en la sentencia SELECT (con condiciones difusas). Por tanto, la gramatica para esta sentencia quedar a as :
/********************************************************************************/ /* Gramatica para el comando DELETE Difuso del DML de FSQL. */ /* (se basa en la gramatica definida para las consultas e inserciones). */ /**************************************************************************Pp'98*/ /* Formato YACC */ /****************/ %start sentencia_delete %% /* Las Sentencias delete pueden acabar o no en ';' (para simplificar) */ sentencia_delete: delete_command fin ; delete_command : DELETE from_ono lugar t_alias clausula_where ; from_ono : FROM | ;
%%
B.4 Gramatica del UPDATE Difuso de FSQL

Esta sentencia de FSQL permite actualizar valores para las columnas de determinadas tuplas en una tabla. Esta actualizacion puede ser simple o multiple. La actualizacion simple consiste en actualizar los valores de una unica columna y se debe indicar dicha columna, el s mbolo \=" y posteriormente la expresion con la que se actualizaran los valores que hubiera. En vez de una expresion, puede utilizarse una subconsulta que recupere un unico valor1 . En la actualizacion multiple es posible indicar varios nombres de columnas (entre parentesis y separados por comas), el s mbolo \=" y posteriormente se indica una subconsulta que contendra los nuevos valores a actualizar. Se puede establecer una condicion para que sean actualizadas solo las tuplas que satisfagan dicha condicion. Para esta condicion, se emplea la misma clausula WHERE que en la sentencia SELECT (con condiciones difusas).
1 Esta gramatica se ha expresado as para simpli car, aunque no es LL(1): En la primera produccion del s mbolo un valor se tiene que fexpr es una expresion difusa que puede empezar por el s mbolo '(', igual que su segunda produccion.
284

Por tanto, la gramatica para esta sentencia quedar a as :
/********************************************************************************/ /* Gramatica para el comando UPDATE Difuso del DML de FSQL. */ /* (se basa en la gramatica definida para las consultas e inserciones). */ /**************************************************************************Pp'98*/ /* Formato YACC */ /****************/ %start sentencia_update %% /* Las Sentencias insert pueden acabar o no en ';' (para simplificar) */ sentencia_update: update_command fin ; update_command : UPDATE lugar t_alias SET actualizaciones clausula_where ; /***** ***** Columna/s a actualizar con la/s Expresion/es indicadas ***** *****/ actualizaciones: actualizacion mas_actualizaciones ; mas_actualizaciones: ',' actualizacion mas_actualizaciones ; actualizacion: act_simple | act_multiple ; act_simple : una_columna '=' un_valor ;
una_columna : ID resto_una_columna ; resto_una_columna: '.' ID resto_una_columna2 | ; resto_una_columna2: ID | ; un_valor : fexpr | '(' consulta ')' ;
act_multiple: '(' varias_columnas ')' '=' consulta ; varias_columnas: una_columna mas_columnas ; mas_columnas: ',' una_columna mas_columnas ; %%
B.5. GRAMATICA DE LAS SENTENCIAS DEL DDL DE FSQL
285
B.5 Gramatica de las Sentencias del DDL de FSQL

A continuacion exponemos una gramatica en formato Yacc de los comandos modi cados por el DDL de FSQL, para formalizar su de nicion: CREATE, ALTER y DROP. En el apartado 5.2.2 estos comandos fueron explicados referentes a los objetos en los que FSQL tiene relevancia: TABLE, VIEW, LABEL y NEARNESS. La gramatica para estas sentencias quedar a as :
/********************************************************************************/ /* Gramatica de un DDL Difuso o Fuzzy DDL (Data Definition Language). */ /* (se basa en las gramaticas definidas antes: Consultas, Inserciones... */ /* El Lenguaje de Definicion de Datos incluye las siguientes ordenes: */ /* Sentencia Utilidad (Modificaciones basicas al SQL de Oracle) */ /* ------------------------------------------------------------------------- */ /* CREATE TABLE Crear Tablas con/sin atributos difusos */ /* (A~ade: Tipos de datos difusos n (fuzzy_datatypes), */ /* Consultas difusas (consulta), */ /* Expresiones difusas (fexpr) */ /* Condiciones difusas (condition) */ /* Restricciones de columna (restricciones_col)) */ /* CREATE VIEW Crear vistas con consultas difusas */ /* (A~ade Consultas difusas (consulta)) n */ /* CREATE LABEL Crear Etiquetas de atributos difusos 1 y 2 */ /* Copiar etiquetas de un atributo difuso tipos 1/2 a otro */ /* (Sentencia exclusiva de FSQL) */ /* CREATE NEARNESS Crear Etiquetas de atributos difusos 3 */ /* (Sentencia exclusiva de FSQL) */ /* ALTER TABLE Modificar Tablas con/sin atributos difusos */ /* (A~ade los tipos de datos y las restricciones difusas) */ n /* ALTER VIEW Recompilar una vista (Igual que SQL) */ /* ALTER LABEL Modificar Etiquetas de atributos difusos tipos 1 y 2 */ /* (Sentencia exclusiva de FSQL) */ /* ALTER NEARNESS Modificar Etiquetas de atributos difusos 3 */ /* (Sentencia exclusiva de FSQL) */ /* DROP TABLE Borrar Tablas (Igual que SQL) */ /* DROP VIEW Borrar Vistas (Igual que SQL) */ /* DROP LABEL Borrar Etiquetas de atributos difusos 1 y 2 */ /* (Sentencia exclusiva de FSQL) */ /* DROP NEARNESS Borrar Etiquetas de atributos difusos 3 */ /* (Sentencia exclusiva de FSQL) */ /**************************************************************************Pp'98*/ /* Formato YACC ***************************** Ver 1.1 */ /* Observaciones: */ /* - S mbolos Terminales : En Mayuscula */ /* - S mbolos NO Terminales : En Minuscula */ /* - S mbolo Inicial : sentencia_DDL */ /* - Utiliza los siguientes s mbolos NO Terminales, */ /* definidos en la consulta FSQL: fexpr, consulta */ /* y condition. */ /******************************************************/ %start sentencia_DDL %% /* Las Sentencias DDL pueden acabar o no en ';' (para simplificar) */ sentencia_DDL: DDL_command fin_DDL ;
286
fin_DDL : ';' | ;
DDL_command : create_command | alter_command | drop_command ; /***** ***** Sentencia CREATE: TABLE, VIEW, LABEL y NEARNESS ***** *****/ create_command: CREATE create1 ; create1 : | | | ; create_table create_view create_label create_nearness
/***** ***** Sentencia CREATE TABLE */ create_table: TABLE ID otro_id '(' colyres ')' tab1 tab2 tab3 tab4 tab5 ; otro_id : '.' ID | ;
/* Definicion de las columnas y las restricciones */ colyres : column_element resto_colyres | table_constraint resto_colyres ; resto_colyres: ',' colyres | ; column_element: ID datatype default_clause column_constraints ; /* El valor por defecto puede ser una expresion difusa */ default_clause: DEFAULT fexpr | ; /* Definicion datatype : | | | | | | | | | | | de los TIPOS de DATOS: */ VARCHAR2 '(' NUMERO ')' VARCHAR '(' NUMERO ')' CHAR opcion_numero CHARACTER opcion_numero NUMBER opciones_number NUMERIC opciones_number DECIMAL opciones_number DEC opciones_2onada FLOAT opcion_numero REAL DOUBLE PRECISION INTEGER

| | | | | | | | ; raw_ono INT SMALLINT LONG raw_ono DATE RAW '(' NUMERO ')' ROWID MLSLABEL fuzzy_datatypes
287
: RAW | ;
opcion_numero: '(' NUMERO ')' | ; opciones_2onada: '(' NUMERO ',' NUMERO ')' | ; opciones_number: '(' NUMERO otro_num ')' | ; otro_num : ',' NUMERO | ;
/* TIPOS de DATOS DIFUSOS: fuzzy_datatypes (Tienen distintas formas de escribirse para dar mayor flexibilidad) 1. Atributos Difusos Tipo 1: CRISP (margen,much) tipo_base] FTYPE1 (margen,much) tipo_base] 2. Atributos Difusos Tipo 2: POSSIBILISTIC (margen,much) tipo_base] FTYPE2 (margen,much) tipo_base] 3. Atributos Difusos Tipo 3: SCALAR (long)] DOMAIN atributo] FTYPE3 (long)] DOMAIN atributo] NOTAS: - (margen,much): Indican el margen y el much para ese atributo. margen: Es el valor usado para los valores APPROX: #n = n +- margen. much: Es el valor usado en los comparadores MGT y MLT. Esto hace insertar valores en la tabla FUZZY_APPROX_MUCH de la FMB. - tipo_base: Es el dominio subyacente, sobre el que tomaran valores las distribuciones de posibilidad o los valores crisp que tenga la relacion. Por defecto se tomara NUMBER. Pueden producirse errores semanticos, por ejemplo si se define el tipo_base como un tipo difuso. - long (opcion_numero): Es opcional e indica el numero de datos maximo en atributos tipo 3 (numero de items en las distr. de pos. sobre escalares). Suponemos que no hay mas de 10 datos (y 1 como m nimo y por defecto). - atributo: Es un atributo que es compatible con este y, por tanto, son comparables. - La presencia de un atributo difuso en un CREATE TABLE implica insertar tupla en tabla FUZZY_COL_LIST y si es tipo 1 o 2 tambien en FUZZY_APPROX_MUCH. */
288
fuzzy_datatypes: fuzzy_type1 | fuzzy_type2 | fuzzy_type3 ;
fuzzy_type1 : CRISP '(' NUMERO ',' NUMERO ')' tipo_base | FTYPE1 '(' NUMERO ',' NUMERO ')' tipo_base ; fuzzy_type2 : POSSIBILISTIC '(' NUMERO ',' NUMERO ')' tipo_base | FTYPE2 '(' NUMERO ',' NUMERO ')' tipo_base ; fuzzy_type3 : SCALAR opcion_numero dominio | FTYPE3 opcion_numero dominio ; tipo_base : datatype | ;
/* - Esta clausula implica introducir datos en la tabla FUZZY_COMPATIBLE_COL de la FMB. - DOMAIN sirve para definir que el atributo que estamos definiendo en la tabla que queremos crear sera compatible con el atributo que se indica a continuacion (que puede ser de la misma tabla) y podra, por tanto, tomar sus valores sin tener que definirlos de nuevo para este atributo. Inserta valor en tabla FUZZY_COMPATIBLE_COL. - Si esta clausula no aparece (esta vac a), entonces indica que aun no estan definidas las etiquetas para este atributo y debemos definirlas a continuacion con la sentencia CREATE NEARNESS. */ dominio : DOMAIN ID otro_id otro_id | ; /* Restricciones para una columna al crear una tabla */ column_constraints: column_constraint column_constraints | ; /* Restriccion para una columna */ column_constraint: nombre_constraint restricciones_col indexing | ; nombre_constraint: CONSTRAINT ID | ; (* La restriccion difusa ONLY LABEL indica que el atributo difuso al que se aplica solo puede tomar valores del tipo Etiqueta (Label), definida en la FMB. */ restricciones_col: NULL | NOT prohibidos | UNIQUE | PRIMARY KEY | REFERENCES ID otro_id opcion_colum on_delete | CHECK (condition)

| ; permite_UNK : | ; ONLY LABEL permite_UNK
289
OR UNKNOWN
/* Estas restricciones prohiben que determinados valores (NULL, UNDEFINED y/o UNKNOWN) o determinados Tipos de valores (LABEL, CRISP, TRAPEZOID, INTERVAL y/o APPROX) sean almacenados en la columna (atributo) en la que se aplican. Tenga en cuenta que a una columna pueden aplicarsele varias restricciones. */ prohibidos : NULL /* Prohibe el valor NULL (unico aplicable a atributos crisp) */ | UNDEFINED /* Prohibe el valor UNDEFINED (aplicable a tipos difusos 2 y 3) */ | UNKNOWN /* Prohibe el valor UNKNOWN (aplicable a tipos difusos 2 y 3) */ | LABEL /* Prohibe valores del tipo etiqueta : $label */ | CRISP /* Prohibe valores del tipo crisp : n */ | TRAPEZOID /* Prohibe valores del tipo trapecio : $ a,b,c,d] */ | INTERVAL /* Prohibe valores del tipo intervalo : $ n,m] */ | APPROX /* Prohibe valores del tipo aproximado : #n */ ; opcion_colum: '(' ID ')' /* Nombre de la columna opcional (si la tabla tiene PRIMARY KEY) */ | ; on_delete : ON DELETE op_on_delete | ; (s */ */ */ en DB2).
/* Las opciones SET NULL y RESTRICT no estan implementadas en Oracle 7 En Oracle 7 la opcion RESTRICT es la opcion por defecto. */ op_on_delete: CASCADE /* Al borrar un padre se borran todos los hijos | SET NULL /* Al borrar un padre se pone NULL en los hijos | RESTRICT /* Impide borrar un padre si tiene hijos ; indexing : USING INDEX index_caracts | DISABLE | ;
index_caracts: index_caract index_caracts | ; index_caract: | | | | ; PCTFREE NUMERO INITRANS NUMERO MAXTRANS NUMERO TABLESPACE ID | | | | NOSORT RECOVERABLE UNRECOVERABLE STORAGE '(' storage_clause ')'
/* Restriccion para una tabla (NO admite NOT NULL...) */ table_constraint: nombre_constraint restricciones_tab indexing | ;
290
restricciones_tab: UNIQUE '(' columnas ')' | PRIMARY KEY '(' columnas ')' | FOREING KEY '(' columnas ')' REFERENCES ID otro_id '(' columnas ')' on_delete | CHECK (condition) ; /***** Clausulas finales de la Sentencia CREATE TABLE */ tab1 : CLUSTER ID '(' columnas ')' | tab11 | ; tab11 : extent_specs tab111 ; : tab11 | ; PCTFREE NUMERO PCTUSED NUMERO RECOVERABLE TABLESPACE ID | | | | INITRANS NUMERO MAXTRANS NUMERO UNRECOVERABLE STORAGE '(' storage_clause ')'
tab111
extent_specs: | | | ;
storage_clause: | | | | | | | ;
INITIAL NUMERO unidad_tama NEXT NUMERO unidad_tama MINEXTENTS NUMERO MAXEXTENTS num_o_unlim PCTINCREASE NUMERO FREELISTS NUMERO FREELIST GROUPS NUMERO OPTIMAL null_o_tama
storage_clause_ono storage_clause_ono storage_clause_ono storage_clause_ono storage_clause_ono storage_clause_ono storage_clause_ono storage_clause_ono
storage_clause_ono: storage_clause | ; unidad_tama : K | M | ; num_o_unlim : NUMERO | UNLIMITED ; null_o_tama : NULL | NUMERO unidad_tama ; tab2 : PARALLEL '(' grado_inst ')' | ; : DEGREE num_def grado_inst
grado_inst

| INSTANCES num_def ; num_def : NUMERO | DEFAULT ; : ENABLE enable_clause tab3 | DISABLE disable_clause tab3 | ;
291
tab3
enable_clause: ALL TRIGGERS | integrity_constraint ; integrity_constraint: integrity indexacion excepcion ; excepcion : EXCEPTIONS INTO ID otro_id | ; : USING INDEX extent_specs2 | ; PCTFREE NUMERO INITRANS NUMERO MAXTRANS NUMERO TABLESPACE ID STORAGE '(' storage_clause ')'
indexacion
extent_specs2: | | | | ;
disable_clause: ALL TRIGGERS | integrity resto_disable ; integrity : UNIQUE '(' columnas ')' | PRIMARY KEY | CONSTRAINT ID ;
resto_disable: CASCADE | ; tab4 : AS consulta | ; : CACHE | NOCACHE | ;
tab5
/***** ***** Sentencia CREATE VIEW: Lo novedoso de FSQL es que
292
esta puede incorporar consultas difusas (con atributos difusos, condiciones difusas...) */ create_view : replace_ono force_ono VIEW ID otro_id alias_ono AS consulta resto_view ; replace_ono : OR REPLACE | ; force_ono : FORCE | NO FORCE | ; : '(' columnas ')' | ; : WITH resto_with | ; : READ ONLY | CHECK OPTION resto_check | ;
alias_ono
resto_view
resto_with
resto_check : CONSTRAINT ID | ; /***** ***** Sentencia CREATE LABEL: Usada para atributos difusos tipos 1 (CRISP) o 2 (POSSIBILISTIC). Para atributos difusos tipo 3 usar CREATE NEARNESS. Formato 1: Crea una etiqueta y le asigna su trapecio asociado (El nombre de la etiqueta no puede estar ya definido para ese atributo) CREATE LABEL nombre_label ON schema.]table.atributo VALUES alfa,beta,gamma,delta; Formato 2: Copia todas las etiquetas definidas para atributo2 en atributo1 que tienen distinto nombre de las ya definidas en atributo1 (ambos atributos deben ser difusos tipo 1 o 2, indistintamente) CREATE LABEL * ON schema.]table.atributo1 FROM schema.]table.atributo2 Se debe cumplir la condicion: alfa <= beta <= gamma <= delta; Inserta valores en las tablas FUZZY_OBJECT_LIST y FUZZY_LABEL_DEF de la FMB. */ create_label: LABEL create_copy ; create_copy : ID ON ID '.' ID otro_id VALUES NUMERO ',' NUMERO ',' NUMERO ',' NUMERO | '*' ON ID '.' ID otro_id FROM ID '.' ID otro_id ; /***** ***** Sentencia CREATE NEARNESS: Usada para insertar etiquetas para atributos difusos tipo 3 (SCALAR).

Para atributos difusos tipo 1 y 2 usar CREATE LABEL. Esta orden tambien inserta los grados de similitud entre las etiquetas. Inserta valores en FUZZY_OBJECT_LIST y FUZZY_NEARNESS_DEF de la FMB. Formato: CREATE NEARNESS ON schema.]table.atributo LABEL lista_de_etiquetas (con un m nimo de 2 etiquetas) VALUES lista_de_similitudes (con un m nimo de 1 valor). El orden de las etiquetas influye en el orden de las similitudes. Se supone que el orden de las similitudes es dado de la siguiente forma, donde i#j expresa el valor de la similitud entre la etiqueta i-esima y la j-esima: CREATE NEARNESS ON s.]t.a LABEL e1, e2, e3, e4, ... en VALUES 1#2, 1#3, 1#4, ... 1#n, 2#3, 2#4, ... 2#n, 3#4, ... 3#n, ... (n-1)#n; As , si se dan n etiquetas, tras la palabra VALUES debe haber una lista con (n*n)/2 - n/2 numeros (donde / es la division entera que trunca). Ejemplos: 5 etiquetas --> 12-2 = 10 valores 4 etiquetas --> 8-2 = 6 valores 9 etiquetas --> 40-4 = 36 valores 8 etiquetas --> 32-4 = 28 valores Otra posible definicion: Numero_valores = f (Numero_etiquetas), donde f(2) = 1 f(n) = f(n-1) + n-1 con n>2 Si eso no se cumple se debera producir un error semantico, al igual que si alguno de los valores no pertenece al intervalo 0,1]. */ create_nearness: NEARNESS ON ID '.' ID otro_id LABELS ID ',' ID resto_lista_labels VALUES NUMERO resto_lista_valores ; resto_lista_labels: ',' ID resto_lista_labels | ; resto_lista_valores: ',' NUMERO resto_lista_valores | ;
293
/***** ***** Sentencia ALTER: TABLE, VIEW, LABEL y NEARNESS ***** *****/ alter_command: ALTER alter1 ; /* Alterar un LABEL es como borrarlo y crearlo de nuevo */ alter1 : alter_table | alter_view | create_label | alter_nearness ; /***** ***** Sentencia ALTER TABLE */ alter_table : TABLE ID otro_id alter_tab1 alter_tab2
294
; alter_tab1 ; : alteraciones alter_tab1
alteraciones: | | | | | | | | | ;
ADD '(' colyres ')' MODIFY '(' column_element resto_coldef ')' PCTFREE NUMERO PCTUSED NUMERO INITRANS NUMERO MAXTRANS NUMERO STORAGE '(' storage_clause ')' DROP drop_clause ALLOCATE EXTENT extension_table DEALLOCATE UNUSED keep_clause
resto_coldef: ',' column_element resto_coldef | ; extension_table: '(' et ')' | ; et : SIZE NUMERO unidad_tama et | DATAFILE TEXTO et | INSTANCE NUMERO et | ;
keep_clause : KEEP NUMERO unidad_tama | ; alter_tab2 : enable_disable | tab2 tab5 | ;
enable_disable: ENABLE enable_op enable_disable | DISABLE disable_op enable_disable | ; enable_op : enable_clause | TABLE LOCK ; : disable_clause | TABLE LOCK ; */
disable_op
/***** ***** Sentencia ALTER VIEW: Igual que SQL alter_view : VIEW ID otro_id COMPILE ;

/***** ***** Sentencia ALTER NEARNESS: Puede ser igual que con CREATE NEARNESS o tambien nos permite modificar solo el grado de similitud o compatibilidad entre dos etiquetas. El formato para esto ultimo es: ALTER NEARNESS ON atributo_difuso CDEG(label1,label2)=nueva_similitud_a_cambiar; */ alter_nearness: NEARNESS ON ID '.' ID otro_id resto_alter_n ; resto_alter_n: LABELS ID ',' ID resto_lista_labels VALUES NUMERO resto_lista_valores | CDEG '(' ID ',' ID ')' '=' NUMERO ;
295
/***** ***** Sentencia DROP: TABLE, VIEW, LABEL y NEARNESS ***** *****/ drop_command: DROP drop1 ; drop1 : | | | ; drop_table drop_view drop_label drop_nearness
/***** ***** Sentencia DROP TABLE (igual que en SQL) */ drop_table : TABLE ID otro_id cascade_const ; cascade_const: CASCADE CONSTRAINTS | ; /***** ***** Sentencia DROP TABLE (igual que en SQL) */ drop_view : VIEW ID otro_id ; /***** ***** Sentencia DROP LABEL: Usada para borrar etiquetas de atributos difusos tipos 1 o 2. Para atributos difusos tipo 3 usar DROP NEARNESS. Formatos: DROP LABEL label ON table.atributo --> Borra la etiqueta label (solo 1) DROP LABEL * ON table.atributo --> Borra TODAS las etiquetas */ drop_label : LABEL una_o_todo ; una_o_todo : ID ON ID '.' ID otro_id | '*' ON ID '.' ID otro_id ;
/***** ***** Sentencia DROP NEARNESS: Usada para borrar las etiquetas de atributos difusos tipo 3. Para atributos difusos tipo 1 y 2 usar DROP LABEL. Formatos: DROP NEARNESS ON atributo --> Borra TODAS las etiquetas del atributo DROP NEARNESS label ON atributo --> Borra solo la etiqueta label */ drop_nearness: NEARNESS todo_o_1
296
; todo_o_1 : ON ID '.' ID otro_id | ID ON ID '.' ID otro_id ;
%%
La de nicion de otras clausulas para otros objetos, como son sinonimos (SYNONYM) e instantaneas (SNAPSHOT), no la hemos incluido aqu , pues su de nicion es igual a la de SQL o muy similar a ella y a las clausulas ya de nidas.
Apendice C
Errores Generados por el Servidor FSQL

A continuacion damos una lista de los posibles errores que puede generar el Servidor FSQL, su signi cado y algunas ideas para solucionar el error. En general, en los mensajes de error se incluye la posicion en la que se ha encontrado el error. Esta posicion, denotada por <XX>, sera un numero que indica la posicion del ultimo caracter del token o palabra que genero el error empezando a contar desde el principio de la sentencia. Denotamos por <scheme.table.column> el nombre de una columna con su esquema (propietario) y su tabla/vista. Tambien, <NNN> sera el numero de objeto que el SGBD asigna al objeto que genero el error y <CCC> el numero de columna que el SGBD asigna a la columna concreta que genero el error dentro de la tabla/vista a la que pertenece. Por supuesto, el Servidor FSQL no controla todos los posibles errores que pueden producirse, por lo que el SGBD podra tambien generar errores que deberan tambien ser tenidos en cuenta.
ERROR: Consulta vac a.
Posibles causas: La sentencia que se desea procesar esta vac a, no contiene ningun
caracter.
Consejos: Incluir la sentencia a procesar en la llamada al Servidor FSQL.

ERROR LEXICO en posicion <XX>: Comparador de desigualdad (!=,^=) no terminado.
de =, por lo que se sospecha que el comparador de desigualdad no esta terminado correctamente. Consejos: Terminar el comparador de desigualdad o eliminar los caracteres erroneos. 297
Posibles causas: Se ha encontrado el caracter ! o ^ seguido de un caracter distinto
298
APENDICE C. ERRORES GENERADOS POR EL SERVIDOR FSQL
ERROR LEXICO en posicion <XX>: Cadena o texto no terminado correctamente (faltan comillas).
Posibles causas: Se detectaron unas comillas dobles (") o simples (') sin que estas fueran cerradas. Consejos: Cerrar las comillas (dobles o simples) con otro caracter igual o eliminar el caracter de comillas que genero el error.
ERROR LEXICO en posicion <XX>: Numero en notacion exponencial mal terminado.
Posibles causas: Un numero en notacion cient ca o exponencial no esta terminado

correctamente. Por ejemplo, si se omite el exponente se genera este error: numero 3.5E-10 ser a correcto. Consejos: Escribir correctamente el numero.
3.5E.
El
ERROR LEXICO en posicion <XX>: Operador de concatenacion || mal terminado.
Posibles causas: Se detecto el principio de un operador de concatenacion (caracter |) sin que este fuera terminado correctamente. Consejos: Terminar el operador de concatenacion a~adiendo otro caracter | o eliminar n el caracter que genero el error.
ERROR LEXICO en posicion <XX>: Cadena o texto demasiado larga.
Posibles causas: Se detecto un texto entre comillas dobles (") o simples (') de una longitud excesivamente larga. El l mite esta en 2000 caracteres. Consejos: Reducir la longitud de la cadena o texto que genero el error o cerrar correctamente las comillas.
ERROR LEXICO en posicion <XX>: Identificador tiene mas de 30 caracteres.
Posibles causas: Se detecto un identi cador con mas de 30 caracteres, que es el l mite
maximo que Oracle establece para los identi cadores. Consejos: Reducir el tama~o del identi cador. Quizas se olvido incluir un espacio o n un punto entre 2 identi cadores.

