Segmentation, classification et fusion de séries temporelles multi-sources : application à des signaux dans un bio-procédé

par Sébastien Régis

Thèse de doctorat en Informatique

Sous la direction de Jacky Desachy et de Andrei Doncescu.

Soutenue en 2004

à Antilles-Guyane .

mots clés

• Séries chronologiques -- Thèses et écrits académiques
• Détection du signal -- Thèses et écrits académiques
• Holder, Espaces de -- Thèses et écrits académiques

Résumé

L'objectif de cette thèse est la découverte de connaissances dans des systèmes biologiques à partir de séries temporelles associées à la dynamique spatio-temporelle de ces systèmes en utilisant des méthodes d'analyse des signaux non-stationnaires et des méthodes de classification basées sur la logique floue et la théorie de l'évidence. Premièrement la transformée en ondelettes et l'évaluation du coefficient de Hôlder (associé aux différentes singularités. Des séries temporelles) permettent de mieux détecter les phénomènes et états physiologiques du système. Une nouvelle méthode d'évaluation de l'exposant de Hôlder utilisant les algorithmes génétiques est proposée. Puis la méthode de classification à base de logique floue nommée LAMDA est utilisée pour caractériser les états. Les outils d'agrégation de LAMDA sont analysés et un nouvel opérateur de fusion est proposée. LAMDA est comparée à d'autres classificateurs et donne de meilleurs résultats pour cette application. Enfm une étude de la pertinence des sources d'information est proposée. Elle est basée sur la notion de conflit de la théorie de l'évidence. Les résultats expérimentaux ont confirmé dans l'ensemble les connaissances des experts. Cette approche combinant le traitement du signal, la classification et la théorie de l'évidence permet donc l'analyse et la caractérisation des systèmes biologiques sans utiliser de modèle déterministe. La combinaisons de ces outils a permis de découvrir de nouvelles connaissances et de confirmer la connaissance des experts en se basant essentiellement sur les séries temporelles décrivant ce système biologique.

Titre traduit

Segmentation,classification and fusion of multi-sources time series temporelles : application to signals in a bioprocess

Pas de résumé disponible.

Résumé

This PhD is devoted to knowledge basis discovery using signal analysis and classification tools on time series. The application is the detection of new, known or abnormal physiological states in a alcoholic bioprocess. Analysis, classification and fusion of data from time series are done. First, wavelets transform and Hôlder exponent (linked to the singularities of the time series) are used to detect phenomenon and physiological states of the system. A new approach combining wavelets transform and differential evolutionary methods is proposed and gives better result than other classical evaluation methods of fuis Hôlder exponent. Then the LAMDA method of classification and its tools are presented. Aggregation operators of LAMDA are presented and a new operator is proposed. A comparison with other classifiers shows that LAMDA gives better results for this application. Relevance of data source is studied. A method based on evidence theory is proposed. Experimental results show that the relevance evaluation are quite interesting. This approach using signal processing, classification and evidence theory enables the analysis and the characterisation of the biological systems without using deterministic model. Thus the combination of these tools enables to discover new knowledge and to confirm the knowledge of the expert mainly by using time series describing biological systems.