Table des matieres du chapitres 1 - TCTS Lab

Commentaires

Transcription

Table des matieres du chapitres 1 - TCTS Lab
Traitement de L’Information
Classification et Reconnaissance
Statistique de Formes
Notes de Cours
Copyright © 2000 Faculté Polytechnique de Mons - B. Gosselin
Faculté Polytechnique
de Mons - TCTS
Bernard Gosselin
Faculté Polytechnique de Mons
TCTS Lab
Bâtiment Multitel – Parc Initialis
Avenue Copernic
Ph:
+32 65 374706
B-7000 Mons
Fax: +32 65 374729
Belgium
Email: [email protected]
Classification et Reconnaissance Statistique de Formes
Table des Matières
Chapitre 1 – Reconnaissance de Formes
1.1
Notion de Classificateur
.................................................................................. 1.1
1.2
Classificateurs Paramétriques
.................................................................................. 1.4
1.3
1.4
1.2.1
Le Classificateur Euclidien............................................................................... 1.4
1.2.2
Le Classificateur Quadratique........................................................................... 1.6
1.2.3
Le Classificateur Gaussien ............................................................................... 1.7
Classificateurs Non Paramétriques................................................................................ 1.9
1.3.1
Estimation des probabilités à posteriori ........................................................... 1.9
1.3.2
La Méthode du Plus Proche Voisin.................................................................. 1.10
1.3.3
La Méthode des k Plus Proches Voisins........................................................... 1.14
Réseaux de Neurones Artificiels 1.15
1.4.1
Du neurone biologique au neurone formel ......................................................... 1.15
1.4.2
Le Perceptron
.................................................................................. 1.18
1.4.2.1 Architecture du Réseau........................................................................ 1.18
1.4.2.2 La Phase d’Apprentissage .................................................................... 1.20
1.4.2.3 Liens entre Perceptron et Classificateur Gaussien................................... 1.22
1.4.3
Le Perceptron Multicouches ............................................................................ 1.23
1.4.3.1 Architecture du Réseau........................................................................ 1.23
1.4.3.2 La Phase d’Apprentissage .................................................................... 1.24
1.4.3.3 Propriétés du Perceptron Multicouches ................................................. 1.29
1.4.3.4 De l’Apprentissage du Perceptron Multicouches..................................... 1.32
1.4.4
1.4.3.4.1
Introduction ................................................................ 1.32
1.4.3.4.2
Les Différents Modes d’Apprentissage .......................... 1.33
1.4.3.4.3
Utilisation d’un Terme de Moment................................ 1.33
1.4.3.4.4
Les Minima locaux ...................................................... 1.35
1.4.3.4.5
La Validation Croisée................................................... 1.36
1.4.3.4.6
Méthodes d’Apprentissage Accéléré .............................. 1.37
1.4.3.4.7
Adaptation aux probabilités à priori .............................. 1.39
Autres Modèles de Réseaux de Neurones .......................................................... 1.40
1.4.4.1 Le Réseau de Fonctions à Base Radiale................................................. 1.40
1.4.4.2 La Carte Auto-Organisatrice de Kohonen .............................................. 1.42
1.4.4.2.1
Architecture du Réseau ................................................ 1.42
Copyright © 2000 Faculté Polytechnique de Mons - B. Gosselin
2
Classification et Reconnaissance Statistique de Formes
1.4.4.2.2
La Phase d'Apprentissage ............................................. 1.43
1.4.4.2.3
L'Algorithme « Learning Vector Quantization ».............. 1.46
1.4.4.2.4
Propriétés de la Carte Auto-Organisatrice....................... 1.48
1.4.4.3 Les Réseaux Dynamiques .................................................................... 1.49
1.5
1.6
Comparaison Dynamique
.................................................................................. 1.51
1.5.1
Introduction
.................................................................................. 1.51
1.5.2
Alignement Temporel Linéaire ......................................................................... 1.52
1.5.3
Alignement Temporel par Programmation Dynamique........................................ 1.52
1.5.4
Variantes dans la Programmation Dynamique .................................................... 1.54
1.5.5
Exemple
.................................................................................. 1.56
Modèles de Markov
.................................................................................. 1.57
1.6.1
Introduction
.................................................................................. 1.57
1.6.2
Les Modèles de Markov à Temps Discret .............................................
1.57
1.6.2.1 Notions de Base ...................................................................... 1.57
1.6.2.2 Les Modèles de Markov Cachés ............................................... 1.59
1.6.2.3 Paramètres d'un Modèle de Markov Caché................................ 1.60
1.6.2.4 Les Trois Problèmes de Base ................................................... 1.61
1.6.3
Résolution des Trois Problèmes de Base ............................................... 1.62
1.6.3.1 L’Evaluation ........................................................................... 1.62
1.6.3.2 Détermination de la Suite Optimale d’Etats ............................... 1.66
1.6.3.3 L’Entraînement....................................................................... 1.69
1.6.4
Types de Modèles de Markov Cachés................................................... 1.73
1.6.4.1 Structures de Modèles de Markov Cachés ................................. 1.73
1.6.4.2 La Durée des Etats .................................................................. 1.75
1.6.4.3 Les Modèles de Markov à Temps Continu ................................ 1.76
1.6.4.4 Les Modèles Hybrides ............................................................. 1.78
1.7
1.8
L’Extraction de Caractéristiques 1.83
1.7.1
Introduction
.................................................................................. 1.83
1.7.2
L’Expansion de Karhunen & Loève.................................................................. 1.84
1.7.3
La Sélection de Caractéristiques ....................................................................... 1.88
1.7.4
L’Analyse Discriminante de Fisher ................................................................... 1.91
Techniques d’Evaluation des Performances .................................................................. 1.93
Bibliographie
.................................................................................. 1.95
Tables des Matières
.................................................................................. 1.97
Copyright © 2000 Faculté Polytechnique de Mons - B. Gosselin
3

Documents pareils

Lire la suite de l`article au format (239 Ko) - Easy

Lire la suite de l`article au format  (239 Ko) - Easy développement économique de la Région wallonne. Le Centre de Recherche et la Faculté Polytechnique de Mons (FPMs) ont mis sur pied des sociétés privées directement issues de leurs laboratoires. Ces...

Plus en détail