ERROR LEXICO en posicion <XX>: S mbolo <CC> (ASCII <NN>) no reconocido por la gramatica y es ignorado.
299
Posibles causas: El caracter <CC>, con codigo ASCII numero <NN>, no es aceptado
por el lenguaje. Consejos: Eliminar dicho caracter. Quizas, dicho caracter deba ir dentro de un texto entre comillas. En ese caso, debe poner las comillas.
ERROR SINTACTICO en posicion <XX>: Llamada a funcion CDEG mal situada. Debe aparecer en la SELECT_LIST.
Posibles causas: Se ha encontrado una llamada a la funcion CDEG fuera de la lista

de seleccion de la sentencia SELECT. En esta version no se admite una llamada a esta funcion fuera de ese lugar. En futuras versiones esta previsto que esta funcion pueda usarse en las condiciones como parte de la clausula del WHERE. Consejos: No usar la funcion CDEG fuera de la lista de seleccion de la sentencia SELECT.
ERROR SINTACTICO en posicion <XX>: Encontrado <s mbolo> cuando esperaba <lista_de_s mbolos>. mbolo> cuando esperaba uno de los s mbolos que aparecen en <lista_de_s mbolos>. Los s mbolos que pueden aparecer en ambas partes son tales como: <fin> (para el nal de la entrada), =, <>, >, <, <=, >=, <identificador>, <numero>, ||, <cadena> (con comillas dobles), <texto> (con comillas simples), o <funcion> (para cualquier tipo de funcion empleada). Consejos: Revisar la sentencia eliminando el <s mbolo> que genera el error y poniendo uno de la <lista_de_s mbolos> o alterar la estructura de la sentencia.
Posibles causas: Se ha encontrado el s mbolo <s
ERROR SINTACTICO en posicion <XX>: Esperaba el FIN cuando encontre: <token>.
Posibles causas: Se esperaba el nal de la sentencia pero sin embargo se ha encontrado el s mbolo terminal indicado por <token>. Consejos: Eliminar el s mbolo <token> y todo lo que haya detras de el o revisar la estructura de la sentencia.
300
ERROR en FIRST en posicion <XX>: Atributo <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>) no tiene definido el MARGEN y el MUCH en la tabla FUZZY_APPROX_MUCH. Estos son necesarios para usar los comparadores MGT, MLT, NMGT y NMLT.
ponden en la tabla FUZZY APPROX MUCH. Esos valores son imprescindibles para utilizar valores aproximados (del tipo #n) y para utilizar los comparadores difusos MGT, MLT, NMGT y NMLT. Consejos: Insertar ambos valores en dicha tabla de la FMB, para poder utilizar todo tipo de sentencias.
ERROR en FIRST en posicion <XX>: Columna difusa <scheme.table.column> no existe en FUZZY_COL_LIST, (OBJ#,COL#)=(<NNN>,<CCC>).');
Posibles causas: El atributo indicado no tiene de nidos los valores que les corres-
Posibles causas: A la columna indicada se le esta dando un tratamiendo difuso pero no ha sido declarada como de un Tipo difuso en la tabla FUZZY COL LIST. Consejos: Insertar una la en la tabla FUZZY COL LIST declarando el Tipo difuso de esta columna (1, 2 o 3). En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en la tabla.
ERROR en FIRST en posicion <XX>: Etiqueta <label> definida en FUZZY_OBJECT_LIST para el atributo Tipo 1 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>), y no definida en FUZZY_LABEL_DEF.
Posibles causas: La etiqueta especi cada en la consulta esta de nida como objeto en la tabla FUZZY OBJECT LIST, pero no existe su de nicion en FUZZY LABEL DEF. Consejos: Insertar una la en la tabla FUZZY LABEL DEF con la de nicion de dicha etiqueta lingu stica tapezoidal, indicando sus valores para ; ; y . En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en la tabla. Al ser la columna difusa de Tipo 1, la de nicion de esta etiqueta debe ir en la tabla indicada.

ERROR en FIRST en posicion <XX>: Etiqueta <label> definida en FUZZY_OBJECT_LIST para el atributo Tipo 2 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>), y no definida en FUZZY_LABEL_DEF.
301
la tabla FUZZY OBJECT LIST, pero no existe su de nicion en FUZZY LABEL DEF. Consejos: Insertar una la en la tabla FUZZY LABEL DEF con la de nicion de dicha etiqueta lingu stica tapezoidal, indicando sus valores para ; ; y . En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en la tabla. Al ser la columna difusa de Tipo 2, la de nicion de esta etiqueta debe ir en la tabla indicada.
ERROR SEMANTICO: Tabla, vista o alias mal situado (<scheme.table>).
Posibles causas: La etiqueta especi cada en la consulta esta de nida como objeto en
Posibles causas: Se ha encontrado un identi cador de tabla, vista o alias mal situado. Consejos: Posiblemente no exista dicha tabla, vista o alias.
ERROR SEMANTICO en posicion <XX>: Tabla o vista <scheme.table.column> no consta en la clausula FROM.
Posibles causas: La tabla/vista especi cada es usada en la sentencia pero no aparece
en la clausula FROM. Consejos: Si deseamos utilizar dicha tabla/vista es necesario nombrarla despues de la palabra reservada FROM (separada por comas de otras tablas/vistas empleadas).
ERROR SEMANTICO en posicion <XX>: Nombre de columna <scheme.table.column> no valido.
Posibles causas: Se esta utilizando una columna que no existe ni como crisp ni como
difusa.
Consejos: Revise que dicha columna esta bien escrita y existe en la tabla/vista deseada.
302
ERROR SEMANTICO en posicion <XX>: Columna difusa <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>), no tiene el margen establecido para poder usar valores aproximados #n: Introducir uno en la tabla FUZZY_APPROX_MUCH.
Posibles causas: El atributo indicado no tiene de nidos los valores que les corresponden en la tabla FUZZY APPROX MUCH. Esos valores son imprescindibles para utilizar valores aproximados (del tipo #n) y para utilizar los comparadores difusos MGT, MLT, NMGT y NMLT. Consejos: Insertar ambos valores en dicha tabla, para poder utilizar todo tipo de sentencias.
ERROR SEMANTICO en posicion <XX>: Columna difusa <scheme.table.column> es Tipo 3 y no se puede comparar con un valor aproximado #n.
Posibles causas: Se esta comparando el atributo difuso Tipo 3 indicado con un valor difuso aproximado (distribucion de posibilidad triangular, Figura 5.4). Consejos: Los atributos difusos Tipo 3 solo pueden ser comparados con otros atributos difusos Tipo 3 que sean compatibles con el y con las etiquetas lingu sticas que tenga de nidas.
ERROR SEMANTICO en posicion <XX>: Columna difusa <scheme.table.column> es Tipo 3 y no se puede comparar con un intervalo n,m].
Posibles causas: Se esta comparando el atributo difuso Tipo 3 indicado con un valor intervalo (Figura 5.5). Consejos: Los atributos difusos Tipo 3 solo pueden ser comparados con otros atributos difusos Tipo 3 que sean compatibles con el y con las etiquetas lingu sticas que tenga de nidas.
ERROR SEMANTICO en posicion <XX>: Columna difusa <scheme.table.column> es Tipo 3 y no se puede comparar con un trapecio $ a,b,c,d].
distribucion de posibilidad trapezoidal (Figura 5.2). Consejos: Los atributos difusos Tipo 3 solo pueden ser comparados con otros atributos difusos Tipo 3 que sean compatibles con el y con las etiquetas lingu sticas que tenga de nidas.
Posibles causas: Se esta comparando el atributo difuso Tipo 3 indicado con una

ERROR SEMANTICO en posicion <XX>: Trapecio posibil stico mal definido: $ a,b,c,d] tal que a<=b<=c<=d. Valores actuales: $ ALFA,BETA,GAMMA,DELTA].
303
Posibles causas: Se esta usando un trapecio posibil stico mal de nido. Consejos: Cambiar los valores actuales del trapecio para que cumplan la condicion
indicada en el mensaje. En el texto del mensaje se muestran los valores incorrectos que se han usado.
ERROR SEMANTICO en posicion <XX>: Trapecio posibil stico de la etiqueta mal definido: $ a,b,c,d] tal que a<=b<=c<=d. Actualmente definida como $ ALFA,BETA,GAMMA,DELTA].
mal de nido. Este error no debe ocurrir, ya que la tabla FUZZY LABEL DEF tiene de nida una restriccion que imposibilita este tipo de errores (restriccion llamada MUST BE ORDERED). No obstante, el Servidor FSQL se asegura de que esto no ocurra. Consejos: Cambiar los valores actuales del trapecio para que cumplan la condicion indicada en el mensaje. Estos valores deben ser cambiados en FUZZY LABEL DEF.
ERROR SEMANTICO en posicion <XX>: No esta definida la etiqueta <label> para la columna difusa Tipo 1 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>): Definirla en FUZZY_OBJECT_LIST y FUZZY_LABEL_DEF.
Posibles causas: Se esta usando una etiqueta que tiene asociado trapecio posibil stico
Posibles causas: Se esta empleando una etiqueta no de nida para el atributo difuso
Tipo 1 indicado. Consejos: Probablemente haya que cambiar el nombre del atributo donde se usa la etiqueta que genero el error. El error se produce si la etiqueta no esta de nida en la tabla FUZZY OBJECT LIST por lo que puede de nirse all , y tambien en FUZZY LABEL DEF si no lo esta. En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en estas tablas.
ERROR SEMANTICO en posicion <XX>: No esta definida la etiqueta <label> para la columna difusa Tipo 2 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>): Definirla en FUZZY_OBJECT_LIST y FUZZY_LABEL_DEF.
Tipo 2 indicado. Consejos: Probablemente haya que cambiar el nombre del atributo donde se usa la etiqueta que genero el error. El error se produce si la etiqueta no esta de nida en la tabla FUZZY OBJECT LIST por lo que puede de nirse all , y tambien en FUZZY LABEL DEF si no lo esta. En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en estas tablas.
Posibles causas: Se esta empleando una etiqueta no de nida para el atributo difuso
304
ERROR SEMANTICO en posicion <XX>: No esta definida la etiqueta <label> para la columna difusa Tipo 3 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>), compatible con (<NNN2>,<CCC2>)]: Definirla en FUZZY_OBJECT_LIST y en FUZZY_NEARNESS_DEF.
Posibles causas: Se esta empleando una etiqueta no de nida para el atributo difuso Tipo 3 indicado ni para el atributo al cual es compatible (si lo es a alguno). Consejos: Probablemente haya que cambiar el nombre del atributo donde se usa la etiqueta que genero el error. El error se produce si la etiqueta no esta de nida en la tabla FUZZY OBJECT LIST por lo que puede de nirse all , y tambien tiene que de nirse la relacion de similitud en FUZZY NEARNESS DEF si no lo esta. En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en estas tablas. Si el atributo es compatible con otro atributo difuso Tipo 3 aparecera en el mensaje el numero de objeto y columna tambien de este otro.
ERROR SEMANTICO en posicion <XX>: La etiqueta <label> esta definida multiples veces en FUZZY_OBJECT_LIST para la columna difusa Tipo 1 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>).
Posibles causas: El nombre de la etiqueta ha sido incluido en FUZZY OBJECT LIST

varias veces para el mismo atributo.
Consejos: Probablemente haya que cambiar el nombre del atributo donde se usa la
etiqueta que genero el error. Tambien puede borrarse la la de la etiqueta duplicada en FUZZY OBJECT LIST o cambiar el nombre de la etiqueta duplicada en esta tabla. Por supuesto, todas las etiquetas deben estar de nidas tambien en FUZZY LABEL DEF. En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en estas tablas.
ERROR SEMANTICO en posicion <XX>: La etiqueta <label> esta definida multiples veces en FUZZY_OBJECT_LIST para la columna difusa Tipo 2 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>).

varias veces para el mismo atributo.
Consejos: Probablemente haya que cambiar el nombre del atributo donde se usa la
etiqueta que genero el error. Tambien puede borrarse la la de la etiqueta duplicada en FUZZY OBJECT LIST o cambiar el nombre de la etiqueta duplicada en esta tabla. Por supuesto, todas las etiquetas deben estar de nidas tambien en FUZZY LABEL DEF. En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en estas tablas.

ERROR SEMANTICO en posicion <XX>: La etiqueta <label> esta definida multiples veces en FUZZY_OBJECT_LIST para la columna difusa Tipo 3 <scheme.table.column>, (OBJ#,COL#)=(<NNN>,<CCC>), compatible con (<NNN2>,<CCC2>)].
305
varias veces para el mismo atributo. Consejos: Probablemente haya que cambiar el nombre del atributo donde se usa la etiqueta que genero el error. Tambien puede borrarse la la de la etiqueta duplicada en FUZZY OBJECT LIST o cambiar el nombre de la etiqueta duplicada en esta tabla. Por supuesto, todas las etiquetas deben tener de nida su relacion de similitud en FUZZY NEARNESS DEF. En el texto del error se indica el numero de objeto y columna para facilitar la insercion de los datos en estas tablas. Si el atributo es compatible con otro atributo difuso Tipo 3 aparecera en el mensaje el numero de objeto y columna tambien de este otro.
ERROR SEMANTICO en posicion <XX>: No esta definido el comparador difuso <comparador_difuso> sobre atributos Tipo 3 (<scheme.table.column>): Usar FEQ o IS
NOT].
Posibles causas: Hemos utilizado un comparador difuso no valido sobre un atributo
difuso Tipo 3. Consejos: Los atributos difusos Tipo 3, al carecer de relacion de orden solo pueden ser comparados con el comparador difuso FEQ o con la condicion con IS (apartado 5.2). El uso de cualquier otro comparador (FGT, FLT, FGEQ, FLEQ, MGT, MLT, NFEQ, NFGT, NFLT, NFGEQ, NFLEQ, NMGT, NMLT) generara este error.
ERROR SEMANTICO en posicion <XX>: No puede usarse el comparador difuso <comparador_difuso> para comparar un atributo (<scheme.table.column>) con la constante <cte_difusa>: Usar FEQ o IS NOT].
Posibles causas: Se esta usando un comparador difuso distinto de FEQ para comparar
el atributo indicado con una constante difusa. Esta constante esta entre las siguientes: UNKNOWN, UNDEFINED o NULL. Consejos: Con esas constantes solo puede usarse el comparador difuso FEQ o las condiciones con IS (apartado 5.2).
306
ERROR SEMANTICO en posicion <XX>: Columna <scheme.table.column> es Tipo 1, y no puede compararse con la constante difusa <cte_difusa>.
difusa del tipo de UNKNOWN, UNDEFINED o NULL. Consejos: Un atributo difuso Tipo 1 es tipo crisp, por lo que no puede compararse con este tipo de constantes con un comparador difuso. Puede usarse la condicion con IS para compararlo con la constante NULL, entendiendo esta en el sentido que le da el SGBD.
ERROR SEMANTICO en posicion <XX>: No se pueden comparar atributos Tipo 3 incompatibles (<scheme.table.column> y <scheme2.table2.column2>): Se debe indicar su compatibilidad en la tabla FUZZY_COMPATIBLE_COL.
Posibles causas: Estamos comparando una columna difusa Tipo 1 con una constante
Posibles causas: Se estan comparando (con FEQ) dos atributos difusos de Tipo 3 que no estan declarados como compatibles en la tabla FUZZY COMPATIBLE COL. Consejos: Cambiar los atributos difusos empleados o declararlos como compatibles en la tabla FUZZY COMPATIBLE COL (apartado 5.1.3.2).
ERROR SEMANTICO en posicion <XX>: No se pueden comparar atributos Tipo 1 (<scheme.table.column>) y Tipo 3 (<scheme2.table2.column2>).
Posibles causas: Se esta comparando un atributo difuso Tipo 1 con otro atributo
difuso Tipo 3 y ambos tipos son incompatibles. Consejos: Revisar y modi car la comparacion indicada.
ERROR SEMANTICO en posicion <XX>: Comparacion difusa <comparador_difuso> con columnas de distintos tipos (<scheme.table.column>) es Tipo <f_tipo> y <scheme2.table2.column2> es Tipo <f_tipo2>).
Posibles causas: Se estan comparando dos atributos difusos de Tipos incompatibles. Uno es Tipo 3 y el otro es Tipo 1 o 2. Consejos: Revisar y modi car la comparacion indicada.

ERROR SEMANTICO en posicion <XX>: No se puede comparar un atributo Tipo 3 (<scheme.table.column>) con una expresion crisp.
307
Posibles causas: Se esta intentando comparar un atributo difuso Tipo 3 con una expresion crisp, siendo estos tipos incompatibles.
difusos Tipo 3 que sean compatibles con el y con las etiquetas lingu sticas que tenga de nidas.
ERROR SEMANTICO en posicion <XX>: Comparador difuso <comparador_difuso> debe tener una columna difusa justo a su izquierda (Tipo 1, 2 o 3). Formato: <fuzzy_column> <comparador_difuso> <expr>.
Consejos: Los atributos difusos Tipo 3 solo pueden ser comparados con otros atributos
Posibles causas: En la actual version del Servidor FSQL, un comparador difuso debe Consejos: Si a la derecha del <comparador_difuso> hay un atributo difuso se debe
intercambiar el orden de la comparacion y el comparador difuso, si procede.
tener a su izquierda una columna o atributo difuso. A la derecha puede ponerse cualquier expresion. En proximas versiones se anulara este error para que pueda aparecer a la izquierda cualquier expresion.
ERROR SEMANTICO en posicion <XX>: Atributo Tipo 1 <scheme.table.column> no puede compararse mediante IS con la constante difusa <cte_difusa>.
Posibles causas: Un atributo difuso Tipo 1 no puede compararse mediante IS con

una constante difusa como UNKNOWN o UNDEFINED.
Consejos: Cambiar la comparacion. Un atributo difuso Tipo 1 puede compararse

mediante IS con la constante NULL, entendiendo esta en el sentido que le da el SGBD.
ERROR SEMANTICO en posicion <XX>: Atributo Tipo 1 <scheme.table.column> no puede compararse mediante IS NOT con la constante difusa <cte_difusa>.
con una constante difusa como UNKNOWN o UNDEFINED. mediante SGBD.

IS NOT
Posibles causas: Un atributo difuso Tipo 1 no puede compararse mediante IS

con la constante
NULL,
NOT
Consejos: Cambiar la comparacion. Un atributo difuso Tipo 1 puede compararse
entendiendo esta en el sentido que le da el
308
ERROR SEMANTICO en posicion <XX>: Comod n <scheme>.]<table>.]* no debe tener alias.
ellos) y se le ha puesto un alias. Un comod n no puede tener alias, ya que un comod n puede representar a varias columnas o atributos. Consejos: Eliminar el alias que hay tras el comod n.
ERROR SEMANTICO en posicion <XX>: Comod n <scheme>.]<table>.]% no debe tener alias.
Posibles causas: Se esta utilizando un comod n aster sco * (con esquema y tabla o sin
tabla o sin ellos) y se le ha puesto un alias. Un comod n no puede tener alias, ya que un comod n puede representar a varias columnas o atributos. Consejos: Eliminar el alias que hay tras el comod n. El signi cado de este tipo de comod n en FSQL puede verse en el apartado 5.2.
ERROR SEMANTICO en posicion <XX>: No existe la tabla del comod n (<scheme.table>.*) en la clausula FROM correspondiente.
Posibles causas: Se esta utilizando un comod n tanto por ciento % (con esquema y
Posibles causas: Se esta utilizando un comod n aster sco * con esquema y tabla y
dicha tabla no aparece en la clausula FROM. Consejos: Si deseamos utilizar dicha tabla/vista es necesario nombrarla despues de la palabra reservada FROM (separada por comas de otras tablas/vistas empleadas).
ERROR SEMANTICO en posicion <XX>: No existe la tabla del comod n (<scheme.table>.%) en la clausula FROM correspondiente.
tabla y dicha tabla no aparece en la clausula FROM. Consejos: Si deseamos utilizar dicha tabla/vista es necesario nombrarla despues de la palabra reservada FROM (separada por comas de otras tablas/vistas empleadas). El signi cado de este tipo de comod n en FSQL puede verse en el apartado 5.2.
Posibles causas: Se esta utilizando un comod n tanto por ciento % con esquema y

ERROR SEMANTICO en posicion <XX>: En esta posicion no se admiten comodines como <scheme.table>.*.
309
Posibles causas: Se ha utilizado un comod n aster sco * en un lugar incorrecto como si fuera una columna. Recuerde que un comod n puede representar a varias columnas y solo deben usarse en la lista de seleccion entre las palabras reservadas SELECT y FROM. Consejos: Revise la sentencia y sustituya el comod n por una expresion valida.
ERROR SEMANTICO en posicion <XX>: En esta posicion no se admiten comodines como <scheme.table>.%.
Posibles causas: Se ha utilizado un comod n tanto por ciento % en un lugar incorrecto
como si fuera una columna. Recuerde que un comod n puede representar a varias columnas y solo deben usarse en la lista de seleccion entre las palabras reservadas SELECT y FROM. Consejos: Revise la sentencia y sustituya el comod n por una expresion valida. El signi cado de este tipo de comod n en FSQL puede verse en el apartado 5.2.
ERROR SEMANTICO en posicion <XX>: Tabla o vista <table> no existe.
Posibles causas: Se esta empleando una tabla o vista que no existe o no es accesible por el usuario. Consejos: Asegurese de que el nombre de la tabla esta bien escrito, de que dicha tabla existe y de que es accesible (tiene los permisos necesarios) por el usuario que esta ejecutando la sentencia.
ERROR SEMANTICO en posicion <XX>: Tabla o vista <table> ambigua (no completamente especificada).
Posibles causas: Existe un nombre de tabla/vista que resulta ambigua y no es posible

determinar la tabla/vista a la que se re ere. Consejos: Utilice los cuali cadores del tipo <scheme>.]<table>. para referirse a las tablas, principalmente si existen dos tablas con el mismo nombre y distinto esquema.
310
ERROR SEMANTICO en posicion <XX>: No se pueden poner dos negaciones (NOT) juntas. Use parentesis.
Posibles causas: No es posible que aparezca una negacion logica NOT justo antes de
otra.
Consejos: Elimine una negacion o utilice parentesis: NOT

ERROR SEMANTICO en posicion <XX>: Constante difusa <cte_difusa> esta mal situada.
(NOT ...).
Posibles causas: Se ha empleado una constante difusa como UNKNOWN o UNDEFINED en un lugar en el que no tiene sentido. Consejos: Revise el comando, teniendo en cuenta que en general dichas constantes aparecen justo despues comparadores difusos y sobre todo usando la condicion con IS (apartado 5.2).
ERROR SEMANTICO en posicion <XX>: CDEG (Compatibility Degree) solo es aplicable a atributos con tratamiento difuso (Tipos 1, 2 o 3).
Posibles causas: La funcion CDEG solo puede emplearse con un unico argumento que puede ser un atributo difuso (Tipos 1, 2 o 3) o un comod n asterisco *. Consejos: Utilice la funcion CDEG con un argumento correcto y en la lista de seleccion, entre las palabras reservadas SELECT y FROM. Vease apartado 5.2 para una explicacion de la utilidad de la funcion CDEG.
Apendice D
Funciones Utiles del Paquete

FSQL PKG
El paquete FSQL PKG incorpora varios subprogramas que pueden ser utilizados por el usuario o por el programa Cliente FSQL para diversas acciones. Las mas importantes para el uso del Servidor FSQL son las llamadas FSQL2SQL y FSQL FIN. Las demas pueden ser utiles para facilitar algunas tareas, principalmente al Cliente FSQL.
FUNCTION
FSQL2SQL (sentencia IN LONG) RETURN INTEGER;
Objetivo: Esta funcion es utilizada para convertir una sentencia en lenguaje FSQL a
una equivalente en lenguaje SQL. La sentencia SQL se formara concatenando los campos atributo de la vista FSQL QUERY ordenados por el campo indice (si no hay errores). Argumentos: sentencia es un texto con la sentencia en lenguaje FSQL que se desea traducir a SQL. Valor devuelto: Devuelve el numero de errores que han podido ser encontrados, incluyendo errores lexicos, sintacticos, semanticos y de inconsistencias en la FMB (Apendice C).
PROCEDURE FSQL_FIN;
temporales de las vistas FSQL QUERY y FSQL ERRORS. Se debe ejecutar cuando no se vayan a efectuar mas sentencias FSQL en la sesion actual. No es necesario usarlo en cada nueva sentencia FSQL.
Objetivo: Procedimiento para terminar una sesion usando FSQL, borrando los datos
311
312
FUNCTION
APENDICE D. FUNCIONES UTILES DEL PAQUETE FSQL PKG

FSQL_concat RETURN VARCHAR2;
Objetivo: Simpli car la formacion de la sentencia SQL resultante tras la llamada a la funcion FSQL2SQL. Valor devuelto: Devuelve una cadena de caracteres con la sentencia SQL generada por la funcion FSQL2SQL en la tabla FSQL QUERY. La sentencia SQL se formara concatenando los campos atributo de la vista FSQL QUERY ordenados por el campo indice. Esa funcion devuelve una cadena del tipo VARCHAR2 de Oracle, por lo que esta limitada a la longitud maxima que le asigna Oracle (32767 caracteres) y si supera esa longitud la funcion devuelve NULL.
FUNCTION FSQL_OBJ (sch IN VARCHAR2, tab IN VARCHAR2) RETURN ACCESSIBLE_TABLES.OBJ#%TYPE;
si dicho objeto existe en la base de datos. Esto puede ser util en el programa Cliente FSQL para determinadas acciones (como consultar las etiquetas de una columna...). Argumentos: tab es el nombre de la tabla/vista y sch es el esquema (propietario) de la misma. Valor devuelto: Numero de objeto asignado por el SGBD a la tabla/vista que se pasa por argumentos. Devuelve 0 (cero) si el objeto especi cado no existe en la base de datos.
FUNCTION FSQL_COL (sch IN VARCHAR2, tab IN VARCHAR2, col IN VARCHAR2) RETURN DBA_TAB_COLUMNS.COLUMN_ID%TYPE;
Objetivo: Averiguar el numero de OBJeto de la tabla/vista sch.tab en el SGBD y
sch.tab en el SGBD y si dicha columna existe en dicha tabla/vista. Esto puede ser util en el programa Cliente FSQL para determinadas acciones (como consultar las etiquetas de una columna...). Argumentos: col es el nombre de la columna o atributo de la tabla/vista tab cuyo esquema (propietario) es sch. Valor devuelto: Numero de identi cador asignado por el SGBD al atributo sch.tab.col. Este valor coincide con el numero de orden (empezando desde 1) de ese atributo dentro de la tabla. La funcion devuelve el valor 0 (cero) si la columna especi cada no existe.
Objetivo: Averiguar el numero de identi cador de la columna col de la tabla/vista

FUNCTION FSQL_FTYPE (OBJ_ID IN ACCESSIBLE_TABLES.OBJ#%TYPE, COL_ID IN DBA_TAB_COLUMNS.COLUMN_ID%TYPE) RETURN DBA_TAB_COLUMNS.COLUMN_ID%TYPE;
313
atributo difuso de la misma. Esto puede ser util en el programa Cliente FSQL para determinadas acciones. Argumentos: OBJ ID es el numero de objeto de la tabla/vista que contiene a la co columna o atributo cuyo numero de identi cador es COL ID. Valor devuelto: Devuelve Tipo de atributo difuso (1, 2 o 3) que tiene la columna indicada en los argumentos en la tabla FUZZY COL LIST. Si no aparece en dicha tabla (no es atributo difuso) devuelve 0 (cero).
PROCEDURE insertar_error (MsgError IN VARCHAR2);
Objetivo: Averiguar si una columna es o no difusa y en caso de serlo, el Tipo de
Objetivo: Inserta un error en la vista de errores FSQL ERRORS incrementando en una unidad el atributo indice. El atributo sessionid sera el numero de la sesion actual (USERENV('SESSIONID')). Este procedimiento es util por si el usuario desea insertar sus propios errores o los que genere Oracle, para hacer un tratamiento homogeneo de todos ellos. Argumentos: MsgError es el mensaje de error que se desea insertar en la vista de errores.
314
Apendice E
Ficheros Generados con este Trabajo

Este apendice pretende ser una gu a y un resumen de los discos y cheros que se han generado con este trabajo, de forma que resulte facil su localizacion para la instalacion o consulta de la parte en la que se este interesado.
E.1 Disco del Servidor FSQL

En este disco hay tres subdirectorios, que contienen distinta informacion:
Directorio ServFSQL : Ficheros relacionados con el Servidor FSQL (instalacion, desinstalacion, ejemplos...). La Tabla E.1 muestra los contenidos de los cheros de este directorio. En general, se usa el su jo ins para los cheros que sirven para instalar algo y el su jo des para los cheros que sirven para desinstalar algo. Directorio Gramat : Ficheros relacionados con las gramaticas del Servidor FSQL. La Tabla E.2 muestra los contenidos de los cheros de este directorio. Directorio Protesis : Ficheros con el proyecto de tesis de este trabajo.
E.2 Discos de FQ: El Cliente FSQL

