Post on 14-Jun-2015
UNIVERSIDAD DE SANTIAGO DE CHILE
DOCTORADO EN CIENCIAS DE LA INGENIERÍA MENCIÓN
INFORMÁTICA
INGENIERÍA NEURONAL
TEMA:
Agrupamiento de esponjas marinas del atlántico mediterráneo
(Demospongiae Porifera) basado en red neuronal de Kohonen
ESTUDIANTES:
Roberth Abel Alcívar Cevallos
Jorge Antonio Párraga Álava
PROFESOR:
Dr. Gonzalo Acuña Leiva
19 de Diciembre de 2013
Índice de contenidos
1. Motivación ............................................................................................................................................ 1
2. Objetivos ............................................................................................................................................... 1
2.1. Objetivo General ............................................................................................................................... 1
2.2. Objetivos Específicos ........................................................................................................................ 1
3. Antecedentes ......................................................................................................................................... 2
4. Estado del arte ....................................................................................................................................... 4
5. Metodología usada ................................................................................................................................ 5
5.1. Preprocesamiento de los datos .......................................................................................................... 5
5.2. Diseño de la arquitectura de la red .................................................................................................... 7
5.3. Entrenamiento de la red .................................................................................................................... 8
5.4. Agrupamiento ................................................................................................................................... 9
6. Resultados ............................................................................................................................................. 9
7. Discusión............................................................................................................................................. 15
8. Conclusiones ....................................................................................................................................... 15
9. Referencias .......................................................................................................................................... 16
10. Anexos ............................................................................................................................................ 17
Índice de ilustraciones, tablas y figuras
Ilustración 1. Arquitectura SOM. (Entrada 0 porque la red aún no ha sido configurada con datos) ............ 7
Ilustración 2. Topologia Hexagonal SOM. ................................................................................................... 7
Ilustración 3. Caracteristicas en forma numerica de las 55 esponjas marinas del dataset .......................... 10
Ilustración 4. Posición de patrones iniciales y deseados. Dimensiones (4x4) (6x6) ................................... 11
Ilustración 5. Posición de patrones iniciales y deseados. Dimensiones (8x8) (10x10) ............................... 11
Ilustración 6. Mapa de hits. Dimensiones (4x4) (6x6). ............................................................................... 12
Ilustración 7. Mapa de hits. Dimensiones (8x8) (10x10). ........................................................................... 12
Ilustración 8. Mapa de distancias del vecindario. Dimensiones (4x4) (6x6) .............................................. 13
Ilustración 9. Mapa de distancias del vecindario. Dimensiones (8x8) (10x10) .......................................... 13
Ilustración 10. Mapa de ubicación de los pesos de las neuronas. Dimensiones (4x4) (6x6) ...................... 14
Ilustración 11. Mapa de ubicación de los pesos de las neuronas. Dimensiones (8x8) (10x10) .................. 14
Tabla 1. Parte de las instancias que presentan valores faltantes en alguno de sus atributos ......................... 6
Tabla 2. Parámetros del mapa autoorganizativo de Kohonen ....................................................................... 8
Tabla 3. Posibles valores de los atributos del dataset con su valor numérico representativo ..................... 10
Figura 1. Topología de red neuronal de Kohonen......................................................................................... 3
1
1. Motivación
Las esponjas marinas tienen una apariencia y un modo de vida que hasta 1825 no
fueron reconocidas como animales. Son seres vivos muy primitivos que habitan sobre
todo en aguas someras sujetas al fondo o a objetos sumergidos. Una de sus
peculiaridades más notable es la estructura porosa de su cuerpo, por la que han
recibido el nombre de Poríferos. [1]
La clasificación de las esponjas depende fundamentalmente de las particularidades
de su sistema esquelético [2], separar en grupos a estos seres vivos no es una tarea
nada fácil, pues características como: forma, tamaño o profundidad del poro; hacen
muy dificultosa esta actividad, así, en la actualidad se emplean algoritmos
matemáticos soportados en software que trabajan con técnicas de inteligencia
artificial conocidas como redes neuronales artificiales (RNA); debido a ello, en este
trabajo se pretende usar las RNA para llevar a cabo el agrupamiento de las esponjas
marinas del atlántico mediterráneo (Demospongiae Porifera).
2. Objetivos
2.1. Objetivo General
Crear una red neuronal artificial de Kohonen para el agrupamiento de esponjas
marinas del atlántico-mediterráneo según sus características.
2.2. Objetivos Específicos
Realizar el preprocesamiento o “limpieza” de los datos disponibles en el
dataset del experimento.
Diseñar la arquitectura que usarán la red neuronal artificial de Kohonen.
2
Ajustar el valor de los pesos de la red usando el conjunto de entrenamiento y
a través del algoritmo no supervisado Batch.
Verificar el correcto funcionamiento de la red neuronal mediante comparación
de varios tipos de mapas propios de la red Kohonen.
3. Antecedentes
En el mundo actual la información se ha convertido en uno de los recursos más
valiosos dentro de cualquier actividad humana. La aparición de grandes conjuntos de
datos es cada vez más frecuente como consecuencia del acelerado desarrollo
informático, en especial de la Internet (YouTube, Redes Sociales, Google, etc.). De
igual manera, la complejidad de los datos se va incrementando: desde trabajar con
datos simples como números o cadenas de texto hasta problemas que involucran
datos complejos como imágenes, vídeos o cadenas de ADN. De modo que surge la
necesidad de técnicas cada vez más eficientes para procesar los datos, detectar
interrelaciones y agrupamientos entre ellos e incluso generar nuevo conocimiento. [3]
El agrupamiento de datos es una tarea de análisis exploratorio que se refiere a la
clasificación de patrones de una forma no supervisada, formando grupos en base a
las relaciones no perceptibles a simple vista, con el objetivo de poder descubrir una
estructura subyacente. La utilidad en el análisis exploratorio de datos está
fuertemente demostrada por su uso en diversos contextos y disciplinas como la
recuperación de información, la minería de datos o la segmentación de imágenes
entre muchas otras. [4]
Los mapas auto-organizativos de Kohonen o Self-autorganizing map (SOM) es un
tipo especial de red neuronal que puede aprender de datos complejos,
multidimensionales y transformarlos en clúster visualmente descifrables. La teoría de
la red SOM está motivada en la observación de la operación del cerebro. Varias
impresiones sensoriales humanas se asignan neurológicamente en el cerebro de tal
3
manera que las relaciones espaciales o de otro tipo entre los estímulos corresponden
a las relaciones espaciales entre las neuronas organizadas en un mapa de dos
dimensiones. [5]
A diferencia de otros enfoques de redes neuronales, la red SOM realiza la formación
sin supervisión, es decir, durante el proceso de aprendizaje de las unidades de
procesamiento en la red ajustan sus pesos basado principalmente en las conexiones
de realimentación laterales. De las varias técnicas existentes para agrupamiento de
datos, los Mapas Auto-organizables de Kohonen vienen siendo ampliamente
utilizados en el agrupamiento de grandes conjuntos de datos, debido principalmente
a la poca dependencia al dominio del conocimiento y a los eficientes algoritmos de
aprendizaje disponibles. Estas estructuras resaltan por su capacidad de generar
mapas topológicos a través de una arquitectura paralela y distribuida. La Figura 1
muestra la arquitectura básica de los SOM, pudiéndose describir como un arreglo de
unidades cada una conectada con todos los patrones de entrada. [3]
Figura 1. Topología de red neuronal de Kohonen
Debido a estas ventajas las redes de Kohonen han sido usadas en varios estudios,
uno de ellos “Clustering Analysis aplications in matlab using Kohonen network” [6]
que ocupa este tipo de redes en la optimización de ubicación de centros de
distribución logrando que la distancia de un centro con otro sea la óptima. Los aportes
4
de esta investigación ayudan a entender los beneficios del uso de los mapas
autoorganizativos de Kohonen, objeto de estudio de este trabajo.
4. Estado del arte
En el trabajo “Red Neuronal Artificial ART2 para la agrupación de datos” [7] el autor
muestra la implementación de una red neuronal tipo resonancia adaptativa, ART2,
empleada para la agrupación de datos. Se compara la técnica implementada con el
algoritmo EM y los mapas autoorganizativos de Kohonen. En la investigación se
concluye que La red neuronal ART2 es una técnica viable para la agrupación de
datos, dada su alta efectividad; sin embargo, la configuración del parámetro de
vigilancia debe hacerse utilizando heurísticas o, en el peor de los casos, a través de
la experimentación. Por lo que una alternativa a ella es el uso de alguna red neuronal
con capacidad de autoorganización, aprendizaje no supervisado como lo es la red de
Kohonen.
Así mismo en “Teledetección Ambiental” [8] se explica la diferencia de los métodos
supervisados y no supervisados, destacándose lo siguiente:
Método Supervisado
El conocimiento supervisado parte de un cierto conocimiento de la zona de
estudio, adquirido por experiencia previa.
Maneja información de error o de control, esta información se emplea para
guiar al sistema.
Método no Supervisado
No implica ningún conocimiento del área de estudio.
Reajuste automático de los parámetros
Auto organización de la información
Por otro lado en el paper titulado “Identificación de patrones para la ordenación
urbanística mediante redes neuronales” [9] el autor descubre un heurístico de
5
conocimiento que se genera durante la determinación de la Ordenanza-red y lo pone
en práctica mediantes mapas autoorganizativos de Kohonen; a la vez destaca la
utilidad de los SOM para organizar y representar patrones de organización en las más
diversas disciplinas, pasando por trabajos de interpretación de sonidos, de lenguaje,
determinación de patrones para el diagnóstico precoz de enfermedades, o hasta el
descubrimiento de patrones ocultos en situaciones sociales.
Finalmente en el trabajo “Pattern Clustering via Ants Colony, Ward Method and
Kohonen Maps” [10] se utiliza el método Ward y mapas de Kohonen para el
agrupamiento de patrones usando tres conjuntos de datos distintos, de este modo los
autores comparan los resultados obtenidos notándose excelente rendimiento en
ambos casos.
5. Metodología usada
El conjunto de datos usado en este proyecto es: Sponge Marine, disponible en
http://archive.ics.uci.edu/ml/datasets.html, el mismo contiene un total de 76 instancias
y 45 atributos de características de esponjas marinas del atlántico mediterráneo
(Demospongiae Porifera). El proceso de agrupamiento de las esponjas marinas
mediante la red de Kohonen fue dividido en cuatro fases: Preprocesamiento de los
datos, Diseño de la arquitectura de la red, Entrenamiento de la red, Agrupamiento.
5.1. Preprocesamiento de los datos
Una vez que se contaba con el conjunto de datos se observó que el mismo tenia
extensión .data, por ello fue necesario convertirlo a formato .xlsx para poder
manipularlo con el programa Excel™. Luego, se realizó el análisis respectivo que
notando que 27 son de tipo no numéricos y nominales, 15 booleanos (si/no) y 3 tipo
numéricos (números naturales). (Anexo 1).
6
Al observar los datos, se evidenció la existencia de valores faltantes (aparecen con
signo ?) (tabla 1), por lo que se realizó la eliminación de las instancias que presentaran
al menos en un atributo este problema.
Tabla 1. Parte de las instancias que presentan valores faltantes en alguno de sus atributos
SIN_ESFERASTER MASIVO_IRREGULAR 0 NO OTROS
SIN_ESFERASTER INCRUSTANTE 0 NO ?
SIN_ESFERASTER INCRUSTANTE 1 SI OTROS
SIN_ESFERASTER INCRUSTANTE 0 NO ?
SIN_ESFERASTER DE_REVESTIMIENTO 0 NO ?
SIN_ESFERASTER DE_REVESTIMIENTO 0 NO OTROS
SIN_ESFERASTER DE_REVESTIMIENTO 0 NO OTROS
SIN_ESFERASTER MAZAS_PEDUNCULADAS_1 0 NO AMARILLO_PALIDO
Al contar con los datos “limpios”, las instancias se redujeron a 55, además fue
necesario hacer una conversión de los atributos que no eran de tipo numérico, así por
ejemplo el atributo cortex con valores posibles No/Si pasó a ser representado con
los valores 1/2 respectivamente. La conversión total se muestra en el Anexo 1.
Luego se procedió a visualizar los datos del dataset mediante el siguiente código:
[ndata, text, alldata] = xlsread('sponge.xlsx'); /Se lee el archivo del dataset en
formato .xlsx
encabezadoColumna=[text(1, 2:46)]; /Se obtiene los
encabezados de filas
y columna de los
datos. plot(ndata); /Grafico de los datos grid on; del conjunto de datos xLabel('Instancias'); yLabel('Valores'); Title('Esponjas Marinas del Atlántico Mediterráneo (Demospongiae
Porifera)'); legend(encabezadoColumna);
7
5.2. Diseño de la arquitectura de la red
Al contar con el conjunto de datos correctamente preprocesado, se diseñó la
arquitectura que tendría la red, en este caso no se divide el data set pues la cantidad
de instancias es reducida y, además cada instancia representa a una especie de
esponja marina, por lo que al dividir se estaría provocando la no aleatoriedad de los
datos. Luego, y sabiendo que el conjunto de datos es de 55 instancias, se determinó
que era adecuado un mapa autoorganizativo de 2-dimensiones (2 posibles
vecindarios para cada neurona) de 4x4 que permita un espacio adecuado para
agrupar a las 55 esponjas marinas. Se usó el código:
net = selforgmap([4 4];
view(net)
Y se obtuvo la arquitectura:
Ilustración 1. Arquitectura SOM. (Entrada 0 porque la red aún no ha sido configurada con datos)
De igual manera se decidió que la topología a usar sería la de rejilla hexagonal (con
lo cual las neuronas que no se encuentran en los bordes del mapa siempre tienen 6
neuronas vecinas con las cuales se conectan virtualmente) y distancia euclidiana.
Ilustración 2. Topologia Hexagonal SOM.
8
5.3. Entrenamiento de la red
Con la arquitectura de la red clara, se creó la red neuronal artificial de Kohonen con
la ayuda del paquete matemático MATLAB™. Se utilizó el comando selforgmap
(crea un mapa autoorganizativo) y se definieron los parámetros que se detallan en la
tabla 2, según lo planificado en la etapa de diseño.
Tabla 2. Parámetros del mapa autoorganizativo de Kohonen
Parámetro Valor
Dimensión Vector [4 4] (Luego se varió a [6 6] , [8 8]
[10 10])
Tamaño Inicial de la
vecindad 3=Valor por defecto de matlab
Topología Topología hexagonal
Función de Distancia Función de distancia euclidea
Así el código usado es el siguiente:
net = selforgmap([4 4],100,3,'hextop','dist');
Con la red creada, se procede a inicializar los pesos para visualizar los patrones del
clustering. Para el efecto se realizó lo siguiente:
net = configure(net,ds); plotsompos(net,ds); grid on; title('Inicialización: Posición de pesos SOM');
Finalmente se realiza el entrenamiento mediante la función trainbu que emula al
algoritmo de entrenamiento no supervisado Batch y que a la vez se usa por defecto
en matlab cuando se trabaja con mapas autoorganizativos de kohonen. Este
algoritmo entrena una red con pesos y bias basado en regla de aprendizaje con
actualizaciones por lote. Tambien se le indica a la red que debe trabajar hasta 500
épocas. Todo mediante el siguiente código:
[net,TR] = trainbu(net,ds); net.trainParam.epochs = 500;
9
En primer lugar, la red identifica la neurona ganadora para cada vector de entrada.
Cada vector de peso entonces se mueve a la posición media de todos los vectores
de entrada para los que es una ganadora o para el que está en la vecindad de una
ganadora. La distancia que define el tamaño de la vecindad se altera durante el
entrenamiento a través de dos fases: Ordenamiento, en donde la distancia de la
vecindad comienza con 3, y con una etapa de repeticion de 100 o hasta que las redes
hayan alcanzado el orden y distancia adecuada según la topologia hexagonal. Y
Afinación, una vez que el tamaño de la vecindad ha disminuido por debajo de 1, se
logra que sólo la neurona ganadora aprenda de cada ejemplo o patrón.
