Una situacin sencilla en la que el modelo LS-PCAF parece ser adecuado es el siguiente al correspondiente a las puntuaciones difusas de seis

unidades de observacin de cuatro variables. Tenemos la matriz centros

y la matriz se extiende

Ahora, claramente, el factor subyacente estructura en (24) y (25) tiene dos componentes relacionados, respectivamente, a las dos primeras variables y a los ltimos dos. Obviamente, en el ejemplo anterior, el modelo trata LS-PCAF con el conjunto de datos muy bien. En otras situaciones, creemos que el modelo recupera una especie de "compromiso" estructura entre los centros y los mrgenes, teniendo en cuenta la estructura de los centros ms que la estructura se extiende por los diferentes pesos y para los parmetros en la matriz . 6. Simulacin de estudio En esta seccin se presentan los resultados de un estudio de simulacin realizado para evaluar cmo funciona PCAF. En particular, el estudio de simulacin tiene como objetivo responder a tres preguntas: 1. Es PCAF recuperar la estructura subyacente en los datos mejor que el PCA clsico aplica a la matriz centros? 2. Los algoritmos (para CS-PCAF y PCAF LS-) eficiente? 3. Los algoritmos ptimos locales golpeado con frecuencia? Para responder a estas preguntas, hemos generado al azar conjuntos de datos difusos con una estructura factorial subyacente conocido y hemos estudiado si PCAF mejor que se recupere de PCA.

1.

La figura. 1. Promedio de tiempo de clculo de la CS-PCAF cuando tiene elementos diagonales iguales utilizando el principio racional y se inicia el azar. El tiempo de clculo promedio se distingue con respecto al tamao de los datos, el nivel de ruido aadido, el nmero de los componentes extrados y el tamao de los mrgenes.

En suma, para responder a la primera pregunta, se puede afirmar que LS-PCAF recupera la estructura subyacente en los datos mejor que PCA. Con respecto a la CS-PCAF, se puede concluir que CS-PCAF recupera la estructura subyacente en los datos a veces mejor y a menudo igualmente bien como PCA, salvo en raras condiciones en las que el PCA es mejor. PCA funciona mejor si ha diferentes elementos de la diagonal, tamao elevado de los diferenciales y un alto nivel de ruido aadido. La ltima consideracin (y los acerca LS-PCAF) nos ayuda a destacar el papel de la estructura de no afecta mucho los resultados, pero PCAF funciona mejor cuando tiene elementos diagonales iguales.

2.

La figura. 2. Promedio de tiempo de clculo de la CS-PCAF cuando tiene diferentes elementos de la diagonal utilizando el principio racional y se inicia el azar. El tiempo de clculo promedio se distingue con respecto al tamao de los datos, el nivel de ruido aadido, el nmero de los componentes extrados y el tamao de los mrgenes.

Ahora podemos responder a la pregunta acerca de la eficacia. El tiempo de clculo de LS-PCAF es considerablemente menor que la de CS-PCAF. La estructura de la matriz afecta el tiempo de clculo mediante el aumento de si los elementos de la diagonal son diferentes. El se ejecuta utilizando el principio racional son ms eficientes que los que utilizan aperturas aleatorias. Finalmente, la eficiencia del algoritmo se reduce si la dimensin de los datos o el nivel de ruido aadido otro nmero de componentes extrados otro tamao del incremento de los diferenciales, aunque para CS-PCAF el nivel de ruido, no parece a3ect el tiempo de clculo mucho.

La figura. 3. Tiempo de clculo de promedio LS-PCAF cuando tiene diferentes elementos de la diagonal utilizando el principio racional y se inicia el azar. El tiempo de clculo promedio se distingue con respecto al tamao de los datos, el nivel de ruido aadido, el nmero de los componentes extrados y el tamao de los mrgenes.

3. Para concluir, podemos responder a la ltima pregunta observar que, en los algoritmos para el LSPCAF y CS-PCAF, podemos utilizar slo el principio racional (recordando que el tiempo de clculo promedio es menor), ya que conduce casi siempre al ptimo global (el riesgo es menor que 1%). La nica condicin en la que ms del inicio racional podra ser aconsejable es que si el tamao de los mrgenes es alta y tiene diferentes elementos de la diagonal, porque entonces la probabilidad de encontrar ptimos locales a menudo es considerablemente mayor (aproximadamente 5%).