Relativos al programa FQ se han generado los siguientes discos: de instalacion. En el ultimo disco se incluye el chero Leeme.TXT con informacion importante sobre FQ (requisitos, caracter sticas...). Este chero es copiado durante la instalacion en el directorio donde se instale FQ. Disco Fuente: Contiene el programa fuente de FQ. En este disco existe un directorio especial que contiene todas las imagenes que se han creado para FQ, como la imagen de su logotipo. 315
Discos de Instalacion: Son tres discos. En el primero esta el programa setup.exe
316
APENDICE E. FICHEROS GENERADOS CON ESTE TRABAJO
Asunto FIRST
Nombre Fichero Utilidad FIRSTins.sql Script de instalacion de FIRST (tablas, permisos...) FIRSTdes.sql Script de desinstalacion de FIRST Servidor FSQL SFSQLins.sql Script de instalacion del Servidor FSQL SFSQLdes.sql Script de desinstalacion del Servidor FSQL Ayuda Files.txt Ayuda sobre FIRST y el Servidor FSQL: Procedimiento de instalacion, desinstalacion... Paquetes del FSQL PKG.sql Paquete FSQL PKG: Servidor FSQL y funciones utiles Servidor FSQL para el Cliente FSQL: Ver Apendice D FSQL SEM.sql Paquete FSQL SEMANTIC: Analizador semantico y conversor del Servidor FSQL AUX.sql Paquete FSQL AUX: Funciones Auxiliares usadas por los demas paquetes FSQL F.sql Paquete FSQL FUNCTIONS: Funciones de comparacion difusa FSQL F2.sql Paquete FSQL FUNCTIONS2: Funciones de comparacion difusa Bd Ejemplo FDBins.sql Script de instalacion de un ejemplo de Base de Datos Difusa: Ver apartado 5.2.2.2 FDBdes.sql Script de desinstalacion del ejemplo anterior Basketin.sql Script de instalacion de una BDRD sobre Baloncesto Basketi2.sql Script con otros valores para la tabla PLAYERS de la BDRD de Baloncesto Baskedes.sql Script de desinstalacion de la BDRD sobre Baloncesto Pruebas Call.sql Bloque PL/SQL que llama a FSQL2SQL con una consulta difusa. Es un bloque para prueba y depuracion, poco util para efectuar consultas FSQL. Contiene ejemplos de consultas FSQL. Tabla E.1: Ficheros del directorio ServFSQL del disco del Servidor FSQL.
E.2. DISCOS DE FQ: EL CLIENTE FSQL
317
Nombre Fichero Contenido consulta.y Gramatica en formato Yacc, utilizada por el Servidor FSQL para consultas difusas. consulta.ag Gramatica en formato ag, utilizada por el Servidor FSQL para consultas difusas. El programa ag (Analizador de Gramaticas) permite analizar gramaticas en este formato. consulta.ini Iniciales y Seguidores de los s mbolos No terminales de la Gramatica utilizada por el Servidor FSQL para consultas difusas. insert.y Gramatica en formato Yacc, que expresa la sintaxis de la sentencia INSERT de FSQL. delete.y Gramatica en formato Yacc, que expresa la sintaxis de la sentencia DELETE de FSQL. update.y Gramatica en formato Yacc, que expresa la sintaxis de la sentencia UPDATE de FSQL. DDL.y Gramatica en formato Yacc, que expresa la sintaxis de las sentencias del DDL de FSQL. Tabla E.2: Ficheros del directorio Gramat del disco del Servidor FSQL.
318
APENDICE E. FICHEROS GENERADOS CON ESTE TRABAJO
Apendice F
Ejemplos de Sentencias FSQL Traducidas a SQL

En este apendice ilustramos el mecanismo de traduccion de FSQL a SQL mediante la introduccion de algunos ejemplos concretos tanto de DML como de DDL.
F.1 DML: Consultas FSQL Traducidas por el Servidor FSQL

A continuacion exponemos los resultados de traducir a SQL algunas sentencias FSQL usando el Servidor FSQL. Para los ejemplos nos basaremos en las BDRD de ejemplos incluidas en los cheros FDBins.sql (apartado 5.2.2.2) y Basketin.sql (ver Apendice E). De esta ultima BDRD se mostraran traducidas algunas consultas del apartado 5.2.1.10. Observe que las sentencias de consulta en FSQL con traducidas a una unica sentencia de consulta en SQL, cosa que no ocurre con las sentencias del DDL que, como veremos, su traduccion puede constar de varias sentencias SQL. Pueden verse mas ejemplos utilizando el programa FQ (Apendice G) en su opcion para visualizar la sentencia SQL generada por el Servidor FSQL.
Ejemplo F.1 Sea la siguiente consulta:

SELECT % FROM Ciudades WHERE Distancia FEQ $Larga .25;
entonces, su traduccion a SQL quedar a como:

SELECT CIUDADES.*, FSQL_FUNCTIONS.FEQ_crisp_trape(DISTANCIA,150,50,-150,600) "CDEG(DISTANCIA)" FROM CIUDADES WHERE FSQL_FUNCTIONS.FEQ_crisp_trape(DISTANCIA,150,50,-150,600) >=.25;
donde el atributo Distancia es difuso Tipo 1 y $Larga es una etiqueta trapezoidal de nida sobre el como $ 150,200,450,600]. Por tanto, se conseguir a la misma traduccion si se sustituye la etiqueta por este valor trapezoidal. t u 319
320
APENDICE F. EJEMPLOS DE SENTENCIAS FSQL TRADUCIDAS A SQL

SELECT * FROM Ciudades WHERE Distancia FEQ 150,200] .25;

SELECT CIUDADES.* FROM CIUDADES WHERE FSQL_FUNCTIONS.FEQ_crisp_finter(DISTANCIA, 150,200 ,25) >=.25;
donde el intervalo es tratado como un trapecio usando el margen del atributo (25 en este caso), tal y como se explico en el apartado 5.2.1.9. t u
Ejemplo F.3 Sea la siguiente consulta, donde se utiliza la funcion de agregacion SUM y en la
condicion se introducen expresiones aritmeticas. Estas expresiones hacen que el umbral (200) no este en el intervalo 0,1] como es habitual, para que la consulta tenga sentido:
SELECT SUM(Distancia) FROM Ciudades WHERE Distancia/2 + Distancia MGT #400 200;

SELECT SUM(DISTANCIA) FROM CIUDADES WHERE DISTANCIA/2 + FSQL_FUNCTIONS2.MGT_crisp_aprox(DISTANCIA,400,375,425,25,25,100) >=200;
donde el margen para valores aproximados en el atributo Distancia es 25 y la distancia para considerar valores como \Muy" separados es 100. t u

SELECT FROM WHERE AND Emp#,Sueldo,CDEG(Sueldo),Comision,CDEG(Comision) Empleos Sueldo NFGEQ #135000 THOLD .5 Comision NFEQ $Alta THOLD .5;

SELECT EMP#, SUELDO, FSQL_FUNCTIONS.FGEQ_crisp_aprox(SUELDO,135000,125000,145000,10000) "CDEG(SUELDO)", FSQL_FUNCTIONS.FSHOW2(3157,5, COMISIONT,COMISION1,COMISION2,COMISION3,COMISION4) COMISION, FSQL_FUNCTIONS.NFEQ_trape(20000,12000,-10000,60000,3157,5, COMISIONT,COMISION1,COMISION2,COMISION3,COMISION4) "CDEG(COMISION)" FROM EMPLEOS WHERE FSQL_FUNCTIONS.FGEQ_crisp_aprox(SUELDO,135000,125000,145000,10000) >= .5 AND FSQL_FUNCTIONS.NFEQ_trape(20000,12000,-10000,60000,3157,5, COMISIONT,COMISION1,COMISION2,COMISION3,COMISION4) >= .5;
F.1. DML: CONSULTAS FSQL TRADUCIDAS POR EL SERVIDOR FSQL
321
donde Sueldo y Comision son atributos difusos Tipo 1 y 2 respectivamente. Como Sueldo es un valor crisp es lo mismo usar el comparador de Necesidad que el de Posibilidad, por lo que el Servidor FSQL solo tiene implementado el de Posibilidad. t u

SELECT FROM WHERE AND Emp# Empleos Sueldo >= 135000 Comision FEQ $Alta THOLD .5

SELECT FROM WHERE AND EMP# EMPLEOS SUELDO >= 135000 FSQL_FUNCTIONS.FEQ_trape(20000,12000,-10000,60000,3157,5, COMISIONT,COMISION1,COMISION2,COMISION3,COMISION4) >= .5;
t u
Ejemplo F.6 Sea la siguiente consulta del Ejemplo 5.14, donde Altura y Calidad son atributos difusos Tipo 2:
SELECT FROM WHERE AND Jugadores.%, CDEG(*) Jugadores Altura FEQ $Alto THOLD 0.5 Calidad FLT $Bueno THOLD 0.25;

SELECT JUGADORES.JUGADOR, JUGADORES.EQUIPO, FSQL_FUNCTIONS.FSHOW2(2343,3,JUGADORES.ALTURAT,JUGADORES.ALTURA1, JUGADORES.ALTURA2,JUGADORES.ALTURA3,JUGADORES.ALTURA4) ALTURA, FSQL_FUNCTIONS.FSHOW2(2343,8,JUGADORES.CALIDADT,JUGADORES.CALIDAD1, JUGADORES.CALIDAD2,JUGADORES.CALIDAD3,JUGADORES.CALIDAD4) CALIDAD, FSQL_FUNCTIONS.FEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) "CDEG(ALTURA)", FSQL_FUNCTIONS.FLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) "CDEG(CALIDAD)", LEAST(FSQL_FUNCTIONS.FEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4), FSQL_FUNCTIONS.FLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4)) "CDEG(*)" FROM JUGADORES WHERE FSQL_FUNCTIONS.FEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) >= 0.5 AND FSQL_FUNCTIONS.FLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) >= 0.25;
donde (2343,3) es el codigo de objeto y columna para el atributo Altura y (2343,8) lo es para el atributo Calidad. t u
322
Ejemplo F.7 Sea la siguiente consulta del Ejemplo 5.15:

SELECT FROM WHERE AND Jugadores.%, CDEG(*) Jugadores Altura NFEQ $Alto THOLD 0.5 Calidad NFLT $Bueno THOLD 0.25;

SELECT JUGADORES.JUGADOR,JUGADORES.EQUIPO, FSQL_FUNCTIONS.FSHOW2(2343,3,JUGADORES.ALTURAT,JUGADORES.ALTURA1, JUGADORES.ALTURA2,JUGADORES.ALTURA3,JUGADORES.ALTURA4) ALTURA, FSQL_FUNCTIONS.FSHOW2(2343,8,JUGADORES.CALIDADT,JUGADORES.CALIDAD1, JUGADORES.CALIDAD2,JUGADORES.CALIDAD3,JUGADORES.CALIDAD4) CALIDAD, FSQL_FUNCTIONS.NFEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) "CDEG(ALTURA)", FSQL_FUNCTIONS.NFLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) "CDEG(CALIDAD)", LEAST(FSQL_FUNCTIONS.NFEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4), FSQL_FUNCTIONS.NFLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4)) "CDEG(*)" FROM JUGADORES WHERE FSQL_FUNCTIONS.NFEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) >= 0.5 AND FSQL_FUNCTIONS.NFLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) >= 0.25;
t u

SELECT FROM WHERE OR Jugadores.%, CDEG(*) Jugadores Calidad NFEQ $Malo > 0 ( Calidad NFLEQ $Bueno > 0 AND Altura NFGEQ $Alto > 0 );

SELECT JUGADORES.JUGADOR,JUGADORES.EQUIPO, FSQL_FUNCTIONS.FSHOW2(2343,3,JUGADORES.ALTURAT,JUGADORES.ALTURA1, JUGADORES.ALTURA2,JUGADORES.ALTURA3,JUGADORES.ALTURA4) ALTURA, FSQL_FUNCTIONS.FSHOW2(2343,8,JUGADORES.CALIDADT,JUGADORES.CALIDAD1, JUGADORES.CALIDAD2,JUGADORES.CALIDAD3,JUGADORES.CALIDAD4) CALIDAD, FSQL_FUNCTIONS.NFGEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) "CDEG(ALTURA)", GREATEST(FSQL_FUNCTIONS.NFEQ_trape(0,0,-5,10,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4), FSQL_FUNCTIONS.NFLEQ_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) "CDEG(CALIDAD)", GREATEST(FSQL_FUNCTIONS.NFEQ_trape(0,0,-5,10,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4), LEAST(FSQL_FUNCTIONS.NFLEQ_trape(10,10,-15,45,2343,8,
F.1. DML: CONSULTAS FSQL TRADUCIDAS POR EL SERVIDOR FSQL

CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4), FSQL_FUNCTIONS.NFGEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4))) "CDEG(*)" FROM WHERE OR JUGADORES FSQL_FUNCTIONS.NFEQ_trape(0,0,-5,10,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) > 0 ( FSQL_FUNCTIONS.NFLEQ_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) > 0 AND FSQL_FUNCTIONS.NFGEQ_trape(185,10,-10,210,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) > 0);
323
t u

SELECT FROM WHERE AND AND AND Jugadores.%, CDEG(*) Jugadores Calidad MLT $Bueno 0.2 Altura MGT $Normal 0.2 Calidad IS NOT Unknown Altura IS NOT Unknown;

SELECT JUGADORES.JUGADOR,JUGADORES.EQUIPO, FSQL_FUNCTIONS.FSHOW2(2343,3,JUGADORES.ALTURAT,JUGADORES.ALTURA1, JUGADORES.ALTURA2,JUGADORES.ALTURA3,JUGADORES.ALTURA4) ALTURA, FSQL_FUNCTIONS.FSHOW2(2343,8,JUGADORES.CALIDADT,JUGADORES.CALIDAD1, JUGADORES.CALIDAD2,JUGADORES.CALIDAD3,JUGADORES.CALIDAD4) CALIDAD, FSQL_FUNCTIONS2.MGT_trape(175,5,-10,195,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4,6,12) "CDEG(ALTURA)", FSQL_FUNCTIONS2.MLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4,10,15) "CDEG(CALIDAD)", LEAST(FSQL_FUNCTIONS2.MLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4,10,15), FSQL_FUNCTIONS2.MGT_trape(175,5,-10,195,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4,6,12)) "CDEG(*)" FROM JUGADORES WHERE FSQL_FUNCTIONS2.MLT_trape(10,10,-15,45,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4,10,15) >=0.2 AND FSQL_FUNCTIONS2.MGT_trape(175,5,-10,195,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4,6,12) >=0.2 AND CALIDADT <> 0 AND ALTURAT <> 0;
t u

SELECT DISTINCT Equipo FROM Jugadores P1 WHERE EXISTS (SELECT * FROM Jugadores P2 WHERE P1.Equipo = P2.Equipo AND Altura FEQ $Muy_Alto .5 AND Calidad FEQ $Muy_Bueno .5)
324
AND

EXISTS (SELECT * FROM Jugadores P2 WHERE P1.Equipo = P2.Equipo AND Altura FEQ $Bajo .5 AND Calidad FEQ $Malo .5);

SELECT DISTINCT EQUIPO FROM JUGADORES P1 WHERE EXISTS (SELECT P2.JUGADOR,P2.EQUIPO, FSQL_FUNCTIONS.FSHOW2(2343,3,P2.ALTURAT,P2.ALTURA1, P2.ALTURA2,P2.ALTURA3,P2.ALTURA4) ALTURA, FSQL_FUNCTIONS.FSHOW2(2343,8,P2.CALIDADT,P2.CALIDAD1, P2.CALIDAD2,P2.CALIDAD3,P2.CALIDAD4) CALIDAD FROM JUGADORES P2 WHERE P1.EQUIPO=P2.EQUIPO AND FSQL_FUNCTIONS.FEQ_trape(200,10,0,1000,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) >=.5 AND FSQL_FUNCTIONS.FEQ_trape(30,5,0,1000,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) >=.5) AND EXISTS (SELECT P2.JUGADOR,P2.EQUIPO, FSQL_FUNCTIONS.FSHOW2(2343,3,P2.ALTURAT,P2.ALTURA1, P2.ALTURA2,P2.ALTURA3,P2.ALTURA4) ALTURA, FSQL_FUNCTIONS.FSHOW2(2343,8,P2.CALIDADT,P2.CALIDAD1, P2.CALIDAD2,P2.CALIDAD3,P2.CALIDAD4) CALIDAD FROM JUGADORES P2 WHERE P1.EQUIPO=P2.EQUIPO AND FSQL_FUNCTIONS.FEQ_trape(0,0,-5,180,2343,3, ALTURAT,ALTURA1,ALTURA2,ALTURA3,ALTURA4) >=.5 AND FSQL_FUNCTIONS.FEQ_trape(0,0,-5,10,2343,8, CALIDADT,CALIDAD1,CALIDAD2,CALIDAD3,CALIDAD4) >=.5);
t u

SELECT A.%, P.* FROM Aptitud A,Puestos WHERE A.Experiencia MLT AND A.Prof FEQ AND A.Estudios FEQ ORDER BY A.Experiencia; P P.Experiencia .1 P.Prof .1 P.Estudios .1

SELECT A.EMP#, FSQL_FUNCTIONS.FSHOW3_LEN1(3151,2,A.ESTUDIOST,A.ESTUDIOSP1,A.ESTUDIOS1) ESTUDIOS, FSQL_FUNCTIONS.FSHOW3_LEN1(3151,5,A.PROFT,A.PROFP1,A.PROF1) PROF, FSQL_FUNCTIONS.FSHOW2(3151,8,A.EXPERIENCIAT,A.EXPERIENCIA1, A.EXPERIENCIA2,A.EXPERIENCIA3,A.EXPERIENCIA4) EXPERIENCIA, FSQL_FUNCTIONS.FEQ3(3151,2,1,4,A.ESTUDIOST,A.ESTUDIOSP1,A.ESTUDIOS1, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,P.ESTUDIOST,P.ESTUDIOSP1,P.ESTUDIOS1,
F.2. DDL: SENTENCIAS CREATE, ALTER Y DROP DE FSQL TRADUCIDAS A SQL
325
FROM WHERE
AND
AND
ORDER
P.ESTUDIOSP2,P.ESTUDIOS2,P.ESTUDIOSP3,P.ESTUDIOS3,P.ESTUDIOSP4,P.ESTUDIOS4, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL) "CDEG(ESTUDIOS)", FSQL_FUNCTIONS.FEQ3(3151,5,1,1,A.PROFT,A.PROFP1,A.PROF1,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL, NULL,NULL,P.PROFT,P.PROFP1,P.PROF1,NULL,NULL,NULL,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL) "CDEG(PROF)", FSQL_FUNCTIONS2.MLT(3151,8,A.EXPERIENCIAT,A.EXPERIENCIA1,A.EXPERIENCIA2, A.EXPERIENCIA3,A.EXPERIENCIA4,3155,9,P.EXPERIENCIAT,P.EXPERIENCIA1, P.EXPERIENCIA2,P.EXPERIENCIA3,P.EXPERIENCIA4,2,5) "CDEG(EXPERIENCIA)", P.PUESTO#, P.NOMBRE, FSQL_FUNCTIONS.FSHOW3(3151,2,4,P.ESTUDIOST,P.ESTUDIOSP1,P.ESTUDIOS1,P.ESTUDIOSP2, P.ESTUDIOS2,P.ESTUDIOSP3,P.ESTUDIOS3,P.ESTUDIOSP4,P.ESTUDIOS4,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL) ESTUDIOS, FSQL_FUNCTIONS.FSHOW3_LEN1(3151,5,P.PROFT,P.PROFP1,P.PROF1) PROF, FSQL_FUNCTIONS.FSHOW2(3155,9,P.EXPERIENCIAT,P.EXPERIENCIA1, P.EXPERIENCIA2,P.EXPERIENCIA3,P.EXPERIENCIA4) EXPERIENCIA, APTITUD A,PUESTOS P FSQL_FUNCTIONS2.MLT(3151,8,A.EXPERIENCIAT,A.EXPERIENCIA1,A.EXPERIENCIA2, A.EXPERIENCIA3,A.EXPERIENCIA4,3155,9,P.EXPERIENCIAT,P.EXPERIENCIA1, P.EXPERIENCIA2,P.EXPERIENCIA3,P.EXPERIENCIA4,2,5) >=.1 FSQL_FUNCTIONS.FEQ3(3151,5,1,1,A.PROFT,A.PROFP1,A.PROF1,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL, NULL,NULL,P.PROFT,P.PROFP1,P.PROF1,NULL,NULL,NULL,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL) >=.1 FSQL_FUNCTIONS.FEQ3(3151,2,1,4,A.ESTUDIOST,A.ESTUDIOSP1,A.ESTUDIOS1, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL, NULL,NULL,NULL,NULL,NULL,P.ESTUDIOST,P.ESTUDIOSP1,P.ESTUDIOS1, P.ESTUDIOSP2,P.ESTUDIOS2,P.ESTUDIOSP3,P.ESTUDIOS3,P.ESTUDIOSP4,P.ESTUDIOS4, NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL,NULL) >=.1 BY FSQL_FUNCTIONS.FSHOW2(3151,8,A.EXPERIENCIAT,A.EXPERIENCIA1, A.EXPERIENCIA2,A.EXPERIENCIA3,A.EXPERIENCIA4);
donde Experiencia es un atributo difuso Tipo 2 y su margen y su distancia para considerar valores como \Muy" separados son 2 y 5 respectivamente. Ademas, Estudios y Prof son atributos difusos Tipo 3. Observe que los atributos difusos Tipo 3 incluyen muchos argumentos, debido a que estos pueden ser distribuciones de posibilidad sobre escalares. En particular, el atributo Estudios de la tabla Puestos admite 4 elementos como maximo en sus distribuciones de posibilidad (valor del atributo LEN en FUZZY_COL_LIST). t u
F.2 DDL: Sentencias CREATE, ALTER y DROP de FSQL Traducidas a SQL

La traduccion de una sentencia DDL de FSQL a SQL, puede implicar la generacion de varias sentencias, aparte de la correspondiente veri cacion lexica, sintactica y semantica. Observe que, al crear una tabla, todas las columnas que componen un atributo difuso Tipo 2 o 3 guardan el orden establecido en las Tablas 5.1 (pagina 142) y 5.2 (pagina 144): Primero el tipo (terminado en T) y luego el resto de atributos (ordenados por su numero). Esto es importante, ya que el Servidor FSQL supone este orden y si para un atributo no se cumpliera, se producir an efectos inesperados al tratar este atributo.
326
A continuacion exponemos algunos ejemplos de estas traducciones. Para ello nos basaremos en algunos de los ejemplos del apartado 5.2.2. Los ejemplos del apartado 5.2.2.2 estan traducidos en el chero FDBins.sql (ver Apendice E), donde tambien se insertan algunos valores de ejemplo para las tablas que se crean. Supondremos que existen dos funciones, OBJ() y COL(), para calcular el numero identi cativo de una tabla y de una columna respectivamente1 . Estos numeros pueden averiguarse accediendo, respectivamente a las tablas USER OBJECTS y USER TAB COLUMNS:
SELECT object_id FROM USER_OBJECTS WHERE object_name='<nombre_tabla>'; SELECT column_id FROM USER_TAB_COLUMNS WHERE table_name='<nombre_tabla>' AND column_name='<nombre_columna>';
Si el atributo es difuso Tipo 2 o 3, al nombre de columna habra que concatenarle la letra 'T' (utilizando el operador de concatenar: ||'T').
Ejemplo F.12 La sentencia de creacion de una tabla difusa del Ejemplo 5.23 (pagina 192), tendr a la siguiente traduccion a SQL:
CREATE TABLE PISOS ( PISO# NUMBER(9) NOT NULL PRIMARY KEY, DUENNO# NUMBER(9) NOT NULL, DIRECCION VARCHAR2(60), SUPERFICIE NUMBER(4) CONSTRAINT NULL_INVALIDO_SUPERFICIE NOT NULL, PRECIOT NUMBER(1) DEFAULT 0 NOT NULL CHECK (PRECIOT BETWEEN 0 AND 7) CONSTRAINT NULL_INVALIDO_PRECIO CHECK (PRECIOT<>2) CONSTRAINT UNDEFINED_INVALIDO_PRECIO CHECK (PRECIOT<>1), PRECIO1 NUMBER(6), PRECIO2 NUMBER(6), PRECIO3 NUMBER(6), PRECIO4 NUMBER(6), ZONAT NUMBER(1) DEFAULT 0 NOT NULL CHECK (ZONAT BETWEEN 0 AND 4) CONSTRAINT NULL_INVALIDO_ZONA CHECK (ZONAT<>2) CONSTRAINT UNDEFINED_INVALIDO_ZONA CHECK (ZONAT<>1), ZONAP1 NUMBER(3,2), ZONA1 NUMBER(3), ZONAP2 NUMBER(3,2), ZONA2 NUMBER(3), ZONAP3 NUMBER(3,2), ZONA3 NUMBER(3)); -- Inserciones en FUZZY_COL_LIST INSERT INTO FCL VALUES (OBJ('PISOS'), COL('SUPERFICIE'), 1, NULL, USER||'.PISOS.SUPERFICIE'); INSERT INTO FCL VALUES (OBJ('PISOS'), COL('PRECIOT'), 2, NULL,
ser exactos la funcion COL() deber a tener dos argumentos (el nombre de la tabla y el nombre de la columna), pero para simpli car, en los ejemplos supondremos que solo tiene este ultimo.
1 Para

USER||'.PISOS.PRECIO'); INSERT INTO FCL VALUES (OBJ('PISOS'), COL('ZONAT'), 3, 3 USER||'.PISOS.ZONA'); -- Inserciones en FUZZY_APROX_MUCH INSERT INTO FAM VALUES (OBJ('PISOS'), COL('SUPERFICIE'), 15, 25); INSERT INTO FAM VALUES (OBJ('PISOS'), COL('PRECIOT'), 500, 3000);
327
Observe que al crear una tabla con atributos difusos no es necesario de nir objetos (etiquetas, relaciones de similitud...) sobre ellos. t u existe el atributo difuso sobre el que se va a de nir la etiqueta y que dicha etiqueta no esta ya de nida o avisar al usuario que sera rede nida para que este con rme o rechace la nueva de nicion. Si suponemos que existe el atributo difuso Tipo 2 PRECIO del ejemplo anterior y que no esta de nida la etiqueta BARATO, entonces, el Ejemplo 5.25 (pagina 194), tendr a la siguiente traduccion a SQL:
-- Inserciones en FUZZY_OBJECT_LIST INSERT INTO FOL VALUES (OBJ('PISOS'), COL('PRECIOT'), MAXID+1, 'BARATO', 0); -- Inserciones en FUZZY_LABEL_DEF INSERT INTO FLD VALUES (OBJ('PISOS'), COL('PRECIOT'), MAXID+1, 5000, 6000, 7000, 8000);
Ejemplo F.13 En una sentencia de creacion de una etiqueta hay que comprobar antes que
donde MAXID es el valor mas grande que exista en el campo FUZZY ID para el atributo en el que se esta insertando la nueva etiqueta. Si no existe ninguna etiqueta en ese atributo MAXID={1. t u asociadas hay que comprobar antes que existe el atributo difuso sobre el que se van a de nir las etiquetas y que estas y la relacion no estan ya de nidas, o avisar que seran borradas y creadas de nuevo. Si suponemos que estas condiciones se cumplen para el Ejemplo 5.26 (pagina 195), entonces, su traduccion a SQL ser a:
-- Eliminaciones e Inserciones en FUZZY_OBJECT_LIST DELETE FROM FOL WHERE OBJ#=OBJ('PISOS') AND COL#=COL('ZONAT'); INSERT INTO FOL VALUES (OBJ('PISOS'), COL('ZONAT'), 0, 'CENTRO', 1); INSERT INTO FOL VALUES (OBJ('PISOS'), COL('ZONAT'), 1, 'NORTE', 1); INSERT INTO FOL VALUES (OBJ('PISOS'), COL('ZONAT'), 2, 'SUR', 1); INSERT INTO FOL VALUES (OBJ('PISOS'), COL('ZONAT'), 3, 'ESTE', 1); INSERT INTO FOL VALUES (OBJ('PISOS'), COL('ZONAT'), 4, 'OESTE', 1); -- Eliminaciones e Inserciones en FUZZY_NEARNESS_DEF DELETE FROM FND WHERE OBJ#=OBJ('PISOS') AND COL#=COL('ZONAT'); INSERT INTO FND VALUES (OBJ('PISOS'), COL('ZONAT'), 0, 1, 0.8); INSERT INTO FND VALUES (OBJ('PISOS'), COL('ZONAT'), 0, 2, 0.8); INSERT INTO FND VALUES (OBJ('PISOS'), COL('ZONAT'), 0, 3, 0.8); INSERT INTO FND VALUES (OBJ('PISOS'), COL('ZONAT'), 0, 4, 0.8); INSERT INTO FND VALUES (OBJ('PISOS'), COL('ZONAT'), 1, 2, 0); INSERT INTO FND VALUES (OBJ('PISOS'), COL('ZONAT'), 1, 3, 0.5);
Ejemplo F.14 En una sentencia de creacion de una relacion de similitud y de sus etiquetas
328
INSERT INSERT INSERT INSERT

