Titre original :

Apprentissage et classification pour des systèmes complexes. Applications aux systèmes automatiques et à la gestion du risque médical

Titre traduit :

Learning and classification for complex systems. Applications to automated systems and medical risk management

Mots-clés en français :
  • Sélection et extraction d'attributs

  • Systèmes complexes
  • Classification automatique
  • Apprentissage automatique
  • Machines à vecteurs de support
  • Moindres carrés
  • Analyse de régression
  • Systèmes‎ -- Identification
  • Fiabilité
  • Médecine
  • Langue : Français
  • Discipline : Génie informatique, automatique, traitement du signal et des images
  • Identifiant : Inconnu
  • Type de mémoire : Habilitation à diriger des recherches
  • Date de soutenance : 04-07-2017

Résumé en langue originale

Les travaux présentés dans ce mémoire portent sur des problématiques liées à la classification automatique et aux approches à noyau. Ils présentent des solutions aux différents problèmes de prise de décision dans les systèmes complexes. Les premières contributions, proposées dans ce manuscrit, consistent au développement de nouvelles approches de sélection et d’extraction d’attributs pour des problèmes de classification. Dans ce contexte, deux méthodes sont proposées, dont la première est de type Wrapper pour la sélection des variables pertinentes. La deuxième méthode proposée applique une nouvelle mesure de similarité basée sur l’analyse de la tendance et un calcul du centre basé sur l’information mutuelle pour l’extraction d’attributs. Une deuxième partie de ces travaux concerne le développement de nouvelles approches pour l’identification et le diagnostic des systèmes automatiques complexes. En se basant sur la théorie de l’apprentissage statistique et sur les fonctions à noyau, deux approches de régression pour l’identification des systèmes automatiques non linéaires sont présentées. Puis les mêmes techniques sont adaptées pour l’identification des systèmes dynamiques hybrides. Les autres contributions dans cette partie concernent le diagnostic des systèmes automatiques à l’aide des méthodes de classification dite dynamique pour des données non stationnaires. Ces techniques d’apprentissage et classification automatique, qui d’ailleurs ont des applications multiples dans différents domaines, présentent des résultats intéressants dans le domaine de la gestion du risque médical, comme le montre la troisième partie de ce document qui traite deux problématiques à savoir la gestion des évènements précurseurs dans les centres hospitaliers et la gestion des épidémies.

Résumé traduit

The work presented in this thesis deals with problems related to automatic classification and kernel approaches. It presents solutions to the various problems of decision making in complex systems. The first contributions proposed in this manuscript are related to the development of new approaches, concerning the selecting and the extracting of attributes for classification problems. In this context, two methods are proposed; the first is a Wrapper method for relevant variables selection. The second proposed method applies a new similarity measure based on trend analysis and a center computation based on mutual information for attributes extraction. A second part of this work concerns the development of new approaches related to the identification and diagnosis of complex automated systems. In a first contribution, two regression approaches for the identification of nonlinear automatic systems are presented. These approaches are based on kernel functions and statistical learning theory. The same techniques are adapted for dynamic hybrid systems identification. The other contributions in this section concern the diagnosis of automatic systems using dynamic classification methods for non-stationary data. These data learning and automatic classification techniques have also multiple applications in different fields. They present interesting results in the medical risk management as shown in the third part of this document which deals with two problems. These problems are hospitals precursor events management and epidemics management.

  • Directeur(s) de thèse : Maouche, Salah
  • Laboratoire : Centre de recherche en informatique, signal et automatique de Lille (CRIStAL)
  • École doctorale : École doctorale Sciences pour l'Ingénieur (Lille)

AUTEUR

  • Zidi, Salah
Droits d'auteur : Ce document est protégé en vertu du Code de la Propriété Intellectuelle.
Accès libre