Contribution à l'étude et la mise en oeuvre d'indicateurs quantitatifs et qualitatifs d'estimation de la complexité pour la régulation du processus d'auto-organisation d'une structure neuronale modulaire de traitement d'information

par El Khier Bouyoucef

Thèse de doctorat en Sciences. Informatique

Sous la direction de Kurosh Madani.


  • Résumé

    La classification est un outil clé dans de nombreux domaines, notamment médical et industriel. La défaillance principale des classificateurs est due à la fiabilité des modèles théoriques ou empiriques exploités. Dans le cadre de cette thèse de doctorat, nous nous intéressons à l’étude de la notion de la complexité des données représentant un problème de classification dans le cadre d’une nouvelle structure neuronale arborescente de traitement de l’information désignée par le terme « Tree-like Divide To Simplify » (T-DTS). Dans cette approche, un problème de classification sera traité par plusieurs modèles locaux adaptés à la difficulté du problème. Nous avons utilisé et construit des indicateurs quantitatifs et qualitatifs de la complexité dont le rôle est d’obtenir une adéquation entre la complexité et la structure de traitement. Plusieurs bases de données issues des problèmes de classification artificiels et réels sont exploitées pour valider la pertinence des estimateurs de complexité et pour comparer les performances de la structure T-DTS selon les différents modes de fonctionnement et pour comparer ses performances par rapport à d’autres algorithmes de classification.

  • Titre traduit

    ˜A œcontribution to the study and implementation of quantitative and qualitative complexity estimation indicators for regulation of self-organisation process of an information processing modular neuronal structure


  • Résumé

    The classification is a key tool in numerous domains, notably medical and industrial domains. The main failure of classifiers is due to the reliability of the exploited theorical or empirical models. Within the framework of this doctoral thesis, we are interested in the study of data complexity notion, data representing a problem of classification within the framework of a new treelike neural structure of data processing termed « Tree-like Divide To Simplify » (T-DTS). In this approach, a problem of classification will be dealt by several local models adapted to the difficulty of the problem. We used and built quantitative and qualitative complexity indicators from which the role is to obtain an adequacy between the complexity and the structure of treatment. Several data bases issued from artificial and real problems of classifications are tested to validate the pertinance of the valeur of complexity and to compare the performances of the structure T-DTS following different modes of function and also compare it to other algorithms of classification.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Annexes : Bibliogr. : 77 réf

Où se trouve cette thèse ?

  • Bibliothèque : Université Paris-Est Créteil Val de Marne. Service commun de documentation. Bibliothèque de ressources électroniques en ligne.
  • Accessible pour le PEB
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.