Classification Dynamique de données non-stationnaires :<br />Apprentissage et Suivi de Classes évolutives

• Main Author: Amadou Boubacar, Habiboulaye
• Language: FRE
• Published: Université des Sciences et Technologie de Lille - Lille I 2006
• Subjects: [SPI:AUTO] Engineering Sciences/Automatic; [SPI:SIGNAL] Engineering Sciences/Signal and Image processing; apprentissage en ligne; classification automatique; données non-stationnaires; classes évolutives; architecture neuronale; modèles de mélange; SVM et méthodes à noyau
• Online Access: http://tel.archives-ouvertes.fr/tel-00106968; http://tel.archives-ouvertes.fr/docs/00/10/69/68/PDF/PhD_thesis.pdf; http://tel.archives-ouvertes.fr/docs/00/10/69/68/ANNEX/AVI_AUDyC_2GaussDrifts.avi; http://tel.archives-ouvertes.fr/docs/00/10/69/68/ANNEX/AVI_AUDyC_Env_nonstat.avi; http://tel.archives-ouvertes.fr/docs/00/10/69/68/ANNEX/Demo_logiciel_ADEME.avi; http://tel.archives-ouvertes.fr/docs/00/10/69/68/ANNEX/PPT_these_28Juin06.ppt; http://tel.archives-ouvertes.fr/docs/00/10/69/68/ANNEX/SAKM_video_2evogauss.avi; http://tel.archives-ouvertes.fr/docs/00/10/69/68/ANNEX/SAKM_video_2evomerg1cplxstat1elim.avi

La plupart des processus naturels ou artificiels ont des comportements évolutifs décrits par des données non-stationnaires. La problématique étudiée dans cette thèse concerne la classification dynamique de données non-stationnaires. Nous proposons une description générique de classifieurs dynamiques conçue à l'aide d'un réseau neuronal à architecture évolutive. Elle est élaborée en quatre procédures d'apprentissage : création, adaptation, fusion, et évaluation. Deux algorithmes sont développés à partir de cette description générique. Le premier est une nouvelle version de l'algorithme AUDyC (AUto-adaptive and Dynamical Clustering). Il utilise un modèle de mélange décrit suivant l'approche multimodale. Le second, nommé SAKM (Self-Adaptive Kernel Machine), est basé sur les SVM et méthodes à noyau. Ces deux algorithmes sont dotés de règles de mise à jour récursives permettant la modélisation adaptative et le suivi de classes évolutives. Ils disposent de capacités d'auto-adaptation en environnement dynamique et de bonnes performances en terme de convergence et de complexité algorithmique. Ces dernières sont prouvées théoriquement et montrées par la simulation des algorithmes.