INTO INTO INTO INTO FND FND FND FND VALUES VALUES VALUES VALUES (OBJ('PISOS'), (OBJ('PISOS'), (OBJ('PISOS'), (OBJ('PISOS'), COL('ZONAT'), COL('ZONAT'), COL('ZONAT'), COL('ZONAT'), 1, 2, 2, 3, 4, 3, 4, 4, 0.5); 0.5); 0.5); 0);
t u
Ejemplo F.15 En el Ejemplo 5.27 (pagina 196) se modi ca un grado en una relacion de similitud. Tras comprobar que la sentencia es correcta semanticamente, su traduccion a SQL ser a:
UPDATE FND SET DEGREE=0.2 WHERE OBJ# = OBJ('PISOS') AND COL# = COL('ZONAT') AND FUZZY_ID1 = 1 AND FUZZY_ID2 = 2;
t u
Ejemplo F.16 Si, basandonos en los objetos creados anteriormente, ahora queremos crear otra tabla con las siguientes caracter sticas:
CREATE TABLE SOLARES ( SOLAR# NUMBER(9) NOT NULL PRIMARY KEY, DUENNO# NUMBER(9) NOT NULL, DIRECCION VARCHAR2(60), SUPERFICIE FTYPE1 (25,60) NUMBER(6) NOT NULL, PRECIO FTYPE2 (750,4000) NUMBER(7) DEFAULT UNKNOWN CONSTRAINT NULL_INVALIDO_SPRECIO NOT NULL CONSTRAINT UNDEFINED_INVALIDO_SPRECIO NOT UNDEFINED, ZONA FTYPE3 (4) DOMAIN PISOS.ZONA DEFAULT UNKNOWN CONSTRAINT SOLO_LABEL_OR_UNK ONLY LABEL OR UNKNOWN);
su traduccion a SQL ser a la siguiente:

CREATE TABLE SOLARES ( SOLAR# NUMBER(9) NOT NULL PRIMARY KEY, DUENNO# NUMBER(9) NOT NULL, DIRECCION VARCHAR2(60), SUPERFICIE NUMBER(6) NOT NULL, PRECIOT NUMBER(1) DEFAULT 0 NOT NULL CHECK (PRECIOT BETWEEN 0 AND 7) CONSTRAINT NULL_INVALIDO_SPRECIO CHECK (PRECIOT<>2) CONSTRAINT UNDEFINED_INVALIDO_SPRECIO CHECK (PRECIOT<>1), PRECIO1 NUMBER(7), PRECIO2 NUMBER(7), PRECIO3 NUMBER(7), PRECIO4 NUMBER(7), ZONAT NUMBER(1) DEFAULT 0 NOT NULL CONSTRAINT SOLO_LABEL_OR_UNK CHECK (ZONAT IN (0,3,4)), ZONAP1 NUMBER(3,2), ZONA1 NUMBER(3), ZONAP2 NUMBER(3,2), ZONA2 NUMBER(3),

ZONAP3 ZONA3 ZONAP4 ZONA4 NUMBER(3,2), NUMBER(3), NUMBER(3,2), NUMBER(3));
329
-- Inserciones en FUZZY_COL_LIST INSERT INTO FCL VALUES (OBJ('SOLARES'), COL('SUPERFICIE'), 1, NULL, USER||'.SOLARES.SUPERFICIE'); INSERT INTO FCL VALUES (OBJ('SOLARES'), COL('PRECIOT'), 2, NULL, USER||'.SOLARES.PRECIO'); INSERT INTO FCL VALUES (OBJ('PISOS'), COL('ZONAT'), 3, 4 USER||'.SOLARES.ZONA'); -- Inserciones en FUZZY_APROX_MUCH INSERT INTO FAM VALUES (OBJ('SOLARES'), COL('SUPERFICIE'), 25, 60); INSERT INTO FAM VALUES (OBJ('SOLARES'), COL('PRECIOT'), 750, 4000); -- Insercion en FUZZY_COMPATIBLE_COL (Clausula DOMAIN de FTYPE3) INSERT INTO FCC VALUES (OBJ('SOLARES'), COL('ZONAT'), OBJ('PISOS'), COL('ZONAT'));
La insercion en la tabla FCC hace que no haya que de nir de nuevo las zonas, siendo para esta tabla validas tambien las zonas de nidas para la tabla PISOS en el Ejemplo F.14. t u
Ejemplo F.17 Si queremos utilizar en el atributo PRECIO de la tabla SOLARES del ejemplo
anterior, las etiquetas creadas para el atributo del mismo nombre de la tabla PISOS, como la etiqueta creada en el Ejemplo F.13, entonces tendr amos que ejecutar la siguiente sentencia FSQL:
CREATE LABEL * ON SOLARES.PRECIO FROM PISOS.PRECIO;
cuya traduccion a SQL ser a:

-- Inserciones en FUZZY_OBJECT_LIST INSERT INTO FOL SELECT OBJ('SOLARES'), COL('PRECIOT'), 1 + MAXID + FUZZY_ID, FUZZY_NAME, FUZZY_TYPE FROM FOL WHERE OBJ# = OBJ('PISOS') AND COL# = COL('PRECIOT'); -- Inserciones en FUZZY_LABEL_DEF INSERT INTO FLD SELECT OBJ('SOLARES'), COL('PRECIOT'), 1 + MAXID + FUZZY_ID, ALFA, BETA, GAMMA, DELTA FROM FLD WHERE OBJ# = OBJ('PISOS') AND COL# = COL('PRECIOT');
donde MAXID es el valor mas grande que exista en el campo FUZZY ID para el atributo en el que se estan de niendo las etiquetas (SOLARES.PRECIO en este caso). Si no existe ninguna etiqueta en ese atributo MAXID={1.
330
Esto hace que no haya que insertar de nuevo todas las etiquetas, sino que el proceso es efectuado automaticamente. Esta sentencia no borra las etiquetas que haya insertadas anteriormente en el atributo de la tabla destino (SOLARES). Si el atributo destinatario ya tiene una etiqueta con igual nombre que otra de las que se desea insertar se generara un error indicando que no pueden insertarse dos etiquetas con el mismo nombre en un mismo atributo. Para evitar ese ultimo error, antes de efectuar la copia de etiquetas (con la sentencia CREATE LABEL *) pueden borrarse todas las etiquetas que tuviera asignadas anteriormente con la sentencia que se expone en el siguiente ejemplo. t u
Ejemplo F.18 Para borrar todas las etiquetas que tuviera de nidas el atributo PRECIO de la tabla SOLARES, se puede ejecutar la siguiente sentencia FSQL:
DROP LABEL * ON SOLARES.PRECIO;
que se traduce a SQL en:

-- Eliminaciones en FUZZY_OBJECT_LIST DELETE FROM FOL WHERE OBJ#=OBJ('PISOS') AND COL#=COL('PRECIOT'); -- Eliminaciones en FUZZY_LABEL_DEF DELETE FROM FLD WHERE OBJ#=OBJ('PISOS') AND COL#=COL('PRECIOT');
Si el atributo fuera difuso Tipo 3 dar a un error, ya que para borrar las etiquetas de un atributo difuso Tipo 3 existe la sentencia DROP NEARNESS, que borrar a, de similar forma, tuplas en FOL y en FND. t u
Apendice G
Manual de Usuario de FQ (Fuzzy Queries): Un Cliente FSQL

FQ version 1.2, es un sencillo, pero completo, Cliente FSQL pensado para efectuar consultas
difusas en lenguaje FSQL, aunque tambien puede usarse para efectuar consultas clasicas en SQL. El programa FQ fue presentado internacionalmente por primera vez en 75]. El lenguaje FSQL es una extension del lenguaje SQL, que permite expresar consultas difusas o exibles (con atributos difusos, condiciones difusas, umbrales de cumplimiento, grados de cumplimiento de cada tupla...). Para mas datos sobre el lenguaje FSQL ver apartado 5.2 y las referencias bibliogra cas 77, 78]. Las posibilidades de este lenguaje son inmensas, como lo demuestran los trabajos 8, 34], y la mayor a de ellas estan aun sin explorar. Las caracter sticas y requisitos principales de FQ son: FQ es un programa para Windows 95/98/NT. Por tanto, puede ser utilizado facilmente usando el raton. Sin embargo, FQ ha sido dise~ado para que pueda ser utilizado tambien n a traves del teclado, sin necesidad de raton. A traves del teclado podremos movernos facilmente por los menus desplegables y casi todas las opciones disponen de un metodo de acceso abreviado pulsando alguna combinacion de teclas, la cual aparece escrita a la derecha de cada opcion en su menu. La mayor a de los objetos que aparecen en las ventanas de FQ incorporan un sistema de ayuda rapida: Situando el puntero del raton sobre el objeto, aparece una l nea de texto que explica su utilidad o nalidad (los ToolTipText ). FQ es un programa de acceso a bases de datos Oracle, tanto crisp como difusas (utilizando el modelo GEFRED), por lo que requiere tener el SGBD Oracle instalado y accesible (de forma local o remota). FQ requiere tener instalados los Oracle Objects (objetos distribuidos gratuitamente por Oracle y explicados brevemente en el apartado 6.3). Los requisitos hardware para este programa son m nimos, por lo que estan supeditados a los requisitos de Oracle, si se pretende usar en modo local. Funciona en cualquier ordenador que soporte Windows y requiere unos 2 MB de espacio libre en disco duro. 331
332
APENDICE G. MANUAL DE USUARIO DE FQ (FUZZY QUERIES)
Figura G.1: Pantalla de presentacion de FQ. Para usar el lenguaje FSQL (SQL Difuso) requiere que tanto FIRST como el Servidor FSQL este instalado en el SGBD Oracle (ver apartado 5.4 sobre el Servidor FSQL y apartado 5.4.3 sobre su instalacion).
G.1 Instalacion de FQ
FQ es suministrado en 3 discos de instalacion. La instalacion de FQ es simple pues basta con ejecutar el programa de instalacion setup.exe que se encuentra en el primer disco. Durante la instalacion se crea un directorio de ejemplos dentro del directorio donde se instale FQ. En el directorio de ejemplos se incluyen unos cuantos cheros, con extension .fql, que contienen ejemplos de consultas en lenguaje FSQL. Tambien se incluye un chero de texto Leeme.TXT que contiene un resumen de este manual con las opciones disponibles y los requisitos necesarios para su uso.
G.2 Empezando con FQ

Al ejecutar FQ se visualiza una pantalla de portada (Figura G.1), antes de entrar en el programa en s . La ventana principal del programa (Figura G.2) estara siempre cargada, mientras no nos salgamos del programa y puede ser maximizada, minimizada y escalada a cualquier tama~o, n desde un tama~o m nimo. Esta ventana consta de las siguientes partes: n
Barra de menu: Es un menu de opciones desplegables. Todas las opciones son accesibles a traves del raton, aunque tambien pueden usarse a traves del teclado. Para acceder a esta barra usando el teclado se puede pulsar la tecla F10 o la tecla Alt. Para desplegar una opcion concreta hay que pulsar la tecla Alt y sin soltarla, pulsar la letra que esta subrayada dentro de la palabra de cada opcion. Cada una de las opciones de estos menus se explicara mas adelante. Barra de botones: Es un conjunto de botones con iconos en su interior que permiten
el acceso rapido a algunas de las opciones mas usuales. Estas opciones tambien pueden
G.2. EMPEZANDO CON FQ
333
Figura G.2: Pantalla de principal de FQ. ejecutarse a traves de la barra de menu. Situando el raton sobre cada boton aparece un breve comentario sobre su utilidad. Icono de conexion: En el margen derecho de la ventana principal y justo debajo de la barra de botones aparece un peque~o dibujo de dos ordenadores separados. Este icono n nos indica si estamos conectados al SGBD Oracle o no. Si entre estos ordenadores hay una \onda" blanca que los une indicara que estamos conectados y en otro caso indica que no estamos conectados, tal y como se muestra a continuacion: Desconectados del SGBD. Conectados al SGBD. Si estamos conectados y situamos el puntero del raton sobre este icono nos aparecera una l nea indicando el nombre del usuario con el que se establecio la conexion. Recuadro de texto para la consulta: En este recuadro se pueden escribir las consultas en FSQL o SQL y es donde se visualizan las consultas que se lean desde cheros. En la parte superior de este recuadro aparece el nombre del chero que se esta editando o el t tulo \<sin nombre>" si no tiene nombre. Si el texto de la consulta fue modi cado despues de la ultima grabacion aparecera el s mbolo \ " delante del nombre. Los colores y tipo de letra del texto pueden modi carse. Barra de estado: Situada en la parte inferior de la ventana, nos informa del estado de las teclas de mayusculas e insercion, as como de la fecha y hora del sistema.
334
G.3 Las Opciones de FQ

A continuacion vamos a dar un breve recorrido sobre las distintas opciones que hay dentro de cada menu desplegable en la barra de menu de la ventana principal. Al desplegar el primer menu de la barra, nos aparecen las opciones t picas de este tipo de menus y un buscador de archivos muy e ciente: tenido del anterior del recuadro de texto. No establece ningun nombre para el nuevo documento, por lo que si queremos guardarlo nos pedira un nombre antes. Esta opcion esta accesible a traves del primer boton de la barra de botones. Abrir, Ctrl-O (Open): Carga un documento que ya existe en el disco dentro del recuadro de texto de la consulta. Esta opcion esta accesible a traves del segundo boton de la barra de botones. Guardar, Ctrl-S (Save): Almacena el documento de consulta que esta en el recuadro de texto en un chero en disco, con el nombre que tuviera. Si no tiene nombre lo pedira. Esta opcion esta accesible a traves del tercer boton de la barra de botones. Guardar como, Ctrl-G (Save as): Guarda la consulta actual, la que esta en el recuadro de texto, en un chero pidiendo antes un nombre para el mismo. La extension por defecto es .fql (Fuzzy Query Language ). Buscar archivos, F3 (File nder): Busca archivos que cumplan un determinado patron de busqueda utilizando los caracteres comod n: * para cualquier numero de caracteres y ? para un unico caracter. Los archivos son buscados en el directorio actual o en todo el arbol de directorios a partir de este. Imprimir, Ctrl-P (Print): Para mandar a la impresora la consulta actual. Solicita con rmacion y diversas opciones (impresora, numero de copias...). Esta opcion esta accesible a traves del cuarto boton de la barra de botones. Con gurar impresora (Con gurate printer): Para con gurar diversas opciones de la impresora, como son, el tama~o del papel, la orientacion... n Salir, Ctrl-Q (Quit): Sale del programa FQ. El menu de Edicion es t pico de muchos programas. Es util para simpli car tareas en la edicion de las consultas, es decir, para su creacion y modi cacion. Sus opciones son:
G.3.1 Menu Archivo (File)
Nuevo, Ctrl-N (New): Establece un nuevo documento de consulta, borrando el con-
G.3.2 Menu Edicion (Edit)
llevandolo al portapapeles. Esta opcion esta accesible a traves de la barra de botones con el boton que tiene unas tijeras.
Deshacer, Ctrl-Z (Undo): Deshace la ultima operacion efectuada. Cortar, Ctrl-X (Cut): Corta el texto seleccionado de la consulta actual, borrandolo y
G.3. LAS OPCIONES DE FQ
335
Figura G.3: Ventana de conexion al SGBD.
Copiar, Ctrl-Ins (Copy): Copia el texto seleccionado de la consulta actual en el portapapeles. Esta opcion esta accesible a traves de la barra de botones con el boton que tiene dos papeles uno sobre otro.
Pegar, Mayus-Ins (Paste): Pega el texto que hubiera en el portapapeles en la posicion actual del cursor dentro de la consulta actual. Esta opcion esta accesible a traves de la barra de botones con el boton que tiene un papel sobre un portapapeles. Seleccionar todo, Ctrl-E (Select all): Selecciona todo el texto de la consulta actual.
G.3.3 Menu SGBD (DBMS)
Este es el menu mas importante de la aplicacion y es donde se encuentran las operaciones que se pueden efectuar sobre el SGBD (Sistema Gestor de Bases de Datos).
Conexion al SGBD Oracle, F6 (Connect to Oracle DBMS): Esta opcion abre la ventana de conexion de la Figura G.3. En esta ventana introduciremos el nombre del usuario (User Name), su clave (Password) y el nombre de la base de datos (Database). Por defecto el nombre de la base de datos es 2: que equivale a la base de datos local, pero puede usarse otra cadena para la conexion a bases de datos remotas instaladas en otro host (usando SQL*Net). Si se produce un error en la conexion se abrira una ventana de errores como la de la Figura G.4. En dicha Figura aparece el mensaje de error que visualiza cuando no hemos introducido correctamente el nombre del usuario o su clave. Si ya estamos conectados al SGBD nos solicita con rmacion para ver si desea conectarse con otros datos. Esta opcion esta disponible desde la barra de botones, a traves del octavo boton, que muestra un tambor de bases de datos con un rayo de conexion. Ver Traduccion a SQL, F7 (See SQL Translation): Ejecuta el proceso para que el Servidor FSQL traduzca la consulta FSQL de la ventana de texto a una consulta SQL. Si la traduccion se ejecuta sin errores, abre la ventana de la Figura G.5, que muestra el resultado de traducir la consulta FSQL a lenguaje SQL. Esta consulta no puede ser
336
Figura G.4: Error indicado por Oracle.
Figura G.5: Sentencia FSQL traducida a SQL. modi cada ah directamente, aunque puede ser copiada al portapapeles o guardada en un chero, usando el boton \Guardar como...". A la izquierda de los botones aparece el tiempo que ha tardado FQ en obtener la respuesta del Servidor FSQL. Este tiempo incluye los tiempos invertidos en las comunicaciones entre FQ y el Servidor FSQL y no solo el tiempo empleado por el Servidor FSQL. Esta opcion, aunque no es muy util desde un punto de vista practico, esta disponible desde la barra de botones, a traves del noveno boton, que muestra el logotipo del lenguaje FSQL. Si, durante la traduccion, el Servidor FSQL detecta algun error entonces se muestra la ventana de errores de la Figura G.6, donde se nos muestra el texto de todos los errores detectados y donde disponemos de botones para movernos por los diferentes mensajes de error.
Enviar consulta FSQL al SGBD, F8 (Send FSQL query to the DBMS): Esta opcion ejecuta la consulta que hay sobre el recuadro de consultas suponiendo que es una consulta FSQL y usando, por tanto, el Servidor FSQL. Si no hay errores, aparecera la ventana de resultados de la Figura G.12. La ventana de resultados y sus opciones sera
337
Figura G.6: Error detectado por el Servidor FSQL. explicada en el apartado G.4. Esta opcion esta disponible desde la barra de botones, a traves del decimo boton, que muestra una tabla y una camara fotogra ca.
Enviar consulta SQL, sin traducir, F9 (Send SQL query, without translation): Esta
opcion ejecuta la consulta que hay sobre el recuadro de consultas suponiendo que es una consulta SQL y, por tanto, no utiliza el Servidor FSQL. Si no hay errores, aparecera la ventana de resultados de la Figura G.12. La ventana de resultados y sus opciones sera explicada en el apartado G.4. Esta opcion esta disponible desde la barra de botones, a traves del undecimo boton, que muestra una tabla bajo las letras SQL.
Etiquetas de un atributo (Labels of an attribute): Esta opcion abre la ventana de la Figura G.8, en la cual se solicita el nombre de un atributo (con su esquema, nombre de tabla y nombre de columna) del que queremos buscar las etiquetas lingu sticas de nidas sobre el. El resultado se muestra en la ventana de resultados de la Figura G.12. La ventana de resultados y sus opciones sera explicada en el apartado G.4. El formato de estos resultados depende del Tipo de atributo difuso que se solicite: { Atributos Difusos Tipo 1 o 2: Muestra una tabla con los nombres de las etiquetas
y los cuatro valores que de nen el trapecio posibil stico como en la Figura G.7. { Atributos Difusos Tipo 3: Muestra una tabla con todas las parejas posibles que se pueden formar entre todas las etiquetas de nidas para el atributo en cuestion y muestra el grado de similitud entre cada una de esas parejas, es decir, muestra la relacion de similitud en el dominio del atributo. Si para un atributo difuso Tipo 3 no hay ningun atributo de nido puede ser que este usando los atributos de nidos para otro que sea compatible. Para averiguar esto se puede utilizar la siguiente opcion de este menu.
338

1
Figura G.7: Formato de una distribucion de posibilidad trapezoidal.
Figura G.8: Ventana para ver las etiquetas de nidas de un atributo difuso. Si no existe la tabla o la columna, entonces se visualiza un mensaje indicandolo. Tambien, si la columna existe pero no esta de nida como difusa lo indica en un mensaje. Atributos Difusos Tipo 3 Compatibles (Compatible Fuzzy Attributes Type 3): Esta opcion muestra en una tabla la compatibilidad que hay entre los distintos atributos difusos Tipo 3 y la longitud maxima de sus distribuciones de posibilidad. Estos resultados se muestran en la ventana de resultados de la Figura G.12. La ventana de resultados y sus opciones sera explicada en el apartado G.4. La tabla resultante de esta opcion tiene 4 columnas, donde la primera y la segunda corresponden a el nombre de un atributo y la longitud maxima para sus distribuciones de posibilidad, el cual es compatible con el atributo de la tercera y la cuarta columna correspondientes al nombre y la longitud de otro atributo. El segundo atributo es el que tiene de nidas las etiquetas lingu sticas que seran tambien usadas por el primero. Informacion de la conexion, F11 (Session information): Esta opcion muestra la ventana de informacion de la Figura G.9, en la que puede verse variada informacion sobre la sesion actual, sobre el usuario, sobre el SGBD Oracle y sobre el Servidor FSQL:
{ Nombre e Identi cador del Usuario, fecha de creacion del mismo y tablespace de
datos y temporal por defecto: El identi cador del usuario es un numero que lo identi ca un vocamente. Estos datos son extra dos de la tabla USER USERS. { Nombre de la base de datos a la que estamos conectados. { Numero de la sesion actual: Valor para USERENV('SESSIONID'). { Version del RDBMS Oracle: Valor extra do de la tabla NLS DATABASE PARAMETERS.
339
Figura G.9: Ventana con informacion sobre la conexion actual.
340
{ Paquetes del Servidor FSQL instalados: Indica SI o No, dependiendo de si estan
{ {
o no instalados los principales paquetes del Servidor FSQL. En general, si estos paquetes estan instalados podemos suponer que el Servidor FSQL esta instalado correctamente. En otro caso, el Servidor FSQL no estara instalado y por tanto no podremos realizar consultas en FSQL. Funciones utilizadas por CDEG si existen operadores logicos en una condicion: Estos valores son extra dos de la vista FSQL OPTIONS y si no tiene datos para los operadores logicos (valores NOT, AND y/o OR en el campo OPCION), se toman los valores establecidos por defecto (ver Tabla 5.13). Informacion particular y Opciones del Servidor FSQL para el usuario1: Muestra el contenido de la vista FSQL OPTIONS, que contiene informacion, particular para ese usuario, sobre el Servidor FSQL: NOT, AND, OR: Indican las funciones que el usuario ha indicado expresamente para ser utilizadas por CDEG si existen operadores logicos. TRATA FUZZY ATRIB: Indica el tipo de tratamiento que se le da a los atributos difusos Tipo 2 o 3, cuando estos estan fuera de los lugares normales (la lista de seleccion, argumento de CDEG o en condiciones). NUM ERRORES: Indica el numero de errores encontrados por el Servidor FSQL en la ultima traduccion que hizo el usuario. TIEMPO TRADUCCION: Indica el tiempo empleado por el Servidor FSQL en la ultima traduccion que el usuario efectuo. El tiempo indicado comienza justo en la primera instruccion que ejecuta el Servidor FSQL y termina justo antes de devolver el numero de errores encontrados. O sea, este tiempo no tiene en cuenta los tiempos empleados en las comunicaciones entre FQ y el Servidor FSQL, tal y como lo hace el tiempo mostrado en la ventana de traduccion y en la de resultados. Informacion general del Servidor FSQL: Muestra el contenido de la vista FSQL INFO, que almacena informacion sobre el Servidor FSQL en s y no exclusiva de un usuario particular. Esta vista es accesible (para lectura) por todos los usuarios y contiene: VERSION SFSQL: Version del actual Servidor FSQL. FECHA INSTALACION: Fecha de instalacion del Servidor FSQL. FECHA ULTIMO USO: Fecha del ultimo uso del Servidor FSQL (como traductor). FECHA ULTIMO FIN: Fecha del ultimo uso de la funcion FSQL FIN2 . DBA INSTALLER: Superusuario DBA que instalo el Servidor FSQL. Esto puede indicar a quien acudir en caso de que el usuario tenga problemas en el acceso al Servidor FSQL. Informacion sobre el control de accesos al Servidor FSQL para Estad sticas: Muestra el contenido de la tabla FSQL STATS, del Servidor FSQL que almacena informacion como el numero de veces que el Servidor FSQL es utilizado, el numero de errores que ha detectado en todos esos accesos y en el ultimo en particular, el tiempo que ha empleado en todos los accesos y en el ultimo... Con esta informacion puede calcularse facilmente el tiempo de traduccion medio global y el tiempo
las funciones del paquete FSQL PKG.
1 Para mas informacion vease apartado 5.4.1. 2 En el Apendice D aparece una descripcion de todas
341
de traduccion medio de las consultas en las que no se encontraron errores. En el apartado 5.4.1 se explica detalladamente la informacion de este tipo. { Roles del usuario: Valores obtenidos del atributo ROLE de la tabla SESSION ROLES. { Privilegios del usuario: Valores obtenidos del atributo PRIVILEGE de la tabla SESSION PRIVS. { L mites del usuario para algunos recursos: Estos valores son obtenidos de los atributos RESOURCE NAME y LIMIT de la tabla USER RESOURCE LIMITS. Si se situa el puntero del raton encima del t tulo de cada una de estas informaciones, aparece una l nea de texto indicando la tabla o vista de la que se obtiene esa informacion. Esta opcion esta disponible desde la barra de botones, a traves del duodecimo boton, que muestra el logotipo de informacion, es decir, una letra \i" blanca sobre un c rculo azul. tuar operaciones sobre el SGBD. Para efectuar operaciones sera necesario utilizar la opcion de conexion al SGBD explicada anteriormente. Esta opcion esta disponible desde la barra de botones, a traves del decimotercer boton, que muestra el logotipo de conexion tachado con una cruz roja.
Desconexion del SGBD, F12 (Disconnect of DBMS): Esta opcion imposibilita efec-
G.3.4 Menu Insertar (Insert)

Este menu es una peque~a ayuda para crear consultas tanto en SQL como en FSQL. Incorpora n multitud de expresiones que pueden ser incorporadas en la consulta actual, sin necesidad de teclearlas. Esto nos evita tener que recordar todas las palabras reservadas y expresiones especiales. Las opciones de este menu agrupan las expresiones por analog a y se expanden en otros submenus con las expresiones propiamente dichas.
cional que pueden efectuarse sobre conjuntos (tablas) de datos, siendo estas la union sin duplicados (UNION), la union con duplicados (UNION ALL), la interseccion (INTERSECT) y la diferencia o resta (MINUS).
Operador Logico (Logic Operator): Agrupa a los operadores logicos NOT, AND y OR. Operador de Conjuntos (Sets Operator): Agrupa a las 4 operaciones del algebra rela-
Comparador Crisp, clasico (Crisp Comparator, classic): Incorpora todos los com-
paradores clasicos que pueden usarse en una sentencia SQL. Estos aparecen en la Tabla G.1, donde lo que aparece entre corchetes es opcional.
Comparador Difuso de FSQL (FSQL Fuzzy Comparator): Incorpora todos los comparadores difusos que pueden usarse en una sentencia FSQL. Estos aparecen en la Tabla G.2, donde lo que aparece entre corchetes es opcional. Constante Difusa (Fuzzy Constant): Incorpora todos los tipos de constantes difusas que pueden utilizarse en consultas FSQL. Estas aparecen en la Tabla G.3.
342
Finalidad Comparador Igualdad = Desigualdad <> (tambien !=, ^= o :=) Mayor que > Mayor o igual que >= Menor que < Menor o igual que <= Entre dos valores y su negacion NOT] BETWEEN ?? AND ?? Si un valor es o no NULL IS NOT] NULL Pertenencia o no a un conjunto NOT] IN Similitud o no entre cadenas NOT] LIKE Existencia o no de datos en un conjunto NOT] EXISTS Tabla G.1: Comparadores crisp (clasicos) del SQL de Oracle.
Finalidad Comparador Posiblemente Igual que FEQ Posiblemente Mayor que FGT Posiblemente Mayor o Igual que FGEQ Posiblemente Menor que FLT Posiblemente Menor o Igual que FLEQ Posiblemente Mucho Mayor que MGT Posiblemente Mucho Menor que MLT Necesariamente Igual que NFEQ Necesariamente Mayor que NFGT Necesariamente Mayor o Igual que NFGEQ Necesariamente Menor que NFLT Necesariamente Menor o Igual que NFLEQ Necesariamente Mucho Mayor que NMGT Necesariamente Mucho Menor que NMLT 8 Igualdad a constantes difusas
IS NOT]
< UNKNOWN : UNDEFINED NULL
Tabla G.2: Comparadores difusos de FSQL.

