Contributions à la classification de données par approches évolutionnistes : simulation et application aux images de textures

Abstract

La classification des données se fait de plus en plus présente en représentation des connaissances. Il s’agit de regrouper en même classe différents éléments porteurs d’une information a peu prés similaire. Ainsi, l’information totale est représentée par de grands ensembles (les classes) et non plus par les nombreux sous ensembles. Les résultats de l’opération de classification seront ensuite facilement exploitables dans une phase d’interprétation de données. Cette thèse s’inscrit dans l’optique de contribuer à la résolution de quelques problèmes bien posés en classification de données. Ces problèmes se ramènent à une optimisation des critères. Dans nos contributions, nous nous sommes appuyés sur les méthodes évolutionnistes (algorithmes génétiques et stratégies d’évolution). Le choix de ces méthodes est basé sur certains avantages par rapport aux différentes méthodes classiques d’optimisation. Les performances d’une méthode de classification reposent sur la sélection des attributs qui discriminent aux mieux les classes représentatives des différents objets (données à classer) dans l’espace d’attributs. Un choix optimal des attributs pour la classification, conduit à une rapidité de décision, joue un rôle de filtre face au bruit apporté par les attributs non représentatifs et permet de diminuer les erreurs. La sélection des attributs les plus pertinents constitue pour la classification, l’étape souvent jugée la plus délicate par les praticiens. Il existe plusieurs méthodes de sélