El objetivo de esta tesis es desarrollar nuevas técnicas de extracción lineal de características para clasificación, mediante el uso de criterios basados en teoría de la información. Dado que esta teoría establece un marco que permite medir el grado de dependencia entre variables aleatorias o señales, nos proporciona una buena medida del nivel de relevancia de las características extraídas respecto a la clase a la que pertenece cada muestra. Se exploran dos aproximaciones distintas. La primera de ellas está basada en funciones de contraste que aproximan la información mutua entre las proyecciones obtenidas individualmente y las clases. En la segunda, se plantea como criterio a optimizar el test de hipótesis que sirve como regla de clasificación. La aproximación basada en funciones de contraste hace uso de una estimación de la información mutua similar a otra que ha sido usada con éxito en análisis de componentes independientes. La estimación utiliza momentos sobre funciones no polinomiales aplicadas a los datos. De esta forma, no es necesario el modelo de la función densidad de probabilidad (FDP) de los datos. Al ser derivables estas funciones, es posible su optimización mediante ascenso por gradiente. El método basado en la maximización del test de hipótesis hace uso de un modelo de Parzen para estimar la FDP de los datos. Se propone un algoritmo para optimizar dichos modelos de acuerdo con el criterio de máxima verosimilitud combinado con un procedimiento de validación cruzada. Su aplicación al problema de extracción lineal de características consiste en la maximización del cociente de verosimilitudes medido sobre los datos de entrenamiento. También se describen procedimientos para la aplicación de estos modelos optimizados a otros problemas de aprendizaje como análisis de componentes independientes y clasifiación de Parzen. Junto a los métodos propuestos, se presentan los resultados de la aplicación de los mismos a problemas reales, registrados en bases de datos públicas. La tesis finaliza con las conclusiones más relevantes que pueden extraerse del trabajo presentado, así como la propuesta de líneas de trabajo que constituyen la continuación natural de las ya expuestas
© 2001-2024 Fundación Dialnet · Todos los derechos reservados