Tipo de constante Expresion Desconocido pero aplicable UNKNOWN Inde nido, NO aplicable UNDEFINED Nulo (ignorancia total) NULL Trapecio Difuso (Figura G.7) $ , , , ] Etiqueta Lingu stica (trapecio o escalar) $Label Intervalo posibil stico (Figura 5.5) n,m] Aproximadamente n (Figura 5.4) #n Tabla G.3: Constantes difusas de FSQL.
343
G.3.5 Menu Opciones (Options)

Este menu agrupa diversas opciones de con guracion del programa:
Poner 0 delante numeros en (0,1) (Write 0 in front of Numbers in (0,1)): Esta
opcion de tipo interruptor (swith ) permite escoger si queremos que los numeros que estan entre 0 y 1 aparezcan sin el cero de la parte entera. Por defecto esta opcion esta activada e indica que s aparecera el cero de la parte entera. Si esta opcion esta desactivada, la ventana de resultados (apartado G.4) tiene una opcion que permite efectuar esta accion en una columna particular.
Ver tabla mientras es recuperada (See table while retrieving): Esta opcion de tipo interruptor (swith ) activa o desactiva la posibilidad de ver la tabla de resultados mientras esta siendo recuperada. Si esta activada la tabla se vera mientras es recuperada, siendo este proceso mas lento que si la tabla permanece mientras oculta. Mientras la tabla es recuperada aparece una peque~a ventana que muestra el progreso n de esta recuperacion, o sea, nos muestra el numero de la que esta siendo recuperada en cada momento y el numero de las total a recuperar, as como una barra de progreso que nos muestra la velocidad con la que avanza la recuperacion. En esta ventana existe el boton \Cancelar" que puede utilizarse para detener la recuperacion de las. Si se utiliza el boton \Cancelar" pueden verse las las que hayan sido recuperadas hasta ese momento. Numero maximo de las a recuperar (Maximum number of tuples for retrieve):
Esta opcion visualiza la ventana G.10 que establece el numero maximo de las que seran recuperadas en una consulta. Por defecto permanece activada la opcion \TODAS las las que existan". consultas. consultas. consultas.
Cambiar tipo de letra (Change Font): Cambia el tipo de letra del recuadro de
Color del Texto (Text Color): Cambia el color de los caracteres del recuadro de
Color del Fondo (Background Color): Cambia el color del fondo del recuadro de
344
Figura G.10: Ventana para el Numero maximo de las a recuperar.
Valores por defecto (Default values): Establece los valores por defecto para el recuadro de consultas del tipo de letra (Courier), color del texto (negro) y color del fondo (blanco).
Proporciona un rapido acceso a algunas herramientas del sistema operativo:
G.3.6 Menu Herramientas (Tools)
Calculadora (Calculator): Ejecuta la calculadora de Windows, la cual tiene opciones de calculadora cient ca. Explorador de cheros (File explorer): Ejecuta el explorador de cheros, util para cualquier operacion con estos y con directorios (copiar, mover, buscar...). WordPad: Ejecuta este peque~o procesador de textos mucho mas potente y que admite n archivos mas grandes que el Bloc de notas. Bloc de notas (NotePad): Ejecuta un peque~o editor de textos incluido en el S.O. n Note que el recuadro de texto de FQ puede usarse tambien como editor de textos.
G.3.7 Menu Ayuda (Help)
El menu de ayuda nos proporciona una forma de consultar como efectuar determinadas operaciones. FQ es un programa muy simple, por lo que la ayuda es de hecho poco util. Las opciones implementadas por ahora son: sulta rapida de los mensajes de error propios de Oracle, sus posibles causas y sus posibles soluciones. Acerca de FQ (About FQ): Muestra la informacion basica de FQ (version, requisitos basicos...), tal y como se observa en la Figura G.11. Ademas, incorpora dos botones etiquetados de la siguiente forma:
Oracle: Mensajes y Codigos (Messages and Codes): Proporciona una gu a de con-
G.4. LA VENTANA DE RESULTADOS
345
Figura G.11: Ventana \Acerca de FQ" del menu Ayuda.
moria, impresoras, fuentes, aplicaciones activas...). { Boton \Leeme": Carga el chero Leeme.TXT en el Bloc de notas. Este chero contiene variada informacion sobre FQ (requisitos de instalacion, caracter sticas, requisitos para efectuar consultas en FSQL, terminos de la licencia, referencias bibliogra cas y agradecimientos). Esta opcion esta disponible desde la barra de botones, a traves del decimocuarto boton, que muestra el logotipo de FQ.
{ Boton \Informacion": Proporciona informacion sobre el sistema (procesador, me-
G.4 La Ventana de Resultados

Esta ventana, mostrada en la Figura G.12, es en la que se muestran los resultados de una consulta. En la parte central de la ventana aparece una tabla con los resultados de la consulta, usando la primera columna para numerar las las recuperadas. Esta ventana es escalable y puede ponerse en cualquier tama~o. Si la tabla resultante no cabe en la ventana se habilitan n unas barras de desplazamiento, tanto vertical como horizontal, para movernos por la tabla. Tambien podemos modi car el tama~o de cualquier columna y cualquier la con solo n arrastrar, con el raton, la l nea de separacion a la posicion deseada. Encima de la tabla de resultados se indican el numero de columnas de la consulta y el numero de las recuperadas. Si como numero de las recuperadas muestra dos numeros separados por una barra /, como por ejemplo 5/11, esto indica que solo se han recuperado 5 las de las 11 que se deber an haber recuperado. Esto puede suceder por dos motivos, o hemos cancelado la consulta mientras esta se efectuaba o existe un l mite maximo de las a recuperar, establecido en la opcion Numero maximo de las a recuperar del menu Opciones (ver Figura G.10).
346
Figura G.12: Ventana de Resultados, tras efectuar una consulta. Tambien se indican los valores del tiempo empleado en la traduccion de la consulta FSQL (incluyendo el tiempo de las comunicaciones) y el tiempo empleado en efectuar la consulta, en segundos. Esta ventana tiene una barra de menu con dos opciones: Submenu Archivo y submenu Opciones. Las opciones de este submenu son las siguientes:
G.4.1 Submenu Archivo (File)
Guardar Tabla como: Esto nos permite guardar los resultados de la tabla en un
chero en disco. Para ello disponemos de 4 formatos distintos: con formato \bit map" (.BMP), almacenando la tabla tal y como se muestra en pantalla (con sus colores, tipo de letra...). { Imagen (.BMP) de Baja Calidad (Low Quality Image): Guarda la imagen con formato \bit map" (.BMP), almacenando la tabla en blanco y negro. Con esta opcion el chero ocupa menos espacio pero su calidad es menor. { En formato LaTeX (LaTeX format): Guarda la tabla utilizando el entorno A tabular de L TEX, de forma que es directamente incorporable a un documento que utilice este formato. { En formato HTML (HTML format): Guarda la tabla como si fuera un documento en HTML (HyperText Markup Language ). As , la tabla puede visualizarse
{ Imagen (.BMP) de Alta Calidad (High Quality Image): Guarda la imagen
347
con un navegador o incorporarse a otro documento en este formato. Este formato es el utilizado en la red Internet para escribir paginas de WWW (World Wide Web ). la imagen de la tabla a la impresora. Si la tabla es excesivamente grande no saldra correctamente por problemas con los margenes. La solucion es guardarla en disco con un formato determinado e imprimirla desde otra aplicacion que entienda dicho formato. Cerrar Tabla (Close Table): Cierra la ventana de resultados y vuelve a la ventana principal. Esta opcion tambien es accesible desde el ultimo boton de la barra de botones de esta ventana o desde el boton \Cerrar" situado a la derecha de la ventana. Tambien funcionan las formas para cerrar una ventana que son estandares del Sistema Operativo. No es necesario cerrar esta ventana para efectuar otra consulta.
Imprimir Imagen de la Tabla (Print Image of the Table): Esta opcion manda
G.4.2 Submenu Opciones (Options)
Algunas opciones de este submenu afectan a la columna o la actual. Por columna o la actual se entiende aquella columna o la en la que esta situada la celda con el foco de la tabla y que esta remarcada con un recuadro punteado. El foco de la tabla puede cambiarse simplemente pinchando con el raton en una de las celdas de la la o columna deseada. Tambien puede realizarse a traves del teclado (utilizando las teclas del tabulador y las echas). Las opciones disponibles aqu son las siguientes:
Reducir Anchura de todas las Columnas, Ctrl-F1 (Reduce Width for all Columns):
Esta opcion reduce ligeramente el tama~o de la anchura de todas las columnas. Esto n se puede hacer tambien individualmente reduciendo todas las columnas arrastrando la l nea de separacion entre cada dos columnas de la cabecera. Pero de este modo es mas rapido. Esta posibilidad esta tambien disponible desde el primer boton de la barra de botones. Ampliar Anchura de todas las Columnas, Ctrl-F2 (Enlarge Width for all Columns): Se aumenta ligeramente el tama~o de la anchura de todas las columnas. Esto n se puede hacer tambien individualmente arrastrando la l nea de separacion entre cada dos columnas de la cabecera de forma que se ampl e el tama~o de la columna. Esta n posibilidad esta tambien disponible desde el segundo boton de la barra de botones. Ordenacion Ascendente/Descendente segun el Numero de Fila, Ctrl-F3 (Order Ascending/Descending by Number of Row): Ordena de forma ascendente o descentente, alternativamente, por el numero de la. Este numero de la es asignado por FQ en el orden con el que el SGBD devuelve las las de la tabla resultante y es mostrado en la primera columna de la tabla (que se muestra en otro color). Ordenacion Ascendente/Descendente segun Columna actual, Ctrl-F4 (Order Ascending/Descending by current Column): Con la clausula ORDER BY de la sentencia SELECT podemos alterar el orden de recuperacion de las las, de forma que estas sean obtenidas en orden ascendente (ASC, por defecto) o descendente (DESC) segun una columna determinada. Sin embargo, FQ permite tambien ordenar la tabla resultante a traves de una de sus columnas, sin necesidad de recuperar la tabla de nuevo. Esta
348

opcion ordena de forma ascendente o descendente, alternativamente, segun la columna actual. Alineacion Izquierda/Derecha y Arriba/Abajo de la Columna actual, Ctrl-F5 (Alignment Left/Right and Top/Bottom of the current Column): Modi ca la alineacion de la columna actual. La alineacion va alternando consecutivamente segun los siguientes valores:
{ { { { { { { { {
Izquierda arriba (Left top). Izquierda centro (Left center). Izquierda abajo (Left bottom). Centro arriba (Center top). Centro centro (Center center). Centro abajo (Center bottom). Derecha arriba (Right top). Derecha centro (Right center). Derecha abajo (Right bottom).
Los valores arriba, centro y abajo solo son apreciados en las celdas que tengan una altura superior a una l nea de texto. As , para cambiar la alineacion de una columna determinada tendremos que poner el foco en una de sus celdas, esto es, pinchar con el raton en una celda de esa columna y despues seleccionar esta opcion hasta conseguir la alineacion deseada. La alineacion por defecto depende, en cada celda, del tipo de dato que este incluido en ella. Mezclador de Celdas (desactivar y cambiar tipos), Ctrl-F6 (Merge Cells): Establece si las celdas con el mismo contenido deben agruparse en una unica celda que abarca multiples las o columnas. Esta opcion hace alternar entre los diferentes estados disponibles:
{ Sin agrupacion: Este estado nunca agrupa celdas con el mismo contenido. Es el { { { {
estado por defecto. Libre: Agrupa celdas adyacentes que tengan el mismo contenido tanto en las como en columnas. Restringe las las: Agrupa celdas adyacentes que tengan el mismo contenido y que esten en la misma la. Restringe las columnas: Agrupa celdas adyacentes que tengan el mismo contenido y que esten en la misma columna. Restringe ambas: Solo se combinan las celdas adyacentes que tengan el mismo contenido, hacia la izquierda o hacia arriba.
Para que esta opcion tenga efecto debe de activarse la posibilidad de mezclar celdas para la la o columna en la que deseemos que se mezclen. Esta activacion se efectua con las siguientes opciones de este submenu.
349
ch On/O Merge Cells in current Column): Activa o desactiva, alternativamente, la posibilidad de que las celdas adyacentes de la columna actual se mezclen en una unica celda si tienen valores identicos. Para que esta opcion tenga efecto debe activarse el mezclador de celdas a traves de la opcion Mezclador de Celdas, explicada anteriormente. Activar/Desactivar Mezclador de Celdas en la Fila actual, Ctrl-F8 (Switch On/O Merge Cells in current Row): Activa o desactiva, alternativamente, la posibilidad de que las celdas adyacentes de la la actual se mezclen en una unica celda si tienen valores identicos. Para que esta opcion tenga efecto debe activarse el mezclador de celdas a traves de la opcion Mezclador de Celdas, explicada anteriormente. Poner 0 delante de los Numeros en (0,1) de la Columna actual, Ctrl-F11 (Write 0 in front of Numbers in (0,1) in the current Column): Los numeros que estan en el intervalo abierto (0,1) pueden ser representados sin el cero de la parte entera. Esta opcion nos permite incluir el cero de la parte entera en aquellos numeros que lo precisen en la columna actual. As , el valor ,75 aparecera entonces como 0,75. De esta forma podremos utilizar la opcion Ordenacion Ascendente/Descendente segun Columna actual en columnas numericas que incorporen este tipo de numeros (como las columnas generadas por la funcion CDEG). Esta opcion estara deshabilitada si esta activada la opcion \Poner 0 delante numeros en (0,1)" del menu Opciones de la ventana principal (apartado G.3.5), ya que esta ultima opcion actua en todas las columnas. Word Wrap (Activar/Desactivar la Division de Palabras en las Celdas), CtrlF12 (Switch On/O the Word Wrap in Cells): Activa o desactiva alternativamente la division de palabras en un texto, de forma que permita o no partir el texto en varias l neas. Esto es util cuando tenemos un texto tan largo que no cabe en la anchura de su columna. En ese caso, podemos activar la particion de palabras y ampliar la altura de su la de forma que quepan todas las las que el texto necesita (o parte de ellas). Caracter sticas Tabla (Table Characteristics): Esta opcion nos permite cambiar: { Tipo de letra del texto. { Color del texto del cuerpo de la tabla. { Color del fondo del cuerpo de la tabla. { Estilo del texto del cuerpo de la tabla: El estilo var a entre distintas modalidades de letras en 3 dimensiones. { Estilo del texto de la cabecera de la tabla. { L neas entre las Celdas de la Tabla: Entre sus opciones existe una en la que no traza l neas de separacion entre las celdas. Estas opciones pueden usarse antes de guardar o imprimir la imagen de la tabla. Tama~o Ventana (Window Size): Como ya se ha dicho anteriormente la ventana de n resultados es escalable. As , dentro de esta opcion encontramos la posibilidad de escalar la ventana a la altura o a la anchura de la pantalla. Para obtener esta ventana al tama~o n maximo en altura y anchura podemos maximizar la ventana, con el boton de maximizar que se encuentra en la barra de t tulo de cada ventana.
Activar/Desactivar Mezclador de Celdas en la Columna actual, Ctrl-F7 (Swit-
350
G.5 Sobre los Tiempos de Traduccion y Recuperacion

Como ya se ha indicado en el apartado anterior, en la ventana de resultados se muestran los valores del tiempo (en segundos) empleado en la traduccion de la consulta FSQL y el tiempo empleado en recuperar las las de la tabla resultante. Naturalmente, ambos tiempos dependen de los equipos empleados en el Cliente y en el Servidor (principalmente del tama~o de la RAM y de la velocidad del procesador) y de la ven locidad de la red (si esta es usada). Ademas, el tiempo de recuperacion depende directamente del numero de las que haya en la relacion o relaciones de partida y el tiempo de traduccion depende directamente de la complejidad de las consulta FSQL. En las primeras consultas se cargan en memoria los paquetes del Servidor FSQL, por lo que se ha observado que el tiempo de traduccion en estas primeras consultas puede ser superior a lo habitual (principalmente en ordenadores con poca memoria). Una vez cargados estos, en las siguientes consultas, el proceso es mucho mas rapido. Se ha ejecutado FQ, en modo de base de datos local, con una bater a de ejemplos con consultas \normales", entendiendo estas como consultas con comodines o varias columnas, con y sin funciones (incluyendo CDEG), comentarios, varias tablas, varias condiciones simples (m nimo 2) e incluso algunas con subconsultas. Los resultados experimentales obtenidos fueron: En un PC con procesador Pentium a 133 Mhz. con 16 MB de RAM, se ha obtenido que el tiempo de traduccion medio, es de: 3.68 segundos. La traduccion mas rapida de la bater a de ejemplos se hizo en 1.81 segundos y la mas lenta tardo 8.07 segundos. En un PC con procesador Pentium II a 333 Mhz. con 128 MB de RAM, se ha obtenido que el tiempo de traduccion medio, es de: 0.82 segundos. La traduccion mas rapida de la bater a de ejemplos se hizo en 0.34 segundos y la mas lenta tardo 1.93 segundos. Al evaluar estos resultados hay que tener en cuenta que el acceso a Oracle a traves de los Oracle Objects no es tan rapido como desde otras plataformas, como Developer 2000 (de Oracle). De hecho, al observar los tiempos marcados exclusivamente por el Servidor FSQL3 , sin tener en cuenta el tiempo en las comunicaciones, se puede apreciar que estos tiempos son sustancialmente inferiores (entre 1 y 4 segundos menos) para la primera con guracion. Para la segunda con guracion casi todas las consultas daban un resultado de cero segundos, ya que Oracle no permite contabilizar unidades de tiempo inferiores al segundo. El tiempo de recuperacion depende, como hemos dicho, del numero n de las que haya en la relacion o relaciones de partida, siendo este tiempo, en general, superior en consultas FSQL que en consultas SQL. Sin embargo, las operaciones que enlentecen la recuperacion de datos de una consulta FSQL son operaciones aritmeticas simples (sumas, restas, multiplicaciones y divisiones) debido a la representacion interna empleada (apartado 5.1.2) que, ademas, esta dise~ada para reducir al m nimo esas operaciones. Por tanto, la e ciencia en la recuperacion n de datos, tanto en consultas SQL como en consultas FSQL ser a del mismo modo lineal, es decir, O(n). As pues, podemos concluir que el Servidor FSQL y el Cliente FQ son lo su cientemente rapidos, pueden ser catalogados como OLTP (On-Line Transaction Processing) y pueden,
tiempos pueden verse, como se ha indicado, en la ventana de informacion (F11) y solo contabilizan los segundos enteros, sin fracciones.
3 Estos
351
por consiguiente, ser utilizados en sistemas que requieran una respuesta en tiempo real. Por ejemplo, puede aplicarse a determinadas aplicaciones de Data Mining en tiempo real como la mostrada en 34, 35]. El cliente FSQL FQ es quizas bastante simple aunque, como se ha visto tambien bastante potente. Algunas de las mejoras que pueden ser llevadas a cabo en proximas versiones son: Permitir ejecutar varias consultas a la vez, a traves de una Interfaz de Multiples Documentos (MDI). Incorporar un sistema de creacion de consultas de forma visual, a traves de un asistente. Actualmente estamos desarrollando un programa independiente que incorpore esta caracter stica, en lenguaje Java, de forma que pueda ser ejecutado a traves de Internet o no, usando un Navegador (apartado 6.4). Incorporar mas formatos para la grabacion de la tabla resultante en disco, como por ejemplo en cheros de texto, en el formato de tablas de algunos procesadores de texto (Word, Word Perfect...) y otros formatos de imagenes como el de CompuServe (.GIF) y Encapsulate PostScript (.EPS) entre otros. Mejorar el sistema de ayuda (menu Ayuda) y ayuda en l nea a traves de la tecla F1, as como incluir una opcion de ayuda para los errores detectados por el Servidor FSQL. Pueden incorporarse opciones de Data Mining (como por ejemplo del tipo mostrado en 34, 35]).
G.6 Mejoras para Sucesivas Versiones
352
Apendice H
Glosario de Terminos y Siglas

BDR Base de Datos Relacional. Sistema de almacenamiento de informacion en el que toda
ella esta almacenada en tablas (relaciones). Cada relacion tiene varios atributos (o columnas) y la informacion esta almacenada en las las de cada relacion. El interes suscitado por el modelo relacional se debe en gran medida al trabajo de Codd, iniciado en 41], el cual contiene una explicacion de la estructura relacional, de niciones de algunas operaciones del algebra relacional y un analisis de la redundancia y la consistencia. Ver apartado 1.2.
BDRD Base de Datos Relacional Difusa. Es una Base de Datos Relacional que nos permita
almacenar valores no crisp. Dentro de estos valores se pueden incluir, distribuciones de posibilidad, escalares con una relacion de semejanza, valores aproximados, grados de cumplimiento o de verdad... Ver Cap tulo 2. valores difusos o crisp. Ejemplos de comparadores difusos pueden ser \aproximadamente igual que", \posiblemente mayor que", \mucho mayor que"...
Comparador difuso o exible Funcion que nos permite comparar de forma exible dos Consulta difusa o exible Una consulta es una lectura de datos de una base de datos en
la que son recuperados determinados datos que cumplen una determinada condicion. En una consulta difusa o exible, tanto los datos que se recuperan como la condicion establecida no tienen que ser r gidos, sino que pueden ser difusos o exibles. La sentencia t pica para consultas tanto en SQL (clasicas) como en FSQL (difusas) es SELECT.
Condicion difusa o exible Condicion en la cual se pueden producir distintos grados de
cumplimiento, en contraposicion a una condicion tradicional (no exible) la cual o se cumple o no se cumple. Es decir, una condicion difusa puede ser verdadera o cumplirse con un grado de cumplimiento que var a en el intervalo 0,1], siendo el 0 totalmente falso y el 1 totalmente verdad. Para expresar este tipo de condiciones se suelen emplear comparadores difusos. Estos conceptos se basan en la teor a de conjuntos difusos de L.A. Zadeh 165] (apartado 1.3). exible a datos almacenados en una BDRD. El Cliente FSQL usara el Servidor FSQL para llevar a cabo este acceso. Ver Cap tulo 6 y referencias bibliogra cas 75, 77, 78]. 353
Cliente FSQL Programa que permite a un usuario utilizar el lenguaje FSQL para el acceso
354
APENDICE H. GLOSARIO DE TERMINOS Y SIGLAS

(de entre varios posibles) conforme a sus caracter sticas (atributos). Ver 8, 34, 68].
Clasi cacion Proceso que nos permite incluir un determinado elemento dentro de un grupo Clustering Agrupamiento o segmentacion. Tecnica de identi cacion de patrones de interes
muy usual en sistemas Data Mining. En general, se de ne un tipo de \distancia" o medida de \semejanza" entre los elementos de la base de datos utilizando sus atributos. El objetivo es obtener diversos grupos con los elementos de la base de datos, de forma que se maximice la distancia entre los distintos grupos y se minimice la distancia entre los elementos de un mismo grupo. As , los elementos de un grupo son elementos con caracter sticas comunes a los que se les puede aplicar un determinado proceso. Algoritmos t picos de clustering son el c-means (c-medias) con su variante difusa Fuzzy c-means 16], CLARANS y BIRCH.
Clustering Jerarquico Sistema de clustering en el que los elementos son agrupados en
diversos grupos de tal forma que si dos grupos tienen elementos comunes entonces uno de ellos esta totalmente incluido dentro del otro. As , se forma una jerarqu a de grupos (o clusters) de forma que en cada nivel de esa jerarqu a se tiene un numero distinto de grupos. As , el nivel mas superior esta formado por un unico grupo que incluye a todos los elementos y el nivel mas inferior esta formado por tantos grupos unitarios como elementos existan. Los grupos de un nivel incluyen a los del nivel inferior y estan incluidos en los grupos del nivel superior. Cada grupo puede incluir uno o varios de los grupos del nivel inferior. A cada grupo se le asocia una distancia ultrametrica. cipal de agrupar clientes en los que se observe un comportamiento homogeneo segun determinadas caracter sticas para aplicarles procesos particulares, como Marketing Directo. Ver 33, 35].
DAPHNE Programa dise~ado por Carrasco para clustering nanciero con el objetivo prinn Data Mining Proceso de extraccion de informacion de interes a partir de un conjunto de
datos. En general, ese conjunto de datos esta almacenado en una base de datos y el conocimiento debe ser descubierto por metodos no triviales y ser novedoso y potencialmente util. En general el tipo de conocimiento que desea extraerse suelen ser reglas de asociacion, vistas con generalizaciones de los datos (en distintos niveles de abstraccion), clustering (agrupamiento o segmentacion) de los objetos en diversos grupos con similares caracter sticas y procesos para la clasi cacion de nuevos elementos en los grupos a los que correspondan. Ver 33, 34, 68].
Data Smart Es una variacion de data warehouse en el que solo se contemplan un conjunto
peque~o de datos referentes a una determinada actividad o tema. Es como un data n warehouse pero en peque~o. n
Data Warehouse Basicamente es un sistema en el que la informacion mas relevante (o
toda ella) es vista como si estuviera en un formato uniforme, aunque los datos esten en distintos formatos y en distintas bases de datos. Frecuentemente estan relacionados con sistemas OLAP para el acceso a sus datos. En contraposicion a los sistemas OLTP, los sistemas de data warehouse representan, normalmente, un largo periodo de tiempo, no un instante, lo cual permite tener una vision global de la evolucion.
DBMS DataBase Management System. Sistema Gestor de Bases de Datos. Ver SGBD.
355
DDL Data De nition Language. Lenguaje de De nicion de Datos que permite cambiar la
estructura de los datos de la base de datos. Este lenguaje nos permite de nir, crear, modi car y borrar tablas o vistas, establecer controles de seguridad, construir ndices para acelerar el acceso a tablas y controlar el almacenamiento f sico de los datos por el SGBD. Para manejar esos datos (no su estructura) se debe utilizar el DML. Developer 2000 Software de Oracle para desarrollo de aplicaciones Cliente/Servidor, enfocadas para el uso de bases de datos. DML Data Manipulation Language. Lenguaje de Manejo de Datos que permite consultar los datos almacenados en la base de datos, modi carlos, borrarlos, insertar nuevos datos... pero no permite modi car su estructura. Para ello se debe usar el DDL. FIRST Fuzzy Interface for Relational SysTems, Interface Difuso para Sistemas Relacionales. Modulo que permite extender la capacidad de un RDBMS clasico para que pueda representar y manipular informacion \imprecisa" utilizando GEFRED como modelo teorico y los recursos del modelo relacional clasico para poder representar este tipo de informacion. Ver GEFRED. FMB Fuzzy Meta-knowledge Base, Base de Metaconocimiento Difuso. Conjunto de tablas en las que se almacena informacion sobre la BDRD. En la FMB se almacena una lista con los atributos que admiten tratamiento difuso su tipo de atributo difuso (1, 2 o 3). Ademas, para cada atributo difuso se almacena distinta informacion dependiendo de su tipo, tal y como se explico en el apartado 5.1.3.2. FQ (Fuzzy Queries). Es un programa Cliente FSQL para los sistemas operativos Windows 95, 98 o NT. Permite efectuar consultas en el lenguaje FSQL sobre una base de datos relacional difusa. Requiere el SGBD Oracle con FIRST y el Servidor FSQL instalados. Ver Cap tulo 6, Apendice G y referencia bibliogra ca 75]. FSQL Fuzzy SQL, Fuzzy (or Flexible) Structured Query Language, SQL Difuso (o Flexible). Es un lenguaje que nos permite organizar, gestionar, almacenar y recuperar datos de una Base de Datos Relacional Difusa (BDRD). Esta basado en el lenguaje SQL y entre sus principales novedades incluye la posibilidad de usar comparadores difusos, umbrales de cumplimiento, constantes difusas... Ver apartado 5.2, Apendice B y referencias bibliogra cas 75, 77, 78]. GEFRED GEneralized Fuzzy RElational Databases. Modelo de BDRD ideado por Medina et al. que representa una s ntesis eclectica entre los diferentes modelos aparecidos para tratar el problema de representacion y tratamiento de informacion difusa mediante bases de datos relacionales. Una de las principales ventajas de este modelo es que consiste en una abstraccion general que permite tratar diferentes enfoques, incluso aunque estos puedan parecer muy dispares. Ver 102, 103]. Grado (degree ) o grado difuso. Es un valor que indica el nivel de relevancia respecto a algun signi cado concreto de un determinado valor o valores (tupla). Normalmente dicho valor sera un valor real entre 0 y 1, aunque pueden considerarse otros valores (con otros dominios, distribuciones de posibilidad...). El signi cado de este grado puede ser variado (apartado 2.8), aunque el mas usual es el de grado de cumplimiento y el grado de pertenencia.
356

