La lógica difusa (fuzzy logic) es técnica para manejar matemáticamente el conocimiento lingüístico y la ambigüedad. Propuesta por Lofti Zadeh en 1965, ha sido utilizada para construir sistemas inteligentes basados en conocimiento expresado en lenguaje común. Entre sus aplicaciones se pueden citar: sistemas expertos, diagnóstico médico, procesamiento de imágenes y reconocimiento de patrones, sistemas de control, entre otros. Por su parte, el aprendizaje profundo (deep learning) es un paradigma del aprendizaje automático que construye modelos con base en una jerarquía de funciones que son aprendidas a partir de los datos; su principal representante son las redes neuronales. En general, las técnicas de aprendizaje artificial pueden ser combinas con otros paradigmas para construir sistemas híbridos inteligentes, que permitan modelar y resolver diferentes aspectos de un problema. Una de estos se basa en la lógica difusa y las redes neuronales, para conformar sistemas neuro-difusos. Algunas aplicaciones actuales de esta hibridación están relacionadas con la construcción de clasificadores que puedan manejar clases solapadas en contextos como medicina, industria y redes sociales, interpretabilidad de redes neuronales profundas mediante reglas difusas y aprendizaje multimodal.

En este trabajo se desarrolló una arquitectura neuro-difusa con la intención de realizar detección de anomalías en el contexto de una sola clase con datos ambigüos. Para ello, se entrenaron y comprobaron diferentes autocodificadores usando técnicas de deep learning y un clasificador difuso. Tres contextos de aplicación fueron evaluados comenzando por el de monitoreo de cultivos que es el principal caso de interés en el presente trabajo. Consecuentemente, se buscó comprobar su aplicación en dos contextos adicionales para comparar su rendimiento contra un autocodificador sin lógica difusa, y modelos entrenados con los algoritmos de Isolation Forest y una One Class SVM.

Para el contexto de monitoreo de cultivos, la solución híbrida logra tener una precisión del 79.9% y una sensibilidad del 96.2% siendo muy superior en comparación a las obtenidas por los modelos entrenados con los algoritmos de Isolation Forest y One Class SVM. Para el segundo contexto, el enfoque propuesto logró superar por un 21% a la dupla autocodificador reductor de ruido + límite duro y en sensibilidad a los modelos entrenados con el algoritmo de Isolation Forest. Finalmente, para el tercer contexto, no se encontró aplicabilidad debido al bajo rendimiento en la métrica de precisión.