Carte topologique pour données qualitatives: application à la reconnaissance automatique de la densité du trafic routier - Valorisation des savoir-faire des membres de LOCEAN Accéder directement au contenu
Thèse Année : 2003

Carte topologique pour données qualitatives: application à la reconnaissance automatique de la densité du trafic routier

Résumé

This research concerns the qualitative data processing with neuronal methods. Various not supervised models of training are proposed. This thesis was done In the research departement of RENAULT. The Work was focused on the development of traffic recognition model.

The first model suggested in this thesis is dedicated to binary data 'BTM'. It is a model of vectorial quantization of topological map. This model takes the principal characteristics of the topological map. For this new model, in order to take into account specificities of the binary data, we chose to change the usual metric used in the topological map by the Hamming distance.

The second model is the first probabilistic model of topological map dedicated to the binary data. This model is inspired from work which models a distribution by a mixture of mixture of Bernoulli laws.

The third model is a new model of topological map called CTM (Categorical topological Map) adapted to the not supervised classification of the multidimensional qualitative data. This new model preserves the principal characteristics of the two preceding models. In order to maximize the likelihood, CTM uses in a traditional way algorithm EM.

In this memory, we introduce the applicability for the work undertaken at RENAULT. We will detail the original contribution of our work: use of qualitative information to treat the traffic recognition. We will expose the various analyses done with the application of the algorithms proposed.
Le travail de recherche concerne le traitement des données qualitatives par des méthodes neuronales. Différents modèles d'apprentissage non supervisés sont proposés.

Ce travail de thèse a été réalisé à la direction de la recherche de RENAULT. Le travail s'est focalisé sur le développement d'un modèle de reconnaissance de trafic.

Le premier modèle proposé dans cette thèse est dédié aux données binaires ''BTM''. C'est un modèle de quantification vectorielle de type carte topologique. Ce modèle prend les caractéristiques principales des cartes topologiques. Pour ce nouveau modèle, afin de prendre en compte les spécificités des données binaires, on a choisi de changer la métrique usuelle utilisée dans les modèles de cartes topologiques et d'utiliser la distance Hamming.

Le second modèle est le premier modèle probabiliste de cartes topologiques dédié aux données binaires. Ce modèle s'inspire de travaux antérieurs qui modélisent une distribution par un mélange de mélange de lois de Bernoulli.

Le troisième modèle est un nouveau modèle de carte topologique appelé CTM (Categorical topological Map) adapté à la classification non supervisée des données qualitatives multi-dimensionnelles. Ce nouveau modèle conserve cependant les principales caractéristiques des deux modèles précédents. Afin de maximiser les vraisemblance des données, CTM utilise de manière classique l'algorithme EM.

Dans ce mémoire, on introduit le domaine d'application propre au travail mené chez RENAULT. Nous détaillerons l'apport original de notre travail: utilisation de l'information catégorielle pour traiter de la reconnaissance du trafic. Nous exposerons les différentes analyses effectuées sur l'application des algorithmes proposés.
Fichier principal
Vignette du fichier
Lebbah_These_2003.pdf (4.51 Mo) Télécharger le fichier

Dates et versions

tel-00161698 , version 1 (11-07-2007)

Identifiants

  • HAL Id : tel-00161698 , version 1

Citer

Mustapha Lebbah. Carte topologique pour données qualitatives: application à la reconnaissance automatique de la densité du trafic routier. Mathématiques [math]. Université de Versailles-Saint Quentin en Yvelines, 2003. Français. ⟨NNT : ⟩. ⟨tel-00161698⟩
469 Consultations
390 Téléchargements

Partager

Gmail Facebook X LinkedIn More