5.4. Agrupamiento
Una vez que se ha realizado el proceso de aprendizaje de la red, se procede a generar
los mapas que representan el proceso de clustering, en cada uno de ellos se resaltan
situaciones como: neuronas ganadoras, cantidad de victorias de cada neurona,
distancias entre neuronas, entre otras. Para el efecto basto unicamente el siguiente
código:
%Mapa de distancias de vecindario plotsomnd(net,ds); grid on; title('Mapa de distancias del vecindario'); %Mapa de distancias entre neuronas plotsomplanes(net) grid on; title('Mapa de distancias entre neuronas'); %Mapa de neuronas ganadoras grid on; title('Mapa de neuronas ganadoras'); plotsomhits(net,ds)
%Mapa de mapa de ubicación de los pesos de las neuronas grid on; title('Mapa de neuronas ganadoras'); plotsompos(net,ds)
6. Resultados
La etapa de preprocesamiento permitió realizar la conversión de valores de atributos
que no eran numéricos, como se observa parcialmente en la tabla 3, y completamente
en anexo 1.
10
Tabla 3. Posibles valores de los atributos del dataset con su valor numérico representativo
ATRIBUTOS RANGOS Y POSIBLES VALORES VALOR REPRESENTATIVO
CAPAS_DEL_CORTEX
1_CAPA 1
2_CAPAS 2
3_CAPAS 3
SIN_CORTEX 4
CORTEX NO 1
SI 2
GROSOR_DEL_CORTEX
0
1
2
3
4
HACES_DE_ESPICULAS_PRINCIPALES_EN_POMPON_EN_EL_CORTEX
NO 1
SI 2
Los datos “limpios” fueron visualizados para tener una idea de como se comportaban
las entradas (caracteristicas de cada esponja marina), todo ello se muestra en la
ilustracion siguiente:
Ilustración 3. Caracteristicas en forma numerica de las 55 esponjas marinas del dataset
Se estableció la arquitectura en 55 Ne x 16 Ns (y luego se fue variando a 36 Ns, 64
Ns, 100 Ns) (Ilustración 4 y 5), la topologia tipo hexagonal y distancia euclidea entre
neuronas. También se logró observar como los patrones (puntos verdes) se
organizan espacio topológico y como el proceso de inicializacion ubicó a los 16, 36,
64, 100 grupos deseados (puntos oscuros) según el caso.
11
Ilustración 4. Posición de patrones iniciales y deseados. Dimensiones (4x4) (6x6)
Ilustración 5. Posición de patrones iniciales y deseados. Dimensiones (8x8) (10x10)
Se realizó el grupamiento de las esponjas marinas obteniendo los mapas de hits
(Ilustración 6 y 7), mapa de distancias del vecindario (Ilustración 8 y 9) , mapa de
posición de pesos (Ilustración 10 y 11), todo esto gracias al algoritmo de
entrenamiento no supervisado Batch Unsupervised.
12
Ilustración 6. Mapa de hits. Dimensiones (4x4) (6x6).
Ilustración 7. Mapa de hits. Dimensiones (8x8) (10x10).
En la ilustración 6 y 7 se resaltan las neuronas ganadoras, donde el número que
está dentro de cada neurona indica la cantidad de patrones de entrada que cada
una de ellas representa, es decir, la cantidad de victorias de cada neurona. Cuando
las neuronas no tienen valor, corresponden a neuronas que no ganaron y en
consecuencia no representan a ningún patrón dentro del proceso de clustering.
13
Ilustración 8. Mapa de distancias del vecindario. Dimensiones (4x4) (6x6)
Ilustración 9. Mapa de distancias del vecindario. Dimensiones (8x8) (10x10)
En la ilustración 8 y 9, se visualiza qué tan diferente es una neurona de la otra; los
colores oscuros indican una gran diferencia mientras que los colores claros indican
similitud entre neuronas y por tanto entre patrones. Este mapa es el más indicado
para visualizar el número de grupos en los que se clasifica la información.
