Cartes auto-organisatrices pour la classification de données symboliques mixtes, de données de type intervalle et de données discrétisées.

par Chantal Hajjar (Saad)

Thèse de doctorat en Traitement du Signal (STIC)

Sous la direction de Gilles Fleury.

Soutenue le 10-02-2014

à Supélec , dans le cadre de Ecole doctorale Sciences et Technologies de l'Information, des Télécommunications et des Systèmes (Orsay, Essonne ; 2000-2015) , en partenariat avec Supélec Sciences des Systèmes - EA4454 / E3S (laboratoire) .

Le président du jury était Edwin Diday.

Le jury était composé de Lynne Billard, Hani Hamdan, Ali Asghar Mohammad Djafari.

Les rapporteurs étaient Stéphane Canu, Jean-Yves Tourneret.


  • Résumé

    Cette thèse s'inscrit dans le cadre de la classification automatique de données symboliques par des méthodes géométriques bio-inspirées, plus spécifiquement par les cartes auto-organisatrices. Nous mettons en place plusieurs algorithmes d'apprentissage des cartes auto-organisatrices pour classifier des données symboliques mixtes ainsi que des données de type intervalle et des données discrétisées. Plusieurs jeux de données symboliques simulées et réelles, dont deux construits dans le cadre de cette thèse, sont utilisés pour tester les méthodes proposées. En plus, nous proposons une carte auto-organisatrice pour les données discrétisées (binned data) dans le but d'accélérer l'apprentissage des cartes classiques et nous appliquons la méthode proposée à la segmentation d'images.

  • Titre traduit

    Self-Organizing Maps for the clustering of mixed feature-type symbolic data, of interval-valued data and of binned data


  • Résumé

    This thesis concerns the clustering of symbolic data with bio-inspired geometric methods, more specifically with Self-Organizing Maps. We set up several learning algorithms for the self-organizing maps in order to cluster mixed-feature symbolic data as well as interval-valued data and binned data. Several simulated and real symbolic data sets, including two sets built as part of this thesis, are used to test the proposed methods. In addition, we propose a self-organizing map for binned data in order to accelerate the learning of standard maps, and we use the proposed method for image segmentation.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

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