Classification dynamique de données non-stationnaires : apprentissage et suivi de classes évolutives
- Apprentissage en ligne
- Données non-stationnaires
- Machines à vecteurs de support
- Modèles de mélange
- Méthodes à noyau
- Classification automatique
- Systèmes adaptatifs
- Réseaux neuronaux (informatique)
- Langue : Français
- Discipline : Automatique et informatique industrielle
- Identifiant : Inconnu
- Type de thèse : Doctorat
- Date de soutenance : 01/01/2006
Résumé en langue originale
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. ElIe 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 nouvelIe 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.
- Directeur(s) de thèse : Maouche, Salah - Lecœuche, Stéphane
AUTEUR
- Amadou Boubacar, Habiboulaye