Resumen

Aunque existen muchas técnicas de clasificación para analizar patrones con características sencillas, tienden a fallar cuando la proporción de características a patrones es muy grande. Esta maldición de la dimensionalidad es especialmente prevalente en muchos conjuntos de datos biomédicos complejos y voluminosos adquiridos utilizando las últimas modalidades espectroscópicas. Para abordar este problema de clasificación de patrones, presentamos una técnica que utiliza una red adaptativa de conectivos lógicos difusos para combinar los límites de clase generados por conjuntos de funciones discriminantes. Evaluamos empíricamente la efectividad de esta técnica de clasificación comparándola con dos enfoques de referencia convencionales, ambos de los cuales utilizan el promedio de características como fase de preprocesamiento.

• Materias:Axiomas de separación Modelos borrosos
• Subjects:Separation axioms Fuzzy models
• Palabras claves:Técnicas de clasificación; Patrones; Maldición de la dimensionalidad; Conjuntos de datos biomédicos; Conectivos lógicos difusos; Funciones discriminantes
• Keywords:Classification techniques; Patterns; Curse of dimensionality; Biomedical datasets; Fuzzy logic connectives; Discriminant functions