difusa o exible es satisfecha. Este grado de cumplimiento, o nivel de satisfaccion, var a entre 0 (condicion no satisfecha) y 1 (condicion plenamente satisfecha). Esta muy relacionado con el grado de pertenencia, pues el grado de cumplimiento puede ser entendido como el grado de pertenencia al conjunto de elementos que cumplen la condicion. Este concepto esta tambien ntimamente relacionado con la Teor a de Conjuntos Difusos (apartado 1.3).
Grado de cumplimiento Nivel con el que podemos a rmar que una determinada condicion
Grado de pertenencia Nivel con el que podemos a rmar que un determinado objeto pertenece a un determinado grupo. Este grado var a normalmente entre 0 (objeto no pertenece en absoluto al grupo) y 1 (objeto pertenece totalmente al grupo). Su concepto esta ntimamente relacionado con la Teor a de Conjuntos Difusos (apartado 1.3).
Host Ordenador que comparte algunos recursos en una red de ordenadores. Indice (Index) Un objeto de las bases de datos, asociado opcionalmente a una tabla y que
sirve para facilitar y acelerar la recuperacion de datos de dicha tabla.
ODBC Open DataBase Connectivity, Conectividad Abierta de Bases de Datos. Sistema

estandar de acceso a bases de datos, usando SQL, el cual es independiente del formato de los datos, del SGBD que los gestione y del lugar f sico donde estos esten almacenados.
OLAP On-Line Analytical Processing, Proceso Anal tico sobre la marcha. Sistema que OLTP On-Line Transaction Processing, Proceso de Transacciones sobre la marcha. Se trata
habilita a los usuarios a acceder a datos de un sistema data warehouse, proporcionando herramientas para facilitar y mejorar la presentacion y el entendimiento de los datos. de sistemas en los que las peticiones de los usuarios son procesadas tan pronto como estas son recibidas y los resultados de estas peticiones son devueltas en un corto espacio de tiempo. en bases de datos orientadas a objetos, creado en 1993 por el grupo ODMG (Object Database Management Group) fuera del marco de la ISO (International Standars Organization).
OQL Object Query Languaje, Lenguaje de Consulta de Objetos. Lenguaje para consulta Oracle Es un SGBD relacionales muy potente y muy extendido, comercializado por la com-
pa~ a Oracle Corporation 117]. Esta disponible para mas de 100 plataformas, incluyenn do Linux, Windows y multitud de plataformas Unix. Incorpora un lenguaje de programacion, el PL/SQL 82, 118, 146], para crear funciones o procedimientos almacenados en el servidor de bases de datos. Sus ultimas versiones (8.x, 8i) incluyen posibilidades para crear bases de datos orientadas a objetos, una maquina virtual Java para almacenar y ejecutar codigo Java en el servidor, compatibilidad con el estandar SQLJ, as como con las Enterprise Java Beans, con la arquitectura CORBA y con el protocolo IIOP.
Oracle Objects para OLE (Objects Linking and Embeding ). Coleccion de objetos progra-
mables que simpli can el desarrollo de aplicaciones que necesitan comunicarse con Oracle.
357
Reglas de Asociacion Tipo de sentencias, generalmente descubiertas por sistemas Data
Mining, por las que se deduce que la presencia de un valor determinado en un conjunto de atributos implica la presencia de otro valor en otro conjunto. En general, son reglas del tipo \IF... THEN...". Algoritmos t picos para esto son Apriori, DHP, PARTITION y para bases de datos distribuidas DMA. (Server) Un host que ejecuta un SGBD Oracle multiusuario y mantiene bases de datos que pueden ser utilizadas por usuarios remotos. cutar sentencias utilizando el lenguaje FSQL (Fuzzy SQL). Estas sentencias pueden ser tanto de DDL como de DML. As , algunos ejemplos de estas sentencias pueden ser: Creacion de tablas (con atributos difusos), creacion de etiquetas, creacion de relaciones de similitud, consultas exibles (utilizando comparadores difusos), insercion de datos difusos... Ver Cap tulo 5 y referencias bibliogra cas 75, 77, 78].
Servidor FSQL Programa que, instalado en el SGBD de un Servidor Oracle, permite eje-
Sesion Una conexion de un usuario particular a una base de datos concreta de un SGBD.
Un mismo usuario puede tener varias sesiones a la vez (con el mismo o distinto SGBD).
SGBD Sistema Gestor de Bases de Datos. Programa encargado de controlar bases de datos.
Debe controlar aspectos como la seguridad, e ciencia, modo de almacenamiento de los datos, indexacion...
SGBDR SGDB Relacionales. Es un SGBD en el que toda la informacion es almacenada en
forma de relaciones (tablas). Una relacion o tabla puede tener varios atributos (columnas) y cada la corresponde a una entidad que pertenece a esa relacion. Ejemplos t picos de SGBD relacionales son Oracle, Informix, Microsoft SQL Server, Microsoft Access, IBM DB2 e IBM SQL/400. Algunos de estos SGBD, sobre todo Oracle e Informix, estan disponibles para multitud de plataformas con distintos Sistemas Operativos. almacenar informacion que tenga \imprecision" y/o \incertidumbre" y que ademas, permita efectuar operaciones con este tipo de informacion. Ademas, un SGBDRD debe permitir efectuar consultas exibles sobre los datos (crisp o difusos), pudiendo establecer condiciones difusas o exibles. nos permite organizar, gestionar, almacenar y recuperar datos de una Base de Datos Relacional (BDR). Es un estandar internacional para operar con cualquier BDR. PL/SQL y otros comandos propios.
SGBDRD SGDBR Difusas. Es un SGBDR en el que la informacion almacenada admite
SQL Structured Query Language, Lenguaje de Consulta Estructurado. Es un lenguaje que SQL*Plus Herramienta de Oracle que posibilita manipular bases de datos a traves de SQL, SQL*Net Software de comunicaciones de Oracle que habilita a las herramientas Oracle u
otras aplicaciones para operar transparentemente sobre cualquier tipo de red y sistema operativo, para acceder a bases de datos residentes en hosts remotos. estandar, dependiente de la ANSI/ISO, esta en fase de desarrollo y debido a su tardanza se han elaborado otros lenguajes, como OQL.
SQL3 Version del lenguaje SQL que contiene las extensiones para trabajar con objetos. Este
358

