Resumen

La eficacia de un clasificador binario basado en una máquina de vectores de soporte (SVM) depende de la combinación y el número de características de entrada extraídas de las señales brutas. A veces, una combinación de buenas características individuales no funciona bien a la hora de discriminar una clase debido a un alto nivel de relevancia también para una segunda clase. Además, un aumento de las dimensiones de un vector de entrada también degrada el rendimiento de un clasificador en la mayoría de los casos. Para obtener resultados eficientes, es necesario introducir en un clasificador una combinación del menor número posible de características discriminantes. En este artículo, proponemos un marco para mejorar el rendimiento de un clasificador basado en SVM para la clasificación de fallos en sensores de dos maneras: en primer lugar, seleccionando la mejor combinación de características para una clase objetivo a partir de un conjunto de características y, en segundo lugar, minimizando la dimensionalidad de los vectores de entrada. Para obtener la mejor combinación de características, proponemos un nuevo algoritmo de selección de características que selecciona m de entre M características que tienen la máxima información mutua (o relevancia) con una clase objetivo y la mínima información mutua con clases no objetivo. Esta técnica garantiza la selección exclusiva de las características sensibles a la clase objetivo. Además, proponemos un modelo SVM de entrada diversificada (DI-SVM) para problemas de clasificación multiclase con el fin de alcanzar nuestro segundo objetivo, que es reducir las dimensiones del vector de entrada. En este modelo, el número de clasificadores basados en SVM es el mismo que el número de clases del conjunto de datos. Sin embargo, cada clasificador se alimenta con una combinación única de características seleccionadas por un esquema de selección de características para una clase objetivo. La eficacia del algoritmo de selección de características propuesto se demuestra comparando los resultados obtenidos en experimentos realizados con y sin selección de características. Además, los resultados experimentales en términos de precisión, características operativas del receptor (ROC) y el área bajo la curva ROC (AUC-ROC) muestran que el modelo DI-SVM propuesto supera al modelo convencional de SVM, a la red neuronal y al algoritmo k-nearest neighbor para la detección y clasificación de fallos en sensores.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:clase objetivo, clasificador, svm, características, combinación, número, mejor combinación, vector de entrada, máquina binaria de vectores soporte, algoritmo novedoso de selección de características
• Keywords:target class, classifier, svm, features, combination, number, best combination, input vector, binary support vector machine-, novel feature selection algorithm