Capítulo 5. Estadísticas KDA (Kernel Discriminant Analysis)- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, ElectróniReportar como inadecuado




Capítulo 5. Estadísticas KDA (Kernel Discriminant Analysis)- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electróni - Descarga este documento en PDF. Documentación en PDF para descargar gratis. Disponible también para leer online.

Capítulo 5. Estadísticas KDA (Kernel Discriminant Analysis)- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrónica. - Licenciatura en Ingeniería Mecatrónica. - Escuela de Ingeniería - Universidad de las Américas Puebla.

Autor: Morales Sánchez, Alberto Alejandro

Fuente: http://catarina.udlap.mx/


Introducción



Capı́tulo 5 Estadı́sticas KDA (Kernel Discriminant Analysis) Uno de los más grandes obstáculos durante las investigaciones relacionadas con reconocer un patrón es seleccionar un método apropiado para extraer las caracterı́sticas más importantes.
Los análisis discriminantes buscan responder la siguiente pregunta: tomando en cuenta cierto conjunto con dos clases de datos, ¿cuál es la mejor caracterı́stica o conjunto de caracterı́sticas para diferenciar estas dos clases ?[Mika and Ratsch, 1999]. Existen numerosas técnicas que buscan solucionar esta problemática, entre ellas se pueden citar PCA (Principal Component Analysis y LDA (Linear Discriminant Analysis), por mencionar algunas.
Sin embargo estos métodos son deficientes cuando existen partes no lineales, como es el caso de los llantos, es por esto que una técnica más adecuada es el “Kernel Discriminant Analysis” (KDA). La idea principal de este tipo de análisis es facilitar la extracción de caracterı́sticas 44 Figura 5.1: Principio del KDA no lineales, para lograr esto se realiza un mapeo no linear del espacio que contiene a los datos de entrada a un espacio de mayor dimensionalidad, gracias a esto es posible obtener una distribución linear y con esto aplicar un método de extracción igualmente linear para encontrar las caracterı́sticas necesarias.
Por último, se introduce un Kernel para regresar al espacio original.
La Figura 5.1 muestra de forma visual el principio del KDA. Existen múltiples variaciones del KDA, como trabajo a futuro se propone investigar dichas técnicas y seleccionar la mejor, de modo que los datos extraı́dos sean los mejores y ası́ realizar una clasificación más certera. 45 ...






Documentos relacionados