Made available in DSpace on 2014-06-12T15:57:39Z (GMT). No. of bitstreams: 2 arquivo3217_1.pdf: 4205734 bytes, checksum: ef1b69f43e81803a2e22ad3b2bbfae07 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Multimodalidade intraclasse é frequente em problemas de classificação e eles conduzem a indesejadas projeções quando aplicados à técnicas lineares de extração de características. As clássicas técnicas lineares de extração de características, que constroem suas soluções baseadas em métricas globais do conjunto de padrões, não podem perceber a multimodalidade dentro da classe, logo, elas criam projeções que não preservam a estrutura multimodal após a redução da dimensionalidade, o que pode ser uma pobre ou indesejada representação da distribuição original dos padrões. Na literatura são encontradas técnicas lineares de extração de características que se preocupam com a manutenção da estrutura multimodal da distribuição dos padrões após a redução da dimensionalidade. Todavia, essas técnicas calculam sua solução tomando a influência de cada classe na percepção da multimodalidade em conjunto, o que pode acarretar em influência negativa de uma classe sobre outra no que diz respeito à preservação da estrutura multimodal do conjunto de padrões após a redução da dimensionalidade. Para melhor tratar problemas com multimodalidade intraclasse, são apresentadas neste trabalho novas técnicas lineares de extração de características, as quais avaliam cada classe separadamente e constróem uma solução específica para cada uma delas. A solução encontrada para cada classe se preocupa com a estrutura local da vizinhança de seus padrões e busca preservar esta estrutura após a redução da dimensionalidade. Deste modo, um padrão novidade (ou de teste) é avaliado não apenas em relação a uma única solução, como acontece com as clássicas técnicas lineares de extração de caracter ísticas, que deve discernir quanto à pertinência desse padrão a uma das várias classes do problema, mas passa a ser avaliado segundo as soluções obtidas para cada classe, e é classificado segundo aquela que melhor se ajustar às características do padrão. Os experimentos realizados aqui mostram que essa abordagem é adequada ao tratamento de multimodalidade intraclasse, obtendo desempenho superior ou igual ao das demais técnicas lineares de extração de características que também tratam multimodalidade