Задачей исследования является совершенствование известных алгоритмов машинного обучения для распознавания образов с использованием минимального количества времени (минимального количества используемых классификаторов) и с заданной достоверностью результатов. Рассматривается реализация алгоритма WaldBoost, в котором объединены два алгоритма: адаптивного усиления слабых классификаторов -AdaBoost (adaptive boosting), обладающего высокой обобщающей способностью, и последовательного критерия отношения правдоподобия -SPRT (критерий Вальда), являющегося оптимальным правилом принятия решения при различении двух гипотез. Отмечается, что при использовании WaldBoost значения фактических вероятностей ошибок классификации, как правило, оказываются меньше заданных из-за используемых приближенных границ SPRT, вследствие чего в процессе классификации используется излишняя серия слабых классификаторов. В связи с этим предлагается модификация алгоритма WaldBoost, основанная на итерационном уточнении границ принятия решения, позволяющая значительно сократить количество используемых слабых классификаторов, необходимых для распознавания образов с заданной точностью. Показана эффективность предложенного алгоритма на конкретных примерах. Результаты работы подтверждаются статистическим моделированием на нескольких наборах данных. Отмечается, что результаты работы могут быть применены при уточнении других каскадных алгоритмов классификации.Ключевые слова: ансамбли алгоритмов, адаптивный бустинг, AdaBoost, WaldBoost, последовательный анализ.Для цитирования: Чесалин А.Н., Гродзенский С.Я., Нилов М.Ю., Агафонов А.Н. Модификация алгоритма WaldBoost для повышения эффективности решения задач распознавания образов в реальном времени // Российский технологический журнал.The implementation of the WaldBoost algorithm is considered, and its modification is proposed, which allows to significantly reduce the number of weak classifiers to achieve a given classification accuracy. The efficiency of the proposed algorithm is shown by specific examples. The paper studies modifications of compositions (ensembles) of algorithms for solving real-time pattern recognition problems. The aim of the study is to improve the known machine learning algorithms for pattern recognition using a minimum amount of time (the minimum number of used classifiers) and with a given accuracy of the results. We consider the implementation of the WaldBoost algorithm, which combines two algorithms: adaptive boosting of weak classifiers -AdaBoost (adaptive boosting), which has a high generalizing ability, and the sequential probability ratio test -SPRT (Wald test), which is the optimal rule of decision-making when distinguishing two hypotheses. It is noted that when using the WaldBoost, the values of the actual probability of classification errors, as a rule, are less than given because of the approximate boundaries of the SPRT, so that the classification process uses an excessive series of weak classifiers. In this regard, we propose a modification of the WaldBoost based on iterati...