Analyse et classification multi-objective des séries temporelles

Multiobjective time series matching and classification

• Auteur / Autrice : Philippe Esling
• Direction : Carlos Agón
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2012
• Etablissement(s) : Paris 6

Mots clés

Mots clés contrôlés

Exploration de données

Séries chronologiques

Prévision économique

Modèles économétriques

Biométrie

Résumé

Plusieurs millions d’années d’évolution génétique ont façonné notre système auditif, permettant d’effectuer une discrimination flexible des événements acoustiques. Nous pouvons ainsi traiter simultanément plusieurs échelles de perception contradictoires de manière multidimensionnelle. De plus, nous avons une capacité à extraire une structure cohérente à partir de formes temporelles. Nous montrons qu’en émulant ces mécanismes dans nos choix algorithmiques, nous pouvons créer des approches efficaces de recherche et classification, dépassant le cadre des problématiques musicales. Nous introduisons ainsi le problème de MultiObjective Time Series (MOTS) et proposons un algorithme efficace pour le résoudre. Nous introduisons deux paradigmes innovants de recherche sur les fichiers audio. Nous introduisons un nouveau paradigme de classification basé sur la domination d'hypervolume, appelé HyperVolume-MOTS (HV-MOTS). Ce système étudie le comportement de la classe entière par sa distribution et sa diffusion sur l’espace d’optimisation. Nous montrons une amélioration sur les méthodes de l’état de l’art sur un large éventail de problèmes scientifiques. Nous présentons ainsi un système d’identification biométrique basée sur les sons produit par les battements de coeur, atteignant des taux d’erreur équivalents à d’autres caractéristiques biométriques. Ces résultats sont confirmés par le l'ensemble de données cardiaques de l’étude d’isolation Mars500. Enfin, nous étudions le problème de la génération de mélanges sonores orchestraux imitant au mieux une cible audio donnée. L'algorithme de recherche basé sur le problème MOTS nous permet d’obtenir un ensemble de solutions efficaces.

Millions of years of genetic evolution have shaped our auditory system, allowing to discriminate acoustic events in a flexible manner. We can perceptually process multiple de-correlated scales in a multidimensional way. In addition, humans have a natural ability to extract a coherent structure from temporal shapes. We show that emulating these mechanisms in our algorithmic choices, allow to create efficient approaches to perform matching and classification, with a scope beyond musical issues. We introduce the problem of multiobjective Time Series (MOTS) and propose an efficient algorithm to solve it. We introduce two innovative querying paradigms on audio files. We introduce a new classification paradigm based on the hypervolume dominated by different classes called hypervolume-MOTS (HV-MOTS). This system studies the behavior of the whole class by its distribution and spread over the optimization space. We show an improvement over the state of the art methods on a wide range of scientific problems. We present a biometric identification systems based on the sounds produced by heartbeats. This system is able to reach low error rates equivalent to other biometric features. These results are confirmed by the extensive cardiac data set of the Mars500 isolation study. Finally, we study the problem of generating orchestral mixtures that could best imitate a sound target. The search algorithm based on MOTS problem allows to obtain a set of solutions to approximate any audio source.