Discrimination de signaux : contributions aux approches par noyaux et par projection / Florian Yger ; sous la direction d'Alain Rakotomamonjy

Date :

Editeur / Publisher : S. l. : [s. n.] , 2013

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Apprentissage supervisé (intelligence artificielle)

Machines à vecteurs de support

Traitement du signal

Traitement adaptatif du signal

Ondelettes

Riemann, Variétés de

Corrélation canonique (statistique)

Noyaux (analyse fonctionnelle)

Rakotomamonjy, Alain (19..-.... ; professeur des universités) (Directeur de thèse / thesis advisor)

Université de Rouen Normandie (1966-....) (Organisme de soutenance / degree-grantor)

Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...) (Laboratoire associé à la thèse / thesis associated laboratory)

École doctorale sciences physiques mathématiques et de l'information pour l'ingénieur (Saint-Etienne-du-Rouvray, Seine-Maritime ; ....-2016) (Ecole doctorale associée à la thèse / doctoral school)

Relation : Discrimination de signaux : contributions aux approches par noyaux et par projection / Florian Yger ; sous la direction d'Alain Rakotomamonjy / Lille : Atelier national de reproduction des thèses , 2013

Résumé / Abstract : Les travaux de cette thèse s’inscrivent dans le cadre de la discrimination de signaux. Notre approche consiste à adapter la représentation des signaux pour en faciliter la classification. Pour cela, nous proposons d’utiliser des méthodes d’apprentissage à noyaux multiples (MKL) ainsi que des notions de géométrie différentielle. Dans notre première contribution, après avoir construit des noyaux à partir de différentes décompositions en ondelettes des signaux, nous montrons comment transformer un problème de représentation discriminante en problème d’apprentissage à noyaux multiples. La famille de noyaux ainsi générée étant de très grande taille, nous proposons une stratégie d’optimisation par contraintes actives pour résoudre efficacement ce problème. Notre deuxième contribution porte sur l’étude de noyaux de matrices de covariance pour la répresentation de signaux. Après avoir tiré partie de la nature riemanienne de l’espace des matrices de covariance dans l’étude de ces noyaux, nous proposons de les utiliser au sein d’un algorithme d’apprentissage à noyaux multiples. Cette approche est ensuite appliquée à des données d’interface cerveau-machine et permet de sélectionner automatiquement les bandes de fréquence pertinentes pour filtrer ces signaux. Enfin, notre dernière contribution considère une résolution adaptative de l’analyse canonique des corrélations (CCA). Après avoir reformulé le problème d’optimisation, nous mettons en oeuvre des techniques d’optimisation sur des variétés différentielles pour aboutir à un algorithme efficace en deux étapes. Cet algorithme est ensuite validé sur une tâche de détection de rupture pour des signaux d’interface cerveau-machine.