de datos del tipo SQL dentro del codigo Java del cliente o del servidor.
SQLJ Estandar desarrollado por Oracle, IBM y Sun que permite incluir sentencias de bases
Bibliograf a
1] J.M. Adamo, \Fuzzy Decision Trees". Fuzzy Sets and Systems 4, pp. 207{219, 1980. 2] Advanced Information Systems, Inc., \La Biblia de Oracle8". Coleccion IPP. Ed. Anaya Multimedia, 1998. ISBN 84-415-0537-3. 3] V.A. Aho, R. Sethi, D.J. Ullman, \Compiladores: Principios, Tecnicas y Herramientas". Addison-Wesley, 1990. ISBN 0-201-62903-8. 4] E. Alonso, \Oracle8". Coleccion \Manuales Avanzados". Ed. Anaya Multimedia, 1998. ISBN 84-415-0535-7. 5] T. Andreasen, O. Pivert, \On the Weakening of Fuzzy Relational Queries". 8th. International Symposium on Methodologies for Intelligent Systems, pp. 144{153, 1994. 6] T. Andreasen, O. Pivert, \Improving Answers to Failing Fuzzy Relational Queries". 6th. International Fuzzy Systems Association Congress, pp. 414{418, 1995. 7] M. Anvari, G. Rose, \Fuzzy Relational Databases". In \The Analysis of Fuzzy Information", Vol. II. Ed. J. Bezdek, CRC Press, Boca Raton FL, pp. 203{212, 1987. 8] M.C. Aranda, J. Galindo, \Clasi cacion de Imagenes de una Base de Datos utilizando informacion de su forma". IV Jornadas Internacionales de Informatica, Las Palmas de Gran Canaria (Spain), July 1998. 9] J.F. Baldwin, N.C.F. Guild, \Comparison of Fuzzy Sets on the Same Decision Space". Fuzzy Sets and Systems 2, pp. 213{233, 1979. 10] J. Baldwin, \Knowledge Engineering Using a Fuzzy Relational Inference Language". Proc. IFAC Symp. on Fuzzy Information Knowledge Representation and Decision Analysis, pp. 15{21, 1983. 11] D. Barbara, H. Garcia-Molina, D. Porter, \The Management of Probabilistic Data". IEEE Trans. on Knowledge and Data Engineering, 4, pp. 487{502, 1992. 12] S. Barro, A. Bugar n, A. Sobrino, Edits. \Advances in Fuzzy Logic". Selected papers (with comments) of some spanish authors. Servicio de Publicaciones de la Universidad de Santiago de Compostela, 1998. 13] S.M. Bass, H. Kwakernaak, \Rating and Ranking of Multiple-Aspect Alternatives Using Fuzzy Sets". Automatica 13, pp. 47{58, 1977. 359
360
BIBLIOGRAFIA
14] R. Bellman, M. Giertz, \On the Analytic Formalism of the Theory of Fuzzy Sets". Information Sciences, 5, pp. 149{156, 1973. 15] J.P. Benzecri et coll, \L'analyse des donnees"; Tomo I: \La Taxinomie"; Tomo II: \L'analyse des correspondences". Paris, Dunod, 1976. 16] J.C. Bezdek, \Pattern Recognition with Fuzzy Objective Function Algorithms". Plenum Press, New York, 1981. 17] R.B. Bisland, \Database Management: Developing Application Systems using ORACLE". Prentice Hall International, Inc., 1989. ISBN 0-13-198052-1. 18] M. Blazquez, \Manual Avanzado de Visual Basic 5.0". Ed. Anaya, 1998. ISBN 84-4150371-0. 19] P. Bosc, M. Galibourg, G. Hamon, \Fuzzy Querying with SQL: Extensions and Implementation Aspects". Fuzzy Sets and Systems, 28, pp. 333{349, 1988. 20] P. Bosc, L. Lietard, \On the Extension of the Use of the OWA Operator to Evaluate Some Quanti cations". First European Congress on Fuzzy and Intelligent Techniques, EUFIT'93, pp. 332{338, 1993. 21] P. Bosc, O. Pivert, K. Farquhar, \Integrating Fuzzy Queries into an Existing Database Management System: An Example". International Journal of Intelligent Systems, 9, pp. 475{492, 1994. 22] P. Bosc, O. Pivert, \SQLf: A Relational Database Language for Fuzzy Querying". IEEE Transactions on Fuzzy Systems, 3, pp. 1{17, 1995. 23] P. Bosc, D. Dubois, O. Pivert, H. Prade, \Flexible queries in relational databases { The example of the division operator". Theoretical Computer Science 171, pp. 281{302, 1997. 24] P. Bosc, \On Diverse Answers Issued from Flexible Queries". In \Flexible Query Answering Systems", eds. T. Andreasen, H. Christiansen and H.L. Larsen, Lecture Notes in Arti cial Intelligence (LNAI) 1495, pp. 55{67. Ed. Springer, 1998. International Conference on Flexible Query Answering Systems, FQAS'98, Roskilde (Denmark), May 1998. 25] B. Bouchon-Meunier, J. Yao, \Linguistic Modi ers and Imprecise Categories". International Journal of Intelligent Systems, 9, pp. 35{36, 1992. 26] J.S. Bowman, S.L. Emerson, M. Darnovsky, \The Practical SQL HandBook", 3rd edition. Addison-Wesley, 1997. ISBN 0-201-44787-8. 27] R.J. Brachman, T. Khabaza, W. Kloesgen, G. Piatetsky-Shapiro, E. Simoudis, \Mining Business Databases". Communication of the ACM, 39, N 11, pp. 42{48, 1996. 28] B.P. Buckles, F.E. Petry, \A Fuzzy Representation of Data for Relational Databases". Fuzzy Sets and Systems, 7, pp. 213{226, 1982.
BIBLIOGRAFIA
361
29] B.P. Buckles, F.E. Petry, \Fuzzy Databases and their Applications". In \Fuzzy Information and Decision Processes", Vol. 2. Eds. M. Gupta, E. Sanchez. North-Holand, Amsterdam, pp. 361{371, 1982. 30] B.P. Buckles, F.E. Petry, \Extending the Fuzzy Database with Fuzzy Numbers". Information Sciences 34, pp. 45{55, 1984. 31] B.P. Buckles, F.E. Petry, \Query Languages for Fuzzy Databases". In \Management Decision Support Systems Using Fuzzy Sets and Possibility Theory", Eds. J. Kacprzyk, R.R. Yager, pp. 241{252. Verlag TUV Rheinland Koln GR, 1985. 32] B.P. Buckles, F.E. Petry, H.S. Sachar, \A Domain Calculus for Fuzzy Relational Databases". Fuzzy Sets and Systems, 29, pp. 327{340, 1989. 33] R.A. Carrasco, \Data Mining: Un prototipo para Clustering Financiero". Trabajo de Investigacion del programa de doctorado \Tratamiento de la Informacion en Inteligencia Arti cial", Dpto. Ciencias de la Computacion e I.A., Universidad de Granada (Spain), Septiembre 1998. 34] R.A. Carrasco, J. Galindo, M.C. Aranda, J.M. Medina, M.A. Vila, \Classi cation in Databases using a Fuzzy Query Language". 9th International Conference on Management of Data, COMAD'98, Hyderabad (India), December 1998. 35] R.A. Carrasco, J. Galindo, M.A. Vila, J.M. Medina, \Clustering and Fuzzy Classi cation in a Financial Data Mining Environment". 3th International ICSC Symposium on Soft Computing, (International Computer Science Conventions) SOCO'99, Genova (Italy), June 1999. 36] R. Cavallo, M. Pittarelli, \The Theory of Probabilistic Databases". Proc. 3th International Conference on Very Large Databases, pp. 102{110, 1987. 37] D.D. Chamberlin, R.F. Boyce, \SEQUEL: A Structured English Query Language". Proc. ACM SIGMOD Workshop on Data Description. Access and Control, 1974. 38] D.D. Chamberlin et al., \SEQUEL 2: A Uni ed Approach to Data De nition, Manipulation and Control". IBM J. Research and Development, 20, num. 6, pp. 560{575, November 1976. 39] M. Chen, J. Han, P.S. Yu, \Data Mining: An overview from a Data Base Perspective". IEEE Transac. On Knowledge and Data Engineering, Vol 8{6, 866{883, 1996. 40] D.W. Cheung, Vicent T. Ng, A.W. Fu, Yongjian Fu, \E cient Mining of Association Rules in Distributed Databases". IEEE Transac. On Knowledge and Data Engineering, Vol 8{6, 911{922, 1996. 41] E.F. Codd, \A Relational Model of Data for Large Shared Data Banks". Communications of the ACM, 13, N 6, pp. 377{387, June 1970. 42] E.F. Codd, \Relational Completeness of Data Base Sublanguages". Data Base Systems. Courant Computer Science Symposia Series, Vol. 6, pp. 65{98, Englewood Clifs, Nueva Jersey. Prentice Hall, NY 1972.
362
BIBLIOGRAFIA
43] E.F. Codd, \Extending the Database Relational Model to Capture More Meaning". ACM Trans. on Database Systems, 4, pp. 262{296, 1979. 44] E.F. Codd, \Missing Information (Applicable and Inapplicable) in Relational Databases". ACM SIGMOD Record, Vol. 15, N 4, 1986. 45] E.F. Codd, \The Twelve Rules for Relational DBMS". San Jose, The Relational Institute, Technical Report EFC-6, 1986. 46] E.F. Codd, \More Commentary on Missing Information in Relational Databases". ACM SIGMOD Record, Vol. 16, N 1, 1987. 47] E.F. Codd, \The Relational Model for Database Management, Version 2". Reading Mass.: Addison-Wesley, 1990. 48] B. Coydon, \Visual Basic 4: Desarrollo de aplicaciones profesionales bajo Windows". Ed. Eyrolles, Par s, 1995. Ed. Gestion 2000, S.A., Barcelona, 1996. ISBN 84-8088-114-3. 49] J.C. Cubero, J.M. Medina, O. Pons, M.A. Vila, \Extensions of a Resemblance Relation". Fuzzy Sets and Systems, 86(2), 1997. 50] C.J. Date, \Null Values in Database Management". In \Relational Database: Selected Writings", Ed. C.J. Date. Reading Mass.: Addison-Wesley, 1986. 51] C.J. Date, \An Introduction to Database Systems". Addison-Wesley, 4th. edition, 1986. 52] C.J. Date, Hugh Darwen, \A Guide to SQL Standard", 4th edition. Addisson-Wesley, 1997. ISBN 0-201-96426-0. 53] M. Delgado, J.L. Verdegay, M.A. Vila, \A Procedure for Ranking Fuzzy Numbers Ussing Fuzzy Relations". Fuzzy Sets and Systems, 26, pp. 49{62, 1988. 54] M. Delgado, J.L. Verdegay, M.A. Vila, \On Aggregation Operations of Linguistic Labels". International Journal of Intelligent Systems, 8, pp. 351{370, John Wiley & Sons, Inc, 1993. 55] M. Delgado, A.F. Gomez-Skarmeta, A. Vila, \On the Use of Hierarchical Clustering in Fuzzy Modelling". International Journal of Approximate Reasoning, 14, pp. 237-257, 1996. 56] D. Dubois, H. Prade, \Fuzzy Real Algebra: Some Results", Fuzzy Sets and Systems, 2, pp. 327{348, 1979. 57] D. Dubois, H. Prade, \Fuzzy Sets and Systems: Theory and Applications". Academic Press, NY, 1980. 58] D. Dubois, H. Prade, \Ranking Fuzzy Numbers in the Setting of Possibility Theory". Information Sciences 30, pp. 183{224, 1983. 59] D. Dubois, H. Prade, \Fuzzy Number. An Overview, the Analisis of Fuzzy Information", J.C. Bezdek CRS Press, Boca Raton Fl. USA, 1985.
BIBLIOGRAFIA
363
60] D. Dubois, H. Prade, \Weighted Minimum and Maximum Operations in Fuzzy Set Theory". Information Sciences, 39, pp. 205{210, 1986. 61] D. Dubois, H. Prade, \Possibility Theory. An Approach to Computerized Processing of Uncertainty", Plenum Press, N.Y., 1988. 62] D. Dubois, H. Prade, \Measuring Properties of Fuzzy Sets: A General Technique and its use in Fuzzy Query Evaluation". Fuzzy Sets and Systems, 38, pp. 137{152, 1990. 63] D. Dubois, H. Prade, P. Smets, \Partial truth is not uncertainty: Fuzzy logic versus Possibilistic logic". IEEE Expert 9, pp. 15{19, 1994. 64] D. Dubois, H. Prade, \A Review of Fuzzy Set Aggregation Connectives". Information Sciences, 36, pp. 85{121, 1995. 65] B.S. Duran, P.L. Odell, \Lecture Notes in Economics and Mathematical Systems". Berlin, Springer-Verlag, 1974. 66] J. Fdez-Valdivia, J.A. Garcia, M. Garcia-Silvente, \Simplifying cartographic boundaries by using a normalized measure of ambiguity". Computer & Geosciences, 22, pp. 607{ 623, 1996. 67] J. Fdez-Valdivia, J.A. Garcia, M. Garcia-Silvente, \An evaluation of the novel Normalized-Redundancy representation for planar curves". International Journal of Pattern Recognition and Arti cial Intelligence, 10, pp. 769{789, 1996. 68] W.J. Frawley, G. Piatetsky-Shapiro, C.J. Mathus, \Knowledge Discovery in Databases: An Overview", in \Knowledge Discovery in Databases", Eds. G. Piatetsky, W.J. Frawley, pp. 1{31. The AAAI Press, 1991. 69] N. Fuhr, \A Probabilistic Framework for Vague Queries and Imprecise Information in Databases". Proc. 6th International Conference on Very Large Data Bases, pp. 77{85, 1990. 70] S. Fukami, M. Umano, M. Muzimoto, H. Tanaka, \Fuzzy Database Retrieval and Manipulation Language", IEICE Technical Reports, Vol. 78, N 233, pp. 65{72, AL-78-85 (Automata and Language), 1979. 71] J. Galindo, \Diversos Sistemas de Bases de Datos Relacionales Difusas". II Jornadas Cient cas en Tecnolog a de la Informacion, pp. 51{57. Universidad de Cadiz, Marzo 1996. 72] J. Galindo, J.M. Medina, M.C. Aranda, \Una solucion al problema de la Division Relacional Difusa". VII Congreso Espa~ol sobre Tecnolog as y Logica Fuzzy, ESTYLF'97, n pp. 51{56, Tarragona (Spain), September 1997. 73] J. Galindo, M.C. Aranda, J.M. Medina, \Calculo de la Division Relacional en una Base de Datos Relacional Difusa, con Atributos y Resultados Difusos. Comparativa con otros modelos de division". Technical Report, Departamento de Lenguajes y Ciencias de la Computacion, Universidad de Malaga, 1998.
364
BIBLIOGRAFIA
74] J. Galindo, J.M. Medina, M.C. Aranda, \Fuzzy Division in Fuzzy Relational Databases. An approach". Sometido a la revista internacional Fuzzy Sets and Systems, 1998. 75] J. Galindo, J.M. Medina, O. Pons, M.A. Vila, J.C. Cubero, \A Prototype for a Fuzzy Relational Database". Demo Session in the 6th International Conference on Extending Database Technology, EDBT'98, Valencia (Spain), March 1998. 76] J. Galindo, \Web sobre FSQL": http://www.lcc.uma.es/personal/ppgg/FSQL.html 77] J. Galindo, J.M. Medina, O. Pons, J.C. Cubero, \A Server for Fuzzy SQL Queries". In \Flexible Query Answering Systems", eds. T. Andreasen, H. Christiansen and H.L. Larsen, Lecture Notes in Arti cial Intelligence (LNAI) 1495, pp. 164{174. Ed. Springer, 1998. International Conference on Flexible Query Answering Systems, FQAS'98, Roskilde (Denmark), May 1998. 78] J. Galindo, J.M. Medina, A. Vila, O. Pons, \Fuzzy Comparators for Flexible Queries to Databases". Iberoamerican Conference on Arti cial Intelligence, IBERAMIA'98, Lisbon (Portugal), pp. 29{41, October 1998. 79] J. Galindo, J.M. Medina, M.C. Aranda Garrido, \Querying Fuzzy Relational Databases Through Fuzzy Domain Calculus". International Journal of Intelligent Systems, Vol. 14, issue 3, 1999. 80] J. Galindo, J.M. Medina, J.C. Cubero, \How to Obtain the Ful lment Degrees of a Query using Fuzzy Relational Calculus". In \Knowledge management in Fuzzy Databases". Eds. O. Pons, M.A. Vila and J. Kacprzyk. Ed. Physica-Verlag, 1999. 81] J.A. Garcia, J. Fdez-Valdivia, \Boundary simpli cation in cartography preserving the characteristics of the shape features". Computers & Geosciences, 20, pp. 349{368, 1994. 82] E. Garv , M. L. Rodriguez, F. Velasco, \Uso de ORACLE7: SQL y PL/SQL". Proyecto Sur de Ediciones, S.L., Granada, 1996. ISBN 84-8254-086-6. 83] R. George, B. Buckles, F. Petry, \Modeling Class Hierarchies in the Fuzzy ObjectOriented Data Model". Fuzzy Sets and Systems, 60, pp. 259{272, 1993. 84] C. Giardina, \Fuzzy Databases and Fuzzy Relational Associative Processors". Technical Report, Stevens Institute of Technology, Hoboken NJ, 1979. 85] J. Grant, \Incomplete Information in a Relational Database". Fundamenta Informaticae, 3, pp. 363{378, 1980. 86] J.R. Gro , P.N. Weinberg, \Using SQL". Osborne McGraw-Hill, 1990. ISBN 0-07881524-X. 87] J.L. Guigou, \Analyse des donness et choix a criteres multiples". Paris, Dunod, 1974. 88] G.W. Hansen, J.V. Hansen, \Dise~o y Administracion de Bases de Datos", Segunda n edicion. Prentice Hall, 1997. ISBN 84-8322-002-4. 89] G.D. Held, M.R. Stonebraker, E. Wong, \INGRES{ A Relational Data Base System". Proc. NCC 44, May 1975.
BIBLIOGRAFIA
365
90] T. Imielinski, H. Mannila, \A Database Perspective on Knowledge Discovery". Communication of the ACM, 39, N 11, pp. 58{64, 1996. 91] A.K. Jain, \Fundamentals of Digital Image Processing". Ed. Prentice-Hall, Englewool Cli s, New Jersey, 1989. 92] G. Koch, \Manual de Referencia". McGraw-Hill, 1994. ISBN 0-07-881919-9 y 84-4811855-3. 93] R. Kruse, J. Gebhardt, F. Klawonn, \Foundations of Fuzzy Systems". John Wiley & Sons, 1994. ISBN 0-471-94243X. 94] J.L. Kuhns, \Answering Questions by Computer: A Logical Study". Report RM-5428PR, Rand Corp., Santa Monica, California, 1967. 95] M. Lacroix, A. Pirotte, \Domain-Oriented Relational Languages". Proc. 3ed International Conference on Very Large Data Bases, October, 1977. 96] M. Lacroix, A. Pirotte, \ILL: An English Structured Query Language for Relational Data Bases". Architecture and Models in Data Base Management Systems. Ed. G.M. Nijssen, North-Holland, 1977. 97] D. Li, D. Liu, \A Fuzzy Prolog Database System". Research Studies Press LTD. ISBN 0-86380-102-1. John Wiley & Sons Inc., 1990. ISBN 0-471-92762-7. 98] W. Lipski, \On Semantic Issues Connected with Incomplete Information Databases". ACM Trans. on Database Systems, 4, pp. 262{296, 1979. 99] K. Loney, \Oracle: Manual del administrador". Traduccion de \Oracle DBA Handbook". Oracle Press & McGraw-Hill. ISBN 0-07-881182-1. 100] M.J. Mart n-Bautista, M.A. Vila, \Applying Genetic Algorithms to the Feature Selection Problem in Information Retrieval", in \Flexible Query Answering Systems", eds. T. Andreasen, H. Christiansen and H.L. Larsen, Lecture Notes in Arti cial Intelligence (LNAI) 1495, pp. 272{281. Ed. Springer, 1998. International Conference on Flexible Query Answering Systems, FQAS'98, Roskilde (Denmark), May 1998. 101] F.M. McNeill, E. Thro, \Fuzzzy Logic: A practical approach". AP professional, 1994. ISBN 0-12-485965-8. 102] J.M. Medina, O. Pons, M.A. Vila, \GEFRED. A Generalized Model of Fuzzy Relational Data Bases". Information Sciences, 76(1{2), 87{109, 1994. 103] J.M. Medina, \Bases de Datos relacionales difusas. Modelo teorico y aspectos de su implementacion". Ph. Doctoral Thesis, University of Granada (Spain), May 1994. 104] J.M. Medina, J.C. Cubero, O. Pons, M.A. Vila, \Towards the Implementation of a Generalized Fuzzy Relational Database Model". Fuzzy Sets and Systems, 75, pp. 273{ 289, 1995. 105] J.M. Medina, O. Pons, M.A. Vila, \An Elemental Processor of Fuzzy SQL". Mathware and Soft Computing, Vol. 3, pp. 285{295, 1995.
366
BIBLIOGRAFIA
106] J.M. Medina, O. Pons, M.A. Vila, \FIRST. A Fuzzy Interface for Relational SysTems". VI International Fuzzy Systems Association World Congress (IFSA 1995). Sao Paulo (Brasil), 1995. 107] J.M. Medina, O. Pons, M.A. Vila, Cubero J.C., \Client/Server Architecture for Fuzzy Relational Databases". Mathware and Soft Computing, 3(3), pp. 415{424, 1996. 108] J.M. Medina J.M., D. Rashid, J.L. Torralbo, R. Vela, \A Visual Client for Querying a Fuzzy Database Server". VI International Conference on Information Processing and Management in Knowledge-Based Systems, IPMU'1996, Vol. I, pp. 7{12. Granada (Spain), 1996. 109] R.S. Michalski, R.E. Stepp, \Learning from observation: Conceptual Clustering" in R. Michalski, J. Carbonell, and T. Mitchell, Eds., Machine Learning: An Arti cial Intelligence Approach. Springer-Verlag. Berlin, pp. 331{363, 1984. 110] F. Mokhtarian, A. Mackworth, \Scale-based description and recognition of planar curves and two-dimensional shapes". IEEE Trans. Pattern Analysis and Machine Intelligence, 8, pp. 34{43, 1986. 111] J. Mohammd, N. Vadiee, T.J. Ross, Eds. \Fuzzy Logic and Control. Software and Hardware Applications". Eaglewood Cli s, NJ:PTR. Prentice Hall, 1993. 112] M.C. Morrone, R.A. Owens, \Feature detection from local energy". Pattern Recognition Letters, 6, pp. 303{313, 1987. 113] M.C. Morrone, D.C. Burr, \Feature detection in human vision: a phase-dependent energy mode". Proc. R. Soc. Lond. B, 235, pp. 221{245, 1988. 114] N. Mouaddib, \Fuzzy Identi cation in Fuzzy Databases: The Nuanced Relational Division". International Journal of Intelligent Systems, 9, pp. 461{473, 1994. 115] H. Nakajima, T. Sogoh, M. Arao, \Fuzzy Database Language and Library { Fuzzy Extension to SQL". Second International Conference on Fuzzy Systems, FUZZ-IEEE'93, pp. 477{482, 1993. 116] Oracle, \Oracle 7 RDBMS: The complete database reference". Handbooks and Online Documentation Library, versions 7.3 (1997) and 8 (1998). 117] Oracle Corporation, http://www.oracle.com. Web de esta compa~ a internacional. n 118] K.T. Owens, \Building Intelligent Databases with Oracle PL/SQL, Triggers, and Stored Procedures". Prentice Hall PTR, 1996. ISBN 0-13-443631-8. 119] J. Ozawa, K. Yamada, \Cooperative Answering with Macro Expression of a Database". V International Conference on Information Processing and Management in KnowledgeBased Systems, IPMU'1994, pp. 17{22, 1994. 120] S. Pak, C. Kim, D. Kim, \Fuzzy Querying in Relational Databases". Proc. 5th IFSA World Congress, pp. 536{553, 1993. 121] Z. Pawlak, \Rough Sets". International Journal of Computer and Information Sciences, 11, pp. 341{356, 1982.
BIBLIOGRAFIA
367
122] Z. Pawlak, \Rough Sets: Theoretical Aspects of Reasoning about Data". Kluwer Academic Publishers, Norwell, MA, 1991. 123] W. Pedrycz, F. Gomide, \An introduction to Fuzzy Sets: Analysis and Design". A Bradford Book. The MIT Press, Massachusetts, 1998. ISBN 0-262-16171-0. 124] E. Petroutsos, \La Biblia de Visual Basic 5". Ed. Anaya, 1997. ISBN 84-415-0387-4. 125] F.E. Petry, \Fuzzy Databases: Principles and Applications" (with chapter contribution by Patrick Bosc). International Series in Intelligent Technologies. Ed. H.-J. Zimmermann. Kluwer Academic Publishers (KAP), 1996. 126] A. Pirotte, P. Wodon P., \A Comprehensive Formal Query Language for a Relational Data Base". R.A.I.R.O. Informatique/Computer Science 11, num. 2, 1977. 127] H. Prade, C. Testemale, \Generalizing Database Relational Algebra for the Treatment of Incomplete/Uncertain Information and Vague Queries". Information Sciences 34, pp. 115{143, 1984. 128] H. Prade, \Lipski's Approach to Incomplete Information Databases Restated and Generalized in the Setting of Zadeh's Possibitity Theory". Information Systems, 9, pp. 27{42, 1984. 129] H. Prade, C. Testemale, \Fuzzy Relational Databases: Representational issues and Reduction Using Similarity Measures". J. Am. Soc. Information Sciences 38(2), pp. 118{126, 1987. 130] H. Prade, C. Testemale, \Representation of Soft Constraints and Fuzzy Attribute Values by means of Possibility Distributions in Databases". In \Analysis of Fuzzy Information", Vol. II: \Arti cial Intelligence and Decision Systems". Ed. J. Bezdek, CRC Press., pp. 213{229, 1987. 131] H. Prade, \A Two-Layer fuzzy Pattern Matching Procedure for the Evaluation of Conditions Involving Vague Quanti ers". Journal of Intelligent and Robotic Systems, 3, pp. 93{101, 1990. 132] E. Rivero Cornelio, \Bases de Datos Relacionales". Paraninfo, 1988. ISBN 84-2831652X. 133] E. Sanchez, \Importance in Knowledge Systems". Information Systems, 14, pp. 455{ 464, 1989. 134] B. Schweizer, A. Sklar, \Probabilistic Metric Spaces", North-Holland, 1983. 135] S. Shenoi, A. Melton, \Proximity Relations in fuzzy Relational Databases". Fuzzy Sets and Systems, 31, pp. 287{296, 1989. 136] S. Shenoi, A. Melton, \An Extended Version of the Fuzzy Relational Database Model". Information Sciences, 51, pp. 35{52, 1990. 137] A. Shoshani, H. Wong, \Statistical and Scienti c Database Issues". IEEE Trans. Software Engineering, 11, pp. 235{256, 1985.
368
BIBLIOGRAFIA
138] V. Tahani, \A Conceptual Framework for Fuzzy Query Processing{A Step toward Very Intelligent Database Systems". Information Processing and Management, 13, pp. 289{ 303, 1977. 139] Y. Takahashi, \A Fuzzy Query Language for Relational Databases". IEEE Trans. on Systems, Man and Cybernetics, 21, pp. 1576{1579, 1991. 140] E. Trillas, \Sobre Funciones de Negacion en la Teor a de Conjuntos Difusos". Stochastica, Vol. 3, N 1, pp. 47{59, 1979. 141] J.D. Ullman, \Principles of Database Systems" Computer Science Press, 2nd edition, 1982. 142] M. Umano, S. Fukami, M. Mizumoto, K. Tanaka, \Retrieval Processing from Fuzzy Databases". Technical Reports of IECE of Japan, Vol. 80, N 204 (on Automata and Languages), pp. 45{54, AL80-50, 1980. 143] M. Umano, \Freedom-O: A Fuzzy Database System". In \Fuzzy Information and Decision Processes". Eds. M. Gupta, E. Sanchez. North-Holand, Amsterdam, Pub. Comp., pp. 339{347, 1982. 144] M. Umano, \Retrieval from Fuzzy Database by Fuzzy Relational Algebra". In \Fuzzy Information , Knowledge Representation and Decision Analysis". Eds. M. Gupta, E. Sanchez. Pergamon Press, New York, pp. 1{6, 1983. 145] M. Umano, S. Fukami, \Fuzzy Relational Algebra for Possibility-Distribution-FuzzyRelational Model of Fuzzy Data". Journal of Intelligent Information Systems, 3, pp. 7{28, 1994. 146] S. Urman, \Oracle8: Programacion PL/SQL". Oracle Press & Osborne McGraw-Hill, 1998. 147] R. Vandenberghe, A. Van Schooten, R. De Caluwe, E.E. Kerre, \Some practical aspects of fuzzy database techniques: an example". Inform. Systems 14, pp. 465{472, 1989. 148] M.A. Vila, \Nota sobre el calculo de particiones optimas obtenidas a partir de una clasi cacion jerarquica". Actas de la XI Reunion Nacional de I.O., Sevilla, Espa~a, n 1979. 149] M.A. Vila, J.C. Cubero, J.M. Medina, O. Pons, \The Generalized Selection: An Alternative Way for the Quotient Operations in Fuzzy Relational Databases". In \Fuzzy Logic and Soft Computing", Eds. B. Bouchon-Meunier, R.R. Yager, L.A. Zadeh, pp. 241{250. World Scienti c, 1995. 150] M.A. Vila, J.C. Cubero, J.M. Medina, O. Pons, \Using OWA Operator in Flexible Query Processing", Vol. \The Ordered Weighted Averaging Operators: Theory, Methodology and Applications". Eds. Ronald R. Yager and Janusz Kacprzyk, 1997. 151] M.A. Vila, J.C. Cubero, J.M. Medina, O. Pons, \On the use of Soft Computing Techniques in Data Mining Problems". Vistas in Astronomy, Vol. 41, n. 3, pp. 379{386, 1997. Tambien en: Technical report #DECSAI-96-01-12. Dpto. of Computer Science and Arti cial Intelligence. Universidad de Granada, Spain (1997).
BIBLIOGRAFIA
369
152] R. Weber, \Customer Segmentation for Banks and Insurance Groups with Fuzzy Clustering Techniques". Fuzzy Logic, London (U.K.), Article N 23194, 1996. 153] E.A. Wong, \Statistical Approach to Incomplete Information in Database Systems". ACM Trans. on Database Systems 7, pp. 479{488, 1982. 154] M. Wong, K Leung, \A Fuzzy Database-Query Language". Information Systems, 15, pp. 583{590, 1990. 155] R.R. Yager, \Ranking Fuzzy Subsets Over the Unit Interval". Proc. CDC, pp. 1435{ 1437, 1978. 156] R.R. Yager, \On a General Class of fuzzy Connectives". Fuzzy Sets and Systems, 3, pp. 235{242, 1980. 157] R.R. Yager, \A Procedure for Ordering Fuzzy Subsets of the Unit Interval". Information Sciences 24, pp. 143{161, 1981. 158] R.R. Yager, \Quanti ed Propositions of a Linguistic Logic". International Journal of Man-Machine Studies, 19, pp. 195{227, 1983. 159] R.R. Yager, S. Ovchinnikov et al., \Fuzzy Sets and Applications: Selected Pappers by L. A. Zadeh", Wiley Intersc., 1987. 160] R.R. Yager, \On ordered weighted averagin aggregation operators in multicriteria decisionmaking". IEEE Trans. on Systems, Man and Cybernetics, 18, pp. 183{190, 1988. 161] R.R. Yager, \Connectives and Quanti ers in Fuzzy Sets". Fuzzy Sets and Systems, 40, pp. 39-76, 1991. 162] R.R. Yager, \Fuzzy Quotient Operators for Fuzzy Relational Databases". First Int. Fuzzy Engineering Symposium, IFES'91, pp. 289{296, 1991. 163] R.R. Yager, \Fuzzy Quotient Operators". IV International Conference on Information Processing and Management in Knowledge-Based Systems, IPMU'1992, pp. 317{322, 1992. 164] R.R. Yager, \Families of OWA operators". Fuzzy Sets and Systems, 59, pp. 125{148, 1993. 165] L.A. Zadeh, \Fuzzy Sets". Information Control, 8, pp. 338{353, 1965. 166] L.A. Zadeh, \Similarity Relations and Fuzzy Orderings". Information Sciences, 3, pp. 177{200, 1971. 167] L.A. Zadeh, \The Concept of a Linguistic Variable and Its Application to Approximate Reasoning". Information Sci., 8, pp. 199{248, pp. 301{357; 9, pp. 43{80, 1975. 168] L.A. Zadeh, \Fuzzy Sets as a Basis for a Theory of Possibility". Fuzzy Sets and Systems, 1, pp. 3{28, 1978. 169] L.A. Zadeh, \A Computational Approach to Fuzzy Quanti ers in Natural Languages". Computer Mathematics with Applications, 9, pp. 149{183, 1983.
370
BIBLIOGRAFIA
170] M. Zemankova-Leech, A. Kandel, \Fuzzy Relational Databases { A Key to Expert Systems". Koln, Germany, Verlag TUV Rheinland, 1984. 171] M. Zemankova-Leech, A. Kandel, \Implementing Imprecision in Information Systems". Information Sciences, 37, pp. 107{141, 1985. 172] H.-J. Zimmermann, \Fuzzy Set Theory and its Applications", 2nd Edition. Ed. Kluwer Academic Publishers (KAP), 1991. 173] M.M. Zloof, \Query By Example". Proc. NCC, 44, Anaheim, Calif., May 1975. Montvale, N.J.: AFIPS Press, 1977.
Marcas Registradas
Los siguientes nombres de productos y marcas, son marcas registradas de sus respectivos fabricantes: Access de Microsoft. DB2 de IBM. Informix de Informix Software, Inc. MS-DOS de Microsoft. Oracle de Oracle Corporation OS/2 de IBM. SQL/400 de IBM. SQL Server de Microsoft. Visual Basic de Microsoft. Windows 95, Windows 98 y Windows NT de Microsoft. Word de Microsoft. Word Perfect de Corel.
371
372
MARCAS REGISTRADAS
Indice de Tablas
1.1 Resultado de ejemplo de la consulta difusa \dame las personas jovenes". . . . 1.2 Funciones de Grupo utilizables en la sentencia SELECT. . . . . . . . . . . . . . 2.1 2.2 2.3 2.4 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 3.21 3.22 3.23 3.24 3.25 3.26 Tablas de verdad para la logica tri-valuada. . . . . . . . . . . Tablas de verdad para la logica tetra-valuada. . . . . . . . . . Representacion de informacion en dos modelos posibil sticos. Tipos de datos que puede representa GEFRED. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 18 36 36 40 44 58 58 60 60 63 63 69 69 71 71 72 73 74 74 75 75 77 79 79 79 82 82 82 84 85 85
Ejemplo 3.1 de Interseccion Difusa Cuali cada: Relacion R. . . . . . . . . . . Ejemplo 3.1 de Interseccion Difusa Cuali cada: Relacion R0 . . . . . . . . . . . Ejemplo 3.1: Relacion R \Q R0 , con el calculo de CA . . . . . . . . . . . . . . . Ejemplo 3.1: Resultado de aplicar el umbral 0.6 a R \Q R0 . . . . . . . . . . . Ejemplo 3.2: Relacion R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejemplo 3.2: Resultado de P F (R; X ; X 0 ). . . . . . . . . . . . . . . . . . . . . Ejemplo 3.5 de Division Relacional: Relacion R. . . . . . . . . . . . . . . . . Ejemplo 3.5 de Division Relacional: Relacion R0 . . . . . . . . . . . . . . . . . Ejemplo 3.5 de Division Relacional: Relacion R00 = P (R; EQUIPO) R0 . . . . . Ejemplo 3.5 de Division Relacional: Relacion R000 = R00 \Q R, con el calculo de CEQUIPO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejemplo 3.5 de Division Relacional: Relaciones intermedias R3 y R4 . . . . . . Ejemplo 3.5 de Division Relacional: Relaciones intermedias R9 y R10 . . . . . Ejemplo 3.5 de Division Relacional: Relacion resultante de R R0 . . . . . . . Ejemplo 3.6 de Division Relacional: Relacion R0 . . . . . . . . . . . . . . . . . Ejemplo 3.6 de Division Relacional: R000 (resultado de la Interseccion Difusa Cuali cada). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Resultado de la Interseccion Difusa modi cada, para el Ejemplo 3.6. . . . . . Ejemplo 3.7 de Division Difusa con cuanti cadores: Relacion resultante de R R0 . Ejemplo 3.8 de Division de Mouaddib: Similitud entre colores. . . . . . . . . Ejemplo 3.8 de Division de Mouaddib: Relacion R. . . . . . . . . . . . . . . . Ejemplo 3.8 de Division de Mouaddib: Relacion S . . . . . . . . . . . . . . . . Ejemplo 3.10 de Division de Umano/Fukami: Relacion R. . . . . . . . . . . . Ejemplo 3.10 de Division de Umano/Fukami: Relacion S . . . . . . . . . . . . Ejemplo 3.10 de Division de Umano/Fukami: Relacion resultante R S . . . . Ejemplo 3.11 de Division de Bosc et al.: Relacion R. . . . . . . . . . . . . . . Ejemplo 3.11 de Division de Bosc et al.: Relacion S . . . . . . . . . . . . . . . Ejemplo 3.11 de Division de Bosc et al. (caso 1): Resultados de R S segun las implicaciones de Godel y Goguen. . . . . . . . . . . . . . . . . . . . . . . . 373
374
INDICE DE TABLAS
3.27 Ejemplo 3.12 de Division de Bosc et al.: Relacion R. . . . . . . . . . . . . . . 3.28 Ejemplo 3.12 de Division de Bosc et al.: Relacion S . . . . . . . . . . . . . . . 3.29 Ejemplo 3.12 de Division de Bosc et al. (caso 2): Resultado de R S segun la implicacion de Dienes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.30 Ejemplo 3.11 de Division de Bosc et al. (caso 1 modi cado): Resultados de R S segun las dos implicaciones de Lukasiewicz. . . . . . . . . . . . . . . . 3.31 Ejemplo 3.13 de Division de Yager: Relacion R. . . . . . . . . . . . . . . . . . 3.32 Ejemplo 3.13 de Division de Yager: Relacion S . . . . . . . . . . . . . . . . . . 3.33 Ejemplo 3.13: Resultado de la Division de Yager. . . . . . . . . . . . . . . . . 3.34 Ejemplo 3.14 de Division de Vila et al.: Relacion R. . . . . . . . . . . . . . . 3.35 Ejemplo 3.14 de Division de Vila et al.: Relacion R comprimida. . . . . . . . 3.36 Ejemplo 3.14: Resultado de la Division de Vila et al. . . . . . . . . . . . . . . 3.37 Ejemplo 3.15 de comparacion entre la propuesta de Division de Vila et al. y nuestra propuesta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 Ejemplos de atomos difusos de Pertenencia y su signi cado. . Ejemplos de atomos difusos de Comparacion y su signi cado. Relacion R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R4:4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R4:5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R4:6 = R4:4 R4:5 del Ejemplo 4.6. . . . . . . . . . . Relacion R4:7 = R4:4 \ R4:5 del Ejemplo 4.7. . . . . . . . . . . Relacion R4:8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R4:9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R4:10 . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R4:11 . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R0 para el Ejemplo 4.12. . . . . . . . . . . . . . . . . Relacion R00 para los Ejemplos 4.12 y 4.13. . . . . . . . . . . Relacion R4:12 . . . . . . . . . . . . . . . . . . . . . . . . . . . Relacion R000 para el Ejemplo 4.13. . . . . . . . . . . . . . . . Relacion R4:13 = R000 R00 del Ejemplo 4.13. . . . . . . . . . . Relacion R4:14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 86 87 87 89 89 91 92 93 93 94 101 101 117 118 120 121 121 122 123 123 125 126 126 127 128 128 131 142 144 145 156 156 157 157 157 158 158 159 162
Representacion interna de Atributos Difusos Tipo 2. . . . . . . . . . . . . . . Representacion interna de Atributos Difusos Tipo 3. . . . . . . . . . . . . . . Tablas y vistas de FIRST y sus sinonimos publicos. . . . . . . . . . . . . . . . Ejemplo de para la relacion EMPLEADOS. . . . . . . . . . . . . . . . . . . . Relacion de Similitud sr sobre RENDIMIENTO. . . . . . . . . . . . . . . . . Ejemplo para la tabla FUZZY COL LIST. . . . . . . . . . . . . . . . . . . . . . Ejemplo para la tabla FUZZY APPROX MUCH. . . . . . . . . . . . . . . . . . . . Ejemplo para la tabla FUZZY OBJECT LIST. . . . . . . . . . . . . . . . . . . . Ejemplo para la tabla FUZZY LABEL DEF. . . . . . . . . . . . . . . . . . . . . . Ejemplo para la tabla FUZZY NEARNESS DEF. . . . . . . . . . . . . . . . . . . . Representacion interna real de la relacion de ejemplo EMPLEADOS en el SGBD con la extension FIRST. . . . . . . . . . . . . . . . . . . . . . . . . . . 5.12 Comparadores Difusos de FSQL (Fuzzy SQL). . . . . . . . . . . . . . . . . .
INDICE DE TABLAS
5.13 Operaciones usadas por defecto para el calculo de la funcion CDEG de FSQL con operadores logicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.14 Constantes difusas que pueden ser usadas en FSQL. . . . . . . . . . . . . . . 5.15 Restrictividad de los comparadores difusos por familias. . . . . . . . . . . . . 5.16 Relacion difusa Jugadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.17 Consulta FSQL y relacion resultante del Ejemplo 5.14. . . . . . . . . . . . . . 5.18 Consulta FSQL y relacion resultante del Ejemplo 5.15. . . . . . . . . . . . . . 5.19 Consulta FSQL y relacion resultante del Ejemplo 5.16. . . . . . . . . . . . . . 5.20 Consulta FSQL y relacion resultante del Ejemplo 5.17. . . . . . . . . . . . . . 5.21 Consulta FSQL y relacion resultante del Ejemplo 5.18. . . . . . . . . . . . . . 5.22 Consulta FSQL y relacion resultante del Ejemplo 5.19. . . . . . . . . . . . . . 5.23 Consulta FSQL y relacion resultante del Ejemplo 5.20. . . . . . . . . . . . . . 5.24 Consulta FSQL para el Ejemplo 5.21. . . . . . . . . . . . . . . . . . . . . . . 5.25 Relacion difusa Buscados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.26 Consulta FSQL para el Ejemplo 5.22. . . . . . . . . . . . . . . . . . . . . . . 5.27 Informacion disponible en la vista FSQL INFO. . . . . . . . . . . . . . . . . . . 5.28 Opciones de con guracion disponibles en la vista FSQL OPTIONS para el usuario que indique la columna OWNER. . . . . . . . . . . . . . . . . . . . . . . . . . . 5.29 Paquetes PL/SQL del Servidor FSQL y resumen de su contenido. . . . . . . . 5.30 Tablas y Vistas del Servidor FSQL y resumen de su contenido. . . . . . . . . 5.31 Caracter sticas de las Tablas y Vistas del Servidor FSQL. . . . . . . . . . . . 5.32 Signi cado de los Estados Terminales del automata de la Figura 5.16. . . . . 5.33 Funciones usadas para el calculo de la funcion CDEG con operadores logicos. . 5.34 Representacion Gra ca de Atributos difusos Tipo 2. . . . . . . . . . . . . . . 5.35 Representacion Gra ca de Atributos difusos Tipo 3. . . . . . . . . . . . . . . 5.36 Funciones de comparacion difusa empleadas con atributos difusos Tipo 1. . . 5.37 Funciones de comparacion difusa empleadas con atributos difusos Tipo 2. . . 5.38 Funciones de comparacion difusa empleadas con atributos difusos Tipo 3. . .
375 163 164 178 184 185 186 186 187 188 188 188 189 189 190 203 205 209 210 211 213 220 221 222 223 224 225
7.1 Ejemplo de clustering: DAPHNE obtiene 6 clusters. . . . . . . . . . . . . . . 260 7.2 Resultados de una consulta FSQL para Data Mining. . . . . . . . . . . . . . . 261 E.1 Ficheros del directorio ServFSQL del disco del Servidor FSQL. . . . . . . . . . 316 E.2 Ficheros del directorio Gramat del disco del Servidor FSQL. . . . . . . . . . . 317 G.1 Comparadores crisp (clasicos) del SQL de Oracle. . . . . . . . . . . . . . . . . 342 G.2 Comparadores difusos de FSQL. . . . . . . . . . . . . . . . . . . . . . . . . . 342 G.3 Constantes difusas de FSQL. . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
376
INDICE DE TABLAS
Indice de Figuras
1.1 Numero difuso general: Entre y . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Numero difuso trapezoidal normalizado. . . . . . . . . . . . . . . . . . . . . . 3.1 Ejemplo 3.1 de Interseccion Difusa Cuali cada: De nicion de etiquetas sobre los atributos B y C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Algoritmo para el computo de los resultados de las Funciones de Grupo. . . . 3.3 Ejemplo 3.5 de Division Relacional: De nicion de etiquetas sobre los atributos ALTURA y CALIDAD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 Cuanti cador difuso relativo \casi todos". . . . . . . . . . . . . . . . . . . . . 4.1 Algoritmo para calcular el grado S en un atomo de Pertenencia. . . . . . . . x 4.2 Algoritmo para \Buscar la tupla r-esima de R tal que sea la tupla mas parecida a (S; K ) en R con mayor cri ". . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3 Ejemplo 4.3: De nicion de etiquetas sobre los atributos B y C. . . . . . . . . . 4.4 De nicion de etiquetas sobre los atributos ALTURA y CALIDAD. . . . . . . . . . 4.5 Cuanti cador difuso relativo \casi todos". . . . . . . . . . . . . . . . . . . . . 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 5.12 5.13 5.14 5.15 5.16 Esquema General de FIRST. . . . . . . . . . . . . . . . . . . . . . . . . . . . Formato de una distribucion de posibilidad trapezoidal. . . . . . . . . . . . . Ejemplo de una Etiqueta Lingu stica para el concepto \Alto". . . . . . . . . . Distribucion de posibilidad para \Aproximadamente n" (#n). . . . . . . . . . Distribucion de posibilidad para el intervalo n,m]. . . . . . . . . . . . . . . . Distribuciones de posibilidad para los tipos UNKNOWN y UNDEFINED. . . Esquema de la Base de Metaconocimiento Difuso (FMB). . . . . . . . . . . . De nicion de etiquetas sobre los atributos EDAD y SALARIO. . . . . . . . . Dos cuanti cadores difusos relativos. . . . . . . . . . . . . . . . . . . . . . . . Comparacion de dos distribuciones de posibilidad trapezoidales. . . . . . . . . Modi cacion de la parte derecha de una comparacion difusa segun el comparador difuso empleado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Representacion gra ca de la comparacion B NFGT A, donde su grado de compatibilidad es 1 ". . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modi cacion de la parte derecha de una comparacion difusa segun el comparador difuso \Mucho Mayor/Menor que" empleado. . . . . . . . . . . . . . . . De nicion de etiquetas sobre los atributos Altura y Calidad. . . . . . . . . . Arquitectura basica para la BDRD con el Servidor FSQL. . . . . . . . . . . . Automata nito determinista usado por el Analizador Lexico de FSQL. . . . 377 30 31 59 62 68 77 110 111 112 117 131 135 136 137 138 138 139 146 155 168 170 172 173 175 185 202 214
6.1 Ventana asistente de un Cliente FSQL Visual. . . . . . . . . . . . . . . . . . . 241
378
INDICE DE FIGURAS
7.1 Contorno de un nematodo y su curva de curvatura. . . . . . . . . . . . . . . . 245 7.2 Contornos de guras y curvas de curvatura asociadas, a la escala mas signi cativa para cada contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247 G.1 Pantalla de presentacion de FQ. . . . . . . . . . . . . . . . . . . G.2 Pantalla de principal de FQ. . . . . . . . . . . . . . . . . . . . . G.3 Ventana de conexion al SGBD. . . . . . . . . . . . . . . . . . . G.4 Error indicado por Oracle. . . . . . . . . . . . . . . . . . . . . . G.5 Sentencia FSQL traducida a SQL. . . . . . . . . . . . . . . . . G.6 Error detectado por el Servidor FSQL. . . . . . . . . . . . . . . G.7 Formato de una distribucion de posibilidad trapezoidal. . . . . G.8 Ventana para ver las etiquetas de nidas de un atributo difuso. G.9 Ventana con informacion sobre la conexion actual. . . . . . . . G.10 Ventana para el Numero maximo de las a recuperar. . . . . . G.11 Ventana \Acerca de FQ" del menu Ayuda. . . . . . . . . . . . G.12 Ventana de Resultados, tras efectuar una consulta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332 333 335 336 336 337 338 338 339 344 345 346
Indice de Materias
*, vease FSQL, Caracter Comod n % --, vease FSQL, Comentarios /*, vease FSQL, Comentarios !, vease Servidor FSQL de consultas
@, 207 %, vease FSQL, Caracter Comod n % ACCESSIBLE TABLES, 210, 211 ACT3, vease FIRST, Vistas Agrupamiento, vease Clustering Algebra Relacional, 10, 11, 53 Operadores primitivos, 12 Alias, 208, 218 ALL COL COMMENTS, 208 ALL COMPATIBLES T3, vease FIRST, Vistas ALL TAB COMMENTS, 208 ALTER, 190, 285 Ejemplos de sentencias FSQL traducidas a SQL, 325 LABEL, 195 NEARNESS, 195 TABLE, 165, 195 VIEW, 195 Analizador Lexico, 160, 209, 212 Semantico, 160, 209, 210, 217, 226 Sintactico, 160, 209, 215 Aproximadamente, vease Distribucion de posibilidad, Aproximadamente Arquitectura de la BDRD, 133 Atomos, 14 Difusos, 98 Atributo, 8 Difuso, 47, 141 Automata nito, 214 Autores Adamo, 139 Aho, 212 379
sas, Evitar al Servidor FSQL
difu-
Alonso, 22 Andreasen, 167 Anvari, 39 Aranda, 243, 245, 246, 331, 354 Baldwin, 38, 139 Barbara, 37, 83 Bass, 139 Bellman, 29 Benzecri, 256 Bezdek, 167, 250, 254, 354 Bisland, 10, 22 Blazquez, 237 Bosc, 38, 47{50, 83, 129, 165, 228 Bouchon, 49 Bourbaki, 256 Bowman, 16, 22, 133, 160 Brachman, 252 Buckles, 35, 38, 47, 97, 131, 269 Carrasco, 250, 254, 331, 351, 354 Cavallo, 38 Chamberlin, 16, 133, 160 Chen, 251{253 Cheung, 253 Codd, 7, 10, 13, 16, 24, 35, 36, 97, 132, 267, 353 Coydon, 237 Cubero, 91 Date, 6, 10, 16, 22, 37, 133, 160 Delgado, 139, 256{258 Dienes, 85 Dubois, 25, 29, 30, 32, 48, 49, 83, 139 Duran, 256 Fdez-Valdivia, 245 Frawley, 250{254, 354 Fuhr, 38 Fukami, 35, 40, 43, 139, 223 Galindo, 35, 46, 97, 107, 127, 132, 133, 161, 199, 331, 353, 355, 357
380 Garcia, 245 Garv , 22, 200, 209, 356 George, 269 Giardina, 38 Godel, 84, 87 Goguen, 84, 87 Grant, 37, 138 Gro , 6, 16, 22, 133, 160 Guigou, 256 Held, 13, 103 Imielinski, 252 Jain, 244 Kaendel, 35, 42 Koch, 133, 199 Kruse, 25 Kuhns, 13 Lacroix, 13 Li, 49, 132 Lipski, 37 Liu, 132 Loney, 22, 133, 199, 200, 209 Lukasiewicz, 87 Mart n-Bautista, 255 McNeill, 25 Medina, 35, 43, 47, 48, 50, 53, 54, 91, 97, 132{134, 136, 355 Michalski, 254 Mohammd, 25 Mokhtarian, 245 Morrone, 244 Mouaddib, 38, 47, 48, 78 Nakajima, 42, 49 Owens, 22, 200, 209, 356 Ozawa, 167 Pawlak, 35, 254 Pedrycz, 25 Petroutsos, 237 Petry, 28, 35, 38, 48, 50, 97, 131, 269 Pirotte, 13 Pivert, 49, 83 Pons, 35, 43, 91 Prade, 35, 37, 39, 47, 51, 54, 83, 96, 140 Rescher, 88 Rivero, 6, 10 Sachar, 131 Sanchez, 49
INDICE DE MATERIAS
Schweizer, 28, 29 Shenoi, 39 Shoshani, 37 Tahani, 47{49 Takahashi, 42 Testemale, 35, 39 Trillas, 29 Ullman, 6, 10, 98, 103 Umano, 35, 40, 43, 47, 48, 81, 83, 139, 223 Urman, 22, 200, 209, 356 Vandenberghe, 83 Vila, 35, 43, 49, 51, 53, 91, 95, 129, 251{253, 256, 257 Weber, 259 Wong, 37, 49, 83 Yager, 25, 29, 49, 50, 53, 88, 95, 129, 139, 165 Zadeh, 25, 29{31, 33, 38, 39, 42, 49{51, 53, 88, 95, 99, 129, 165, 169, 353 Zemankova, 35, 42 Zimmermann, 25 Zloof, 13, 232 Base de Datos, 6, 7, 134, 200, 353 Difusa, 35 Estad stica y Probabilistica, 37 Local, 202, 238, 335 No difusa con imprecision, 36 Base de Metaconocimiento Difuso, vease FMB Buckles-Petry, Modelo de BDRD, 35 C-means, 167, 250, 254, 354 Calculo Relacional, 10, 13 Difuso, 97 Ejemplos, 116 Expresion de los operadores del Algebra, 104 Relacion resultante, 108, 115 Traduccion de Algebra Difuso a Calculo Difuso, 108 Campo, vease Atributo Caracter *, vease FSQL, Caracter Comod n % !, vease Servidor FSQL de consultas difusas, Evitar al Servidor FSQL
INDICE DE MATERIAS
@, 207 %, vease FSQL, Caracter Comod n % Cardinalidad de una relacion, 8 CDEG, vease FSQL, Funcion CDEG Clasi cacion, 250, 254, 258, 353 de clientes, 250 de imagenes, 243 Cliente FSQL, 135, 200, 201, 208, 231, 353 FQ, vease FQ Programacion, 233 Clustering, 250, 253, 254, 258, 354 Jerarquico, 256, 257, 354 Codd Modelo relacional, 7 Valores NULL, 35, 36 Columna, vease Atributo Comentarios, vease FSQL, Comentarios COMMIT, 167 Comod n % o *, vease FSQL, Caracter Comod n % Comparacion de valores crisp usando comparadores difusos, vease FSQL, Comparacion de valores crisp Comparacion difusa, 170, 181, 182 Comparacion Difusa, Funciones de, vease Funciones de Comparacion Difusa Comparadores crisp, 341, 342 Comparadores difusos, 161, 162, 166, 179, 273, 341, 342, 353 De nicion, 170, 178 Equivalencias, 176 Excepciones a sus de niciones, 176 FEQ, 165, 170, 305 De nicion para Tipo 3, 178 FGEQ, 173 FGT, 171 FLEQ, 174 FLT, 173 Funciones del Servidor empleadas, 223 Incluir nuevos en el Servidor FSQL, 225 MGT, 149, 152, 174, 183, 300, 302 MLT, 149, 152, 176, 183, 300, 302 NFEQ, 171 NFGEQ, 173 NFGT, 171 NFLEQ, 174 NFLT, 173
NMGT, NMLT,
381 149, 152, 174, 183, 300, 302 149, 152, 176, 183, 300, 302 Restrictividad, 178 Compatibilidades entre atributos difusos, 180 Completitud relacional, 13 Condicion con IS, vease FSQL, Condicion con IS Condiciones difusas, vease Comparadores difusos, Umbral de cumplimiento y FSQL, Condicion con IS Condiciones difusas elementales (tipos), 179 Conexion al SGBD, 231, 238, 335, 357 Conjuntos Difusos, Teor a de, 25 Ejemplos, 26 Constantes difusas, vease FSQL, Constantes difusas Consultas difusas o exibles, vease SELECT Conversor FSQL a SQL, vease FSQL2SQL y Analizador Semantico CREATE, 190, 285 Ejemplos de sentencias FSQL traducidas a SQL, 325 LABEL, 193 NEARNESS, 194, 196 TABLE, 20, 165, 177, 191 Ejemplos, 22 VIEW, 193 Cuanti cadores, 14, 16, 53, 75, 102, 103 Difusos, 50, 88, 92, 129, 140, 165, 167, 168, 229 DAPHNE, 254, 354 Data Mining, 250, 252, 354 Data Smart, 354 Data Warehouse, 260, 354 DBA OBJECTS, 208 DBA TAB COLUMNS, 207 DBMS, vease SGBD y Base de Datos DCL, 160 DDL, 10, 16, 133, 160, 190, 285, 354 Ejemplos, 192{197 Ejemplos de sentencias FSQL traducidas a SQL, 325 DEFAULT, 21, 37, 191 Ejemplos, 22, 192, 197 DELETE, 20, 167, 283
382 DeMorgan, Ley de, 102 Desigualdad Triangular, 255 Ultrametrica, 256 Developer 2000, 233, 350, 355 Distancia, Medida de, 255 Distribucion de posibilidad, 33, 44 Aproximadamente, 137, 152, 179, 183, 184, 227 Etiqueta, vease Etiquetas lingu sticas Intervalo, 37, 138, 179, 183, 227 Normalizada, 40 Sobre escalares, 139 Trapecio, 137, 152, 179, 183, 227 Division Relacional, 13 Bosc et al., 83 Difusa, 53, 65 Ejemplos, 67, 74, 189 Mouaddib, 78 Umano/Fukami, 81 Vila et al., 91 Yager, 88 DML, 16, 97, 133, 160, 167, 273, 355 Dominio, 8 Difuso, 43 DROP, 190, 285 Ejemplos de sentencias FSQL traducidas a SQL, 325 LABEL, 196 NEARNESS, 195, 196 TABLE, 196 VIEW, 196 Ejemplos de Atomos difusos, 100 de Calculo Relacional Difuso, 104, 116 de clasi car imagenes, 249 de comparacion de dos valores crisp usando comparadores difusos, 183, 320 de comparaciones difusas, 181, 182 de Conjunto Difuso, 26 de consultas FSQL, 162, 166, 183, 265, 266 de consultas FSQL traducidas a SQL, 319 de contornos de guras geometricas, 246 de crear etiquetas difusas, 194, 195
INDICE DE MATERIAS
de crear relacion difusa, 192 de crear relaciones de similitud, 195 de crear vista difusa, 193 de cuanti cadores difusos, 167{169 de Division Relacional Difusa, 67, 74, 189 de FIRST y la FMB, 154 de Interseccion Difusa Cuali cada, 58 de modi car relaciones de similitud, 196 de Proyeccion Difusa con Funciones de Grupo, 62, 63 de relaciones de similitud, 156 de representacion de Atributos difusos Tipo 2, 221 de representacion de Atributos difusos Tipo 3, 222 de sentencias CREATE TABLE, 22 de sentencias SELECT, 19, 64 de sentencias del DDL de FSQL, 192{ 197 de sentencias del DDL de FSQL traducidas a SQL, 325 de una base de datos difusa, 209, 316 del Principio de Extension, 32 para cambiar normas de los operadores logicos, 205 Errores, vease Servidor FSQL de consultas difusas, Errores Escalares, 44, 138 Etiquetas lingu sticas, 26, 50, 67, 137, 153, 154, 161, 178, 180, 190, 193{195, 234, 337 Convenientemente de nidas, 104 Expresiones difusas, 180, 218, 227, 228, 273, 281
FAM, vease FUZZY APPROX MUCH FCC, vease FUZZY COMPATIBLE COL FCL, vease FUZZY COL LIST FEQ, vease Comparadores difusos, FEQ, 224 FGEQ, vease Comparadores difusos, FGEQ FGT, vease Comparadores difusos, FGT
Ficheros generados con este Trabajo, 315 FIRST, vease FMB, 157, 220, 230, 355 Instalacion, 208, 316 FLD, vease FUZZY LABEL DEF FLEQ, vease Comparadores difusos, FLEQ
INDICE DE MATERIAS
vease Comparadores difusos, FLT FMB, 134, 141{144, 153, 200, 208, 355 Ejemplo, 154 Esquema general, 135 Tablas, 145 Vistas, 145, 153 ALL COMPATIBLES T3, ACT3, 145, 154, 236 LABELS FOR OBJCOL, LFOC, 145, 153, 235 LABELS OBJCOL T3, LOCT3, 145, 153, 235 FND, vease FUZZY NEARNESS DEF FOL, vease FUZZY OBJECT LIST Formulas Bien Formadas, 14 con atomos difusos, 101 en expresiones seguras (safe ), 103 FQ, 208, 231, 355 Discos, 315 Manual de usuario, 331 Programacion, 237 FQD, vease FUZZY QUALIFIERS DEF FSQL, 134, 355 Aplicaciones, 243 Clasi cacion de imagenes, 243 Data Mining, 250 Inmobiliaria difusa, 261 Caracter Comod n %, 163, 218, 308, 309 Comentarios, 165 Comparacion de valores crisp, 183 Condicion con IS, 164, 305, 310 Constantes difusas, 164, 167, 305{307, 310, 341, 343 Cuanti cadores difusos, 165, 167 Ejemplos, 162, 166, 183, 192{197 Etiquetas lingu sticas, 161 Funcion CDEG, 163, 164, 166, 218, 219, 230, 236, 299, 310, 340 Grado de cumplimiento, vease Grado de cumplimiento y FSQL, Funcion
FLT,
383 Tipos de datos difusos, 191 Umbral de cumplimiento, 162 Vistas, 190 FSQL2SQL, 200, 206, 209, 210, 212, 215, 217, 231, 233, 238, 311 Fase de tratamiento de CDEG, 219 Fase de tratamiento de atributos difusos, 218 Fase preliminar: Tablas, comodines..., 218 FSQL COL, 234 FSQL FTYPE, 235 FSQL OBJ, 234 FSQL ALL ERRORS, 210, 211 FSQL ALL INFO, 202, 210, 211 FSQL ALL QUERIES, 210, 211 FSQL AUX, 209 FSQL COL, 312 FSQL concat, 312 FSQL ERRORS, 210, 211, 213, 232, 233, 313 FSQL FIN, 207, 209, 234, 240, 311 FSQL FTYPE, 313 FSQL FUNCTIONS, 209, 220, 223, 226 CompCrisp, 220 FSQL FUNCTIONS2, 209, 223, 226 FSQL INFO, 203, 210, 211, 237, 340 FSQL OBJ, 312 FSQL OPTIONS, 203, 205, 210, 211, 230, 237, 340 FSQL PKG, 207, 209, 212, 215, 233{235 Funciones (descripcion), 311 FSQL QUERY, 210, 211, 213, 234 FSQL SEMANTIC, 209, 217, 226 FSQL STATS, 206, 210, 211, 237, 340 Funciones CDEG, vease FSQL, Funcion CDEG de Comparacion Difusa, 201, 209, 210, 220, 223 de Grupo, 17, 18, 60 Ejemplos, 19, 64 de Representacion Difusa, 200, 209, 210, 220 Errores, 222 Fuzzy Metaknowledge Base, vease FMB Fuzzy Queries, vease Consultas difusas Programa FQ Cliente FSQL, vease FQ
Gramatica DDL, 285 Mejoras, 227 Semantica, 160 Sintaxis, 160 Tablas, 190 THOLD, 162, 166
CDEG
384 191, 228, 235, 300, 302 145, 149, 151, 152, 157, 191, 225, 300, 313 FUZZY COMPATIBLE COL, 145, 151, 153, 180, 191, 193, 306 FUZZY LABEL DEF, 145, 148, 152, 153, 157, 158, 220, 300, 301, 303{305 FUZZY NEARNESS DEF, 145, 148, 150, 153, 157, 158, 304, 305 FUZZY OBJECT LIST, 145, 147, 148, 150{152, 157, 159, 170, 220, 300, 301, 303{ 305 FUZZY QUALIFIERS DEF, 145, 148, 151{153 GEFRED, 35, 134, 355 Glosario de terminos y siglas, 353 Grado, 355 de compatibilidad, vease Grado de cumplimiento de cumplimiento, 4, 47, 48, 83, 98, 140, 163, 176, 178{180, 204, 219, 355 de importancia, 48, 83 de incertidumbre, 48 de pertenencia, 26, 38, 41, 42, 48, 258, 356 de posibilidad, 48 de similitud, vease Grado de cumplimiento y Relaciones de similitud de una relacion, 8 de una variable en una WFF con una sustitucion, 109 Gramatica, 160, 215, 225 DELETE, 283 Ficheros que las incluyen, 317 INSERT, 282 Producciones, 210, 215, 216, 225, 226 SELECT, 273 UPDATE, 283 GROUP BY (HAVING), 17, 64 Host, 335, 356 HTML, 347 Imagen .BMP, 346 Implicacion, 14 de Dienes, 85 de Godel, 84, 87
FUZZY COL LIST, FUZZY APPROX MUCH, 145, 149, 156, 157, 184,
INDICE DE MATERIAS
de Goguen, 84, 87 de Lukasiewicz, 84, 87 de Rescher-Gaines, 88 Incompatibilidades entre atributos difusos, 180 Indice (index), 356 INSERT, 19, 167, 282 insertar error, 313 Integridad de los datos, 9 Internet, 233, 347, 351 Interseccion Difusa Cuali cada: \Q , 55 Ejemplo, 58 Intervalo, vease Distribucion de posibilidad, Intervalo Java, 23, 240, 351, 356, 357 Logica Difusa, vease Conjuntos Difusos Tetra-valuada, 36 Tri-valuada, 24, 36 LABELS FOR OBJCOL, vease FIRST, Vistas LABELS OBJCOL T3, vease FIRST, Vistas A L TEX, 346 LEN, 147, 191, 221, 222, 225 LFOC, vease FIRST, Vistas LOCT3, vease FIRST, Vistas Matusalen, 5 Maybe, vease Logica Tri-valuada y UNKNOWN MGT, vease Comparadores difusos, NMGT Microsoft SQL Server 7.0, 230, 357 Visual Basic, 233, 237 Windows, 201, 208 MLT, vease Comparadores difusos, NMLT Modelo relacional, 6 Modi cadores lingu sticos, 28, 49, 228 Numero difuso, 30 Navegador, 347, 351 Necesidad, 33, 40, 42, 81, 90, 92, 161, 162, 171 NFEQ, vease Comparadores difusos, NFEQ NFGEQ, vease Comparadores difusos, NFGEQ NFGT, vease Comparadores difusos, NFGT NFLEQ, vease Comparadores difusos, NFLEQ
INDICE DE MATERIAS
NFLT, vease Comparadores difusos, NFLT NLS DATABASE PARAMETERS, 338 NMGT, vease Comparadores difusos, NMGT NMLT, vease Comparadores difusos, NMLT
385 Representacion Difusa, Funciones de, vease Funciones de Representacion Difusa RESERVADAS, vease Palabras reservadas Restricciones de columna, 191, 285 Restrictividad de los comparadores difusos, 178 ROLLBACK, 167 Segmentacion, vease Clustering 17, 160, 273, 353 Ejemplos, 19, 64, 162, 166, 183, 265, 266 Servidor FSQL, 134, 200, 202, 357 Accesos, 206 Arquitectura, 199 Ejemplos de consultas FSQL traducidas a SQL, 319 de sentencias del DDL de FSQL traducidas a SQL, 325 Errores, 200, 202, 205{207, 210, 212, 213, 215{217, 340 DDL, 191, 193{197, 330 en la representacion, 222 Mensajes de error, 210, 297 Estad sticas y controles de acceso, 206, 237, 340 Evitar al Servidor FSQL, 166 Ficheros que lo componen, 315 Funcionamiento, 201 Funciones asociadas a los operadores logicos, 163, 203{205, 236, 340 Implementacion, 209 Informacion y Opciones de con guracion, 202, 237, 340 Instalacion/Desinstalacion, 207, 315 Instalacion/Desinstalacion de una Bd de ejemplo, 209, 316 Mejoras, 227 Paquetes PL/SQL, 209, 225, 236, 316, 340 Tablas y vistas, 210, 211, 225 Tiempo de recuperacion, 350 Tiempo de traduccion, 205{207, 336, 340, 345, 350
SELECT,
NULL, 43, 139, 164, 165, 177, 180, 184, 191, 222, 305{307, 342, 343 ODBC, 356 OLAP, 253, 356 OLTP, 350, 356 Operadores de conjuntos, 341 Operadores logicos, 14, 163, 203{205, 220, 340, 341 OQL, 356 Oracle, 16, 22, 36, 165, 231, 331, 356 Integridad de los datos, 25 Objects, 233, 237, 331, 356 Tipos de datos, 23 ORDER BY, 17, 204, 205, 219, 347 OWA, 88 Palabras reservadas, 210{212, 225, 271, 273 Paquetes PL/SQL del Servidor FSQL, vease Servidor FSQL de consultas difusas, Paquetes PL/SQL Posibilidad, 33, 53, 55, 92, 161, 162, 170 Prade-Testemale, Modelo de BDRD, 35, 39 PRAGMA, 220 Principio de extension, 31 PRODUCCIONES, 210, 211, 215, 226 Proyeccion Difusa con Funciones de Grupo F : P F , 60 Ejemplo, 62, 63 Reglas de Asociacion, 253, 356 de Identidad, 10, 21, 25 de Integridad referencial, 10, 21, 25 Relacion, 8 Clave externa, 9 Clave primaria, 9 Difusa, 38, 43 Normalizada, 9 Relaciones de proximidad, 39 Relaciones de similitud, 38, 150, 153, 161, 178, 190, 194{196, 235, 255, 337 Ejemplo, 156
386 Tratamiento de atributos difusos en posiciones inusuales, 204, 205, 340 Servidor Oracle, 357 Sesion, 207, 210, 211, 231, 232, 237, 313, 338, 357 Roles, 341 SESSIONID, vease Sesion SESSION PRIVS, 341 SESSION ROLES, 341 SGBD, 134, 347, 354, 357 SGBDR, 134, 357 SGBDRD, 357 SQL, 16, 160, 357 SQL*Net, 335, 357 SQL*Plus, 207, 357 SQL3, 357 SQLf, 49, 228 SQLJ, 23, 357 START WITH (CONNECT BY), 18 Subconsultas difusas, 281
TABLA SINTAX, USER USERS,
INDICE DE MATERIAS
338 Usuario, 163, 201, 203, 209, 211, 333, 335, 338 L mites a recursos, 341 Privilegios, 341 Tablas accesibles, vease ACCESSIBLE TABLES Valor de dominio, 8 Valores aproximados, vease Distribucion de posibilidad, Aproximadamente Valores por Defecto, vease DEFAULT WFF (Well Formed Formulas), vease Formulas Bien Formadas WWW, 233, 347 Zemankova-Kaendel, Modelo de BDRD, 35
Tipos de datos de Oracle, 23 Difusos, 141, 191 Tokens, 160, 209, 212, 213, 215, 217 Trapecio, vease Distribucion de posibilidad, Trapecio Triangulo posibil stico, vease Distribucion de posibilidad, Aproximadamente T TRANSI, 210, 211, 213 Tupla, 8 Mas parecida, 99 Umano-Fukami, Modelo de BDRD, 35, 40 Umbral de cumplimiento, 4, 98, 162, 166, 180, 223{225, 273 Cuali cadores, 140, 151, 229 UNDEFINED, 43, 139, 164, 177, 180, 184, 191, 222, 305{307, 310, 342, 343 UNKNOWN, 36, 43, 139, 164, 166, 177, 180, 184, 187, 191, 222, 305{307, 310, 342, 343 UPDATE, 20, 167, 283 USER OBJECTS, 326 USER TAB COLUMNS, 326 USER TAB COMMENTS, 208
210, 211, 215, 216, 226