14
Ilustración 10. Mapa de ubicación de los pesos de las neuronas. Dimensiones (4x4) (6x6)
Ilustración 11. Mapa de ubicación de los pesos de las neuronas. Dimensiones (8x8) (10x10)
En la ilustración 10 y 11, se muestra el mapa de ubicación de los pesos de las
neuronas, en el, es posible observar como las neuronas se organizan ya no en el
espacio topológico sino en el espacio real de la información para representar
fielmente los patrones. Se observan los patrones de color verde en el fondo y las
neuronas de color gris encima.
15
7. Discusión
El uso de la red de Kohonen en actualidad es variado, un estudio de Reyes, M. et al.
(2008) las aplica para localización y accesibilidad de revistas cientificas en bibliotecas
universitarias, en este se aprovecha de la capacidad de agrupamiento para realizar
busquedas en base a citas bibliográficas, sin embargo difiere de nuestro trabajo pues
aplica la ley de bratford para delimitar las zonas de cada clustering [11]. Por otra parte
un estudio de Fernández, R. et al. (2008) aplicó los mapas de kohonen para el control
de movimiento de un robot [12], para analizar los movimientos de las ruedas del
mismo y gracias a esto fue posible reducir la cantidad de parámetros necesarios para
la detección de obstáculos, situación un poco similar a nuestro trabajo, pues se realizó
el clustering considerando varias dimensiones (salidas) del mapa topólogico. Estos
estudios hacen notar claramente la importancia del trabajo realizado, pues se han
aplicado muchos conceptos usados a nivel mundial por otros autores, a la vez que
se han aprovechado algunas de las ventajas que presentan los mapas
autoorganizativos de Kohonen y aplicados a un proceso tan arduo como el
agrupamiento de esponjas marinas del atlántico mediterráneo según sus
caracteristicas físicas.
8. Conclusiones
En este trabajo se demostró empíricamente que es factible utilizar los mapas
autoorganizativos de Kohonen para el clustering de esponjas marinas del atlántico
mediterráneo (Demospongiae Porifera) mediante un proceso de aprendizaje, que
comenzó a mostrar signos satisfactorios cuando la rejilla hexagonal del mapa tiene
una dimensión de 6x6, generando un cluster ganador de 9 especies de esponjas y
cluster mas pequeños de 1 y 2 especies. El máximo resultado de aprendizaje
alcanzado se da con la rejilla de dimensión 10x10, en donde el mayor cluster tiene 3
especies de esponjas y el resto apenas en cluster con 1 sola esponja; y cuyos
vectores de peso “calzan” perfectamente con los patrones iniciales, situaciones que
evidencian la capacidad de los mapas de kohonen para procesos de clustering.
16
9. Referencias
[1] J. Bejar and U. Cortes, "Sponges Marines," 1998. [Online]. Available:
http://archive.ics.uci.edu/ml/datasets/Sponge.
[2] A. Figueras, "Esponjas Marinas," 2009. [Online]. Available:
http://www.madrimasd.org/blogs/ciencia_marina/2009/03/31/115600.
[3] C. Bedregal, "Agrupamiento de Datos utilizando técnicas MAM-SOM," 2009.
[4] A. Jain, R. Duin and J. Mao, "Statistical pattern recognition: A review.," IEEE Trans.
Pattern Anual, vol. 22, no. 1, pp. 4-37, 2000.
[5] M. Kiang, "Extending the Kohonen self-organizing map networks for clustering analysis,"
Computational Statics & Data Analysis, vol. 38, pp. 161-180, 2001.
[6] S. Kajan, I. Sekaj and M. Latjman, "Clustering Analysis aplications in matlab using
Kohonen network," Stuba Journal, vol. 21, no. 2, pp. 1-8, 2009.
[7] J. Rodríguez, "Red Neuronal Artificial ART2 para la agrupación de datos," Ingeniería y
Tecnología.Revista Científica, vol. 1, no. 9, pp. 261-276.
[8] E. Chuvieco, Teledetección Ambiental, Editorial Ariel, 2002.
[9] F. Abarca, "Identificación de patrones para la ordenación urbanística mediante redes
neuronales," Serie Geográfica, vol. 17, pp. 45-60, 2011.
[10] R. Villwock, M. Arns and P. Siqueira, "Pattern Clustering via Ants Colony, Ward Method
and Kohonen," IJCSNS International Journal of Computer Science and Network
Security, vol. 12, no. 6, pp. 81-93, 2012.
[11] M. Reyes, V. Guerrero and F. Zapico, "Uso del algoritmo de Kohonen aplicado al estudio
y localización de revistas científicas en bibliotecas universitarias," International Society
for Knowledge Organization, vol. 5, no. 2, pp. 23-50, 2008.
[12] R. Fernández, O. Sánchez and D. Bendersky, "Control de movimiento de un robot
usando mapas autoorganizativos de Kohonen," in V Jornadas Argentinas de Robótica,
Bahía Blanca, 2008.
[13] F. Acquaticci, "Detección de complejos QRS mediante redes neuronales," Ingeniería
biomédica, vol. 2, no. 4, pp. 109-119, 2008.
[14] R. Florez and J. Fernández, Las redes neuronales artificiales. Fundamentos teóricas y
aplicaciones prácticas., 2008.
17
10. Anexos Anexo 1. Atributos con sus respectivos posibles valores
N° GRUPO ATRIBUTOS RANGOS Y POSIBLES VALORES VALOR REPRESENTATIVO
1
A
CAPAS_DEL_CORTEX
1_CAPA 1
2_CAPAS 2
3_CAPAS 3
SIN_CORTEX 4
2 CAPA_INTERNA_DEL_CORTEX
BANDAS_DE_ESPICULAS_CRUZADAS 1
MICROSCLERAS 2
PERPENDICULAR 3
SIN_CAPA_INTERNA_DEL_CORTEX 4
TANGENCIAL 5
TANGENCIAL_Y_PERPENDICULAR 6
3 CORTEX NO 1
SI 2
4 CORTEX_FIBROSO
NO 1
SI 2
SIN_CORTEX 3
5 CORTEX_SOLO_DE_ESPICULAS_TANGENCIALES
NO 1
SI 2
SIN_CORTEX 3
6 CUERPOS_EXTRANOS_EN_EL_CORTEX
NO 1
SI 2
SIN_CORTEX 3
7 GROSOR_DEL_CORTEX
0
1
2
3
4
8 HACES_DE_ESPICULAS_PRINCIPALES_EN_POMPON_EN_EL_CORTEX NO 1
SI 2
9 TILOSTILOS_ADICIONALES_COANOSOMA
ECTOSOMICOS_DISPERSOS 1
ECTOSOMICOS_EN_RAMILLETES 2
INTERMEDIARIOS 3
INTERMEDIARIOS_Y_ECTOSOMICOS 4
SIN_TILOSTILOS_ADICIONALES 5
10 B NUMERO_DE_TIPOS_DE_MEGASCLERAS
1_TIPO 1
2_TIPOS 2
3_TIPOS 3
11
C
TIPO_ESPICULA_PRINCIPAL_DIACTINA_TUBERCULADA NO 1
SI 2
12 TIPO_ESPICULA_PRINCIPAL_ESTILO NO 1
SI 2
13 TIPO_ESPICULA_PRINCIPAL_ESTILOS_2_TAMANOS NO 1
SI 2
14 TIPO_ESPICULA_PRINCIPAL_ESTILO_TILOSTILO NO 1
SI 2
15 TIPO_ESPICULA_PRINCIPAL_ESTRONGILOXA NO 1
SI 2
16 TIPO_ESPICULA_PRINCIPAL_OXAS NO 1
SI 2
17 TIPO_ESPICULA_PRINCIPAL_TILOSTILO NO 1
SI 2
18
D
ESPICULA_PRINCIPAL_ESTILO
FUSIFORME 1
NORMAL 2
POLITILOTA 3
SIN_ESPICULA_PRINCIPAL_ESTILO 4
19 ESPICULA_PRINCIPAL_TILOSTILO
FLEXUOSA 1
FUSIFORME 2
NORMAL 3
POLITILOTA 4
SIN_ESPICULA_PRINCIPAL_TILOSTILO_ 5
20 FORMA_BASE_TILOSTILO_PRINCIPAL
POMO 1
SIN_TILOSTILOS 2
SUBESFERICA_ALARGADA_OVOIDE 3
TRILOBULADA 4
21
E
DISPOSICION_MEGASCLERAS_ECTOSOMICAS_EN_EL_ECTOSOMA
EMPALIZADA 1
RAMILLETES 2
SIN_MEGASCLERAS_ECTOSOMICAS 3
TANGENCIALES 4
22 FORMA_BASE_TILOSTILO_ECTOSOMICO
SIN_TILOSTILO_ECTOSOMICO 1
SUBESFERICA_ALARGADA_OVOIDE 2
TRILOBULADA_CON_VESICULA_AXIAL 3
23 FORMA_MEGASCLERA_ECTOSOMICA CURVADA 1
18
RECTA_FUSIFORME 2
RECTA_NO_FUSIFORME 3
SIN_MEGASCLERA_ECTOSOMICA 4
24 TIPO_MEGASCLERA_ECTOSOMICA
ESTILO 1
ESTILO_TILOSTILO 2
OXAS_ESTRONGILOXAS 3
SIN_MEGASCLERA_ECTOSOMICA 4
TILOSTILO 5
25 F TIPO_DE_EXOSTILO
ANATRIENAS 1
CLADOTILOSTILOS 2
ESFEROTILOS 3
SIN_EXOSTILOS 4
TILOSTILOS_ESPINOSOS_EN_LA_PUNTA 5
TILOSTILO_LISO 6
31
J
ASTER NO 1
SI 2
32 DIAMETRO_ESFERASTER
|10_12| 1
|20_25| 2
|27_44| 3
|40_110| 4
|5_6_Y_15_35| 5
SIN_ESFERASTER 6
33 TIPO_DE_ASTER
ANFIASTER 1
DIPLASTER 2
ESFERASTER 3
ESPIRASTER 4
QUIASTER 5
QUIASTER_Y_ESFERASTER 6
SIN_ASTER 7
34 TIPO_DE_DIPLASTER
CON_ACTINAS_COMPLEJAS 1
CON_ACTINAS_SIMPLES 2
SIN_DIPLASTERES 3
35 TIPO_DE_ESFERASTER
OXIESFERASTER 1
OXIESFERASTER_Y_TILOESFERASTER 2
SIN_ESFERASTER 3
36 K FORMA_FINAL
DE_CONO_INVERTIDO 1
DE_REVESTIMIENTO 2
GLOBULOSA 3
HEMISFERICA 4
INCRUSTANTE 5
MASIVO_IRREGULAR 6
MAZAS_PEDUNCULADAS_1/PEDUNCULO 7
MAZAS_PEDUNCULADAS_VARIAS/PEDUNCULO 8
RAMIFICADA 9
37
L
NUMERO_DE_PAPILAS
0
1
2
3
4
38 PAPILAS NO 1
SI 2
39 M COLOR
AMARILLO_PALIDO 1
AZUL_O_ANARANJADO_INTENSOS 2
OTROS 3
40 N SUPERFICIE
ATERCIOPELADA 1
CON_AREAS_POLIGONALES_ABULTADAS 2
FRANJA_BASAL_DE_ESPICULAS_EN_FLECO 3
HISPIDEZ_MAYOR_HACIA_LA_BASE 4
LISA 5
RUGOSA 6
SOLO_PAPILAS_LISAS 7
TOTALMENTE_HISPIDA 8
41 O DISPOSICION_ESPICULAR_ESQUELETO
AXIAL 1
CONFUSA 2
HYMEDESMOIDE 3
PLUMOSA 4
RADIAL 5
RADIAL_EN_PERIFERIA 6
REDUCIDO 7
42
P
ALOJA_CANGREJO_ERMITANO NO 1
SI 2
43 PERFORANTE NO 1
SI 2
44 PSEUDORAICES NO 1
SI 2
45 SUSTRATO
AMBOS 1
BLANDO 2
DURO 3