Classification dynamique de données non-stationnaires : apprentissage et suivi de classes évolutives

Dynamical clustering of non-stationary data : learning and tracking evolving clusters

• Auteur / Autrice : Habiboulaye Amadou Boubacar
• Direction : Salah Maouche, Stéphane Lecœuche
• Type : Thèse de doctorat
• Discipline(s) : Informatique industrielle et automatique
• Date : Soutenance en 2006
• Etablissement(s) : Lille 1

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Systèmes adaptatifs

Classification automatique

Mots clés libres

Apprentissage en ligne

Données non-stationnaires

Modèles de mélange

Méthodes à noyau

Machines à vecteurs de support

Résumé

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.