PHD Gal in

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PHD Gal in

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD DE GRANADA

Dpto. de Ciencias de la Computacion e Inteligencia Arti cial

TRATAMIENTO de la IMPRECISION en BASES de DATOS RELACIONALES:

Jose Galindo Gomez

TRATAMIENTO de la IMPRECISION en BASES de DATOS RELACIONALES:

Autor Director Departamento

Inteligencia Arti cial

Programa de Doctorado : Tratamiento de la Informacion en

Inteligencia Arti cial

2 Modelos de BDR Difusas: GEFRED

3 Division Relacional Difusa

4 Calculo Relacional Difuso

4.3 4.4 4.5 4.6 4.7

5 Arquitectura de la BDRD: El Servidor FSQL

237 237 240

7 Algunas Aplicaciones del lenguaje FSQL

Conclusiones y L neas Futuras A Palabras Reservadas de FSQL B Gramatica de FSQL

267 271 273

297 311 315 319 331

F Ejemplos de Sentencias FSQL Traducidas a SQL G Manual de Usuario de FQ (Fuzzy Queries)

H Glosario de Terminos y Siglas Referencias Bibliogra cas Marcas Registradas Indices

Indice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373 Indice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377 Indice de Materias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379

353 359 371 373

Introduccion: Bases de Datos y Teor a de Conjuntos Difusos

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

1.1. MOTIVACION Y OBJETIVOS

1.1.1 Descripcion por Cap tulos

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

1.2 Modelo Relacional de Bases de Datos

1.2. MODELO RELACIONAL DE BASES DE DATOS

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

1.2.1 Estructuras de Datos: Tablas o Relaciones

De nicion 1.2 Llamaremos Atributo, Campo o Columna (Attribute, Column) a cada

f(A1 : D1 ); (A2 : D2 ); :::; (An : Dn)g

f(A1 : vi1); (A2 : vi2); :::; (An : vin)g

1.2. MODELO RELACIONAL DE BASES DE DATOS

Otras de niciones utiles para expresar las restricciones de integridad son:

1.2.2 Integridad de los Datos

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

Regla de Identidad: Ningun componente de la clave primaria de una relacion base

1.2.3 De nicion de los datos

1.2.4 Manipulacion de los Datos: Algebra y Calculo Relacional

1.2. MODELO RELACIONAL DE BASES DE DATOS

1.2.4.1 Algebra Relacional

{ Union (Union ): La union de dos relaciones R y S es el conjunto de aquellas tuplas

{ Seleccion (Selection ): Este operador extrae de una relacion R, un subconjunto de

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

{ Reunion (Join ): Mediante este operador, a partir de dos relaciones R y S , se

Reunion: La operacion de Reunion es como una seleccion sobre el producto cartesiano

1.2. MODELO RELACIONAL DE BASES DE DATOS

1.2.4.2 Calculo Relacional

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

1.2. MODELO RELACIONAL DE BASES DE DATOS

Ejemplo 1.4 La diferencia R S se expresa en Calculo por: ft j R(t) ^ :S (t)g

Ejemplo 1.5 La seleccion F (R) se expresa en Calculo por: ft j R(t) ^ F 0g

ft(r+s) j 9u(r); v(s) (R(u) ^ S (v) ^t 1] = u 1] ^ : : : ^ t r] = u r] ^t r + 1] = v 1] ^ : : : ^ t r + s] = v s]g

fx1 ; x2; : : : ; xn j (x1 ; x2 ; : : : ; xn)g

CAPITULO 1. INTRODUCCION: BASES DE DATOS Y CONJUNTOS DIFUSOS

1.2.5 El Lenguaje SQL

DML (Data Manipulation Language, Lenguaje de Manipulacion de Datos): Las sen-

1.2. MODELO RELACIONAL DE BASES DE DATOS

1.2.5.1 Comando SELECT