Méthodes SVM pour l'identification
Abstract
Ce papier présente les méthodes SVM (Support Vector Machines), issues de la théorie de l'apprentissage statistique, pour l'identification des systèmes. La méthode est tout d'abord exposée dans le cas linéaire, puis étendue au cas non-linéaire grâce à des fonctions noyaux. Ces noyaux permettent de résoudre le problème non-linéaire par une projection implicite dans un espace de dimension supérieure. Le papier traite ensuite des questions pratiques telles que le réglage des hyperparamètres ou l'implémentation algorithmique de la méthode. Les liens avec les réseaux de neurones sont explicités de manière à mettre en valeur les avantages de la méthode : sélection automatique des centres, régularisation intrinsèque, unicité de la solution et bonne généralisation à partir de peu de données. La méthode est illustrée sur un exemple d'identification de système non-linéaire et comparée à un des algorithmes les plus performants, basé sur la sélection des centres des réseaux RBF par Orthogonal Least Squares (OLS) et l'estimation de l'erreur de généralisation.
Loading...