Support Vector Machines are extensively used to solve classification problems in Pattern Recognition. They deal with small errors in the training data using the concept of soft margin, that allowfor imperfect classification. However, if the training data have systematic errors or outliers such strategy is not robust resulting in bad generalization. In this paper we present a model for robust Support Vector Machine classification that can automatically ignore spurius data. We show then that the model can be solved using a high performance Mixed Integer Quadratic Programming solver and present preliminary numerical experiments using real world data that looks promissing.

En este traba jo se ha e un estudio a era de la Teoría de perturbación de operadores disipativos para probar la existencia de soluciones de un sistema a acoplado de KdV Lineal en un intervalo a acotado con disipación localizada. Para tal finalidad hacemos uso de la Teoría de Semigrupos, estimativas de energía, técnicas multiplicativas y Propiedad de Continuación Única, demostrando el decaimiento exponencial de la solución. -- PALABRAS CLAVES: TEOREMA DE LUMMER PHILLIPS, TEORÍA DE PERTURBACIÓN, DECAIMIENTO EXPONENCIAL, PROPIEDAD DE CONTINUACIÓN ÚNICA.