Робастные алгоритмы классификации данных, полученные группой роботов, с использованием множеств весов

Предложено три адаптивных робастных алгоритма обучения системы группы роботов при условии, что каждое наблюдение, полученное роботами, является многозначным, состоящим из нескольких элементов. Причина многозначных данных заключается в том, что роботы в системе предоставляют различные измерения в качестве одного наблюдения или в один момент времени. В основе алгоритмов – множества весов или интервальные веса определенного вида для всех элементов обучающего множества. Кроме того, для формализации многозначных данных и модификации весов в процессе получения новых данных рекомендовано использование интервальной модели Дирихле. Первый алгоритм – это модификация метода опорных векторов, учитывающая многозначные данные. Второй алгоритм – модификация алгоритма AdaBoost для многозначных данных. Третий алгоритм – комбинация AdaBoost и интервальной модели Дирихле. Все алгоритмы являются робастными и используют минимаксную стратегию принятия решений.