Resumen

Se propone un algoritmo de aprendizaje incremental de la clase de máquina de aprendizaje hiperelipsoidal de Mahalanobis. Para cada muestra de clase, se entrena en el espacio de características un hiperelipsoide que encierra tantas como sea posible y aleja las muestras atípicas. En el proceso de aprendizaje incremental, solo se entrena un subclasificador con las nuevas muestras de clase. Los modelos antiguos del clasificador no se ven influenciados y pueden ser reutilizados. En el proceso de clasificación, considerando la información de la distribución de muestras en el espacio de características, se utilizan las distancias de Mahalanobis desde la muestra mapeada al centro de cada hiperelipsoide para decidir la clase de la muestra clasificada. Los resultados experimentales muestran que el método propuesto tiene una mayor precisión de clasificación y velocidad de clasificación.

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Mahalanobis; Hiperelipsoide; Máquina de aprendizaje; Algoritmo de aprendizaje incremental; Subclasificador; Precisión de clasificación
• Keywords:Mahalanobis; Hyperellipsoidal; Learning machine; Incremental learning algorithm; Subclassifier; Classification precision