Memorias asociativas en la agricultura: un caso pr´ actico Mario Aldape P´ erez, Jos´ e Antonio Estrada Pav´ ıa, Joel Omar Juarez Gambino Centro de Innovaci´ on y Desarrollo Tecnol´ ogico en C´ omputo (CIDETEC), Instituto Polit´ ecnico Nacional (IPN), Ciudad de M´ exico, M´ exico mario@aldape.org.mx; jaestradap@gmail.com; omarjg82@gmail.com Resumen.Las memorias asociativas tienen una serie de caracter´ ısticas, inclu- yendo un r´ apido y eficiente m´ etodo de clasificaci´on, as´ ı como una tolerancia intr´ ınseca al ruido que las hace ideales para gran variedad de aplicaciones. En este art´ ıculo se utilizar´ an las memorias alfa-beta autoasociativas con el prop´ osito de recomendar un herbicida en base a diferentes par´ ametros. El objetivo de este trabajo es presentar las memorias alfa-beta como una posibilidad para resolver problemas reales en la agronom´ ıa. Palabras clave: Memorias asociativas Alfa-Beta, herbicidas, reconocimeinto de patrones. 1. Introducci´ on Los sistemas agr´ ıcolas relacionados con herbicidas son complejos, en algunas ocasiones pueden ser considerados como sistemas mal definidos ya que es dif´ ıcil, en este tipo de sistemas, cuantificar las relaciones entre la entrada y la salida, esta basta cantidad de relaciones existentes se debe a que la mayor parte de sistemas agr´ ıcolas involucran gran cantidad de variables diferentes. Desde 1997 los sistemas de control inteligente han sido de las tecnolog´ ıas mas prosperas en el campo de los sistemas complejos [1]. A continuaci´ on se muestra una peque˜ na rese˜ na de la evoluci´on de m´ etodos de Inteligencia Artificial (IA) usados en aplicacionesagron´omicas. En 1997 las redes neuronales artificiales (ANN) demostraron ser una al- ternativa eficaz para su utilizaci´ on en los sistemas complejos, sus principales caracter´ ısticas son su alta capacidad de aprendizaje y su capacidad de identificar y modelar una compleja relaci´ on no lineal entre la entrada y la salida del sistema [1]. Por otro lado en 2001, un nuevo m´ etodo de clasificaci´on de redes neuronales fue presentado en este campo Self-Organizing Map (SOM), este m´ etodo logra una convergencia r´ apida y buena generalizaci´ on. La clasificaci´on del m´ etodo propuesto se prob´ o superior, en aplicaciones agr´ ıcolas, comparado con otros clasificadores estad´ ısticos y neurol´ogicos [2]. La ciencia sigue cambiando y avanzando d´ ıa con d´ ıa, tambi´ en nuevos m´ etodos se desarrollan en el campo de la inteligencia artificial aplicada en la agricultura, 61 Research in Computing Science 72 (2014) pp. 61–71; rec. 2014-04-04; acc. 2014-05-11