Identification d'un modèle flou appliquée à un problème de classification

par Robert P. Quach

Thèse de doctorat en Informatique

Sous la direction de David Pearson.

Soutenue en 2002

à Saint-Etienne .


  • Résumé

    Dans cette thèse, nous cherchons à identifier le modèle d'un système complexe. Après avoir décrit le type de modèle que nous retenons, c'est-à-dire le Système d'Inférence FI (ou SIF), nous décrivons l'approche qui permet de l'identifier. Cette approche consiste à effectuer d'abord un regroupement flou, puis les groupements flous estimés sont projetés sur les axes pour obtenir le SIF. La méthode de regroupement que nous utilisons dans notre étude est le Regroupement par Soustraction (RS). Notre première contribution se résume par l'extension de cette méthode d'abord pour diminuer les problèmes liés à la dimension des données (MRS), ensuite pour faciliter la détermination des valeurs de paramètre et enfin pour identifier des groupements de taille différente afin d'augmenter la parcimonie du modèle flou (RSE). Nous appliquons ensuite l'identification du modèle à un problème de classification de courbes fonctionnelles. L'idée principale consiste à considérer la séquence d'observations des courbes comme une seule entité, et non comme des attributs individuels. Pour identifier le modèle classifieur flou, nous proposons d'utiliser tout d'abord des métriques plus adéquates permettant de tenir compte des variations de courbe. Puis nous proposons une nouvelle approche non-supervisée dans le but de réduire la description des courbes out en gardant leur forme évolutive. Enfin, nous utilisons l'approche par changement d'espace en b-spline en espérant que cette transformation permet d'ajouter une information substantielle pour le processus de la classification. La contribution générale de toute notre étude est que nous avons proposé des méthodes qui permettent d'obtenir des modèles plus parcimonieux, et donc de généraliser la connaissance.

  • Titre traduit

    Identification of a fuzzy model applied to a classification problem


  • Pas de résumé disponible.


  • Résumé

    In this thesis, we want to identify the model of a complex system. After the description of the type of model that we use, we describe the approach which allows to identify it. This approach consists on the one hand to make a fuzzy clustering, and on the other hand to project the estimated clusters in the axis to generate the Fuzzy Inference System. The used clustering method is the Subtractive Clustering. Our first contribution is the extension of this method firstly to reduce the problems related to the data dimension, next to make the determination of the parameter value easier, and finally to identify different size clusters in the aim to increase the model parsimony. . . [etc. ]

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (XV-159 p.)
  • Notes : Thèse reproduite
  • Annexes : Bibliogr. 3 p.

Où se trouve cette thèse ?

  • Bibliothèque :
  • Disponible pour le PEB
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.