Resumen

La máquina de aprendizaje extremo Kernel (KELM) es una novedosa red neuronal feedforward, ampliamente utilizada en problemas de clasificación. Hasta cierto punto, resuelve los problemas existentes de los nodos no válidos y la gran complejidad computacional en ELM. Sin embargo, el clasificador KELM tradicional suele tener una precisión de prueba baja cuando se enfrenta a problemas de clasificación multiclase. Para resolver el problema anterior, en este trabajo se propone un nuevo clasificador, el clasificador KELM de wavelet de sombrero mexicano. El clasificador propuesto mejora con éxito la precisión del entrenamiento y reduce el tiempo de entrenamiento en los problemas de clasificación multiclase. Además, se demuestra rigurosamente la validez de la ondícula de sombrero mexicano como función kernel de ELM. Los resultados experimentales en diferentes conjuntos de datos muestran que el rendimiento del clasificador propuesto es significativamente superior a los clasificadores comparados.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:clasificador propuesto, problema de clasificación, función del olmo, problema de clasificación multiclase, wavelet de sombrero mexicano, clasificador kelm tradicional, máquina de aprendizaje extremo, gran complejidad computacional, baja precisión de la prueba, conjunto de datos diferente
• Keywords:proposed classifier, classification problem, function of elm, multiclass classification problem, mexican hat wavelet, traditional kelm classifier, extreme learning machine, large computational complexity, low test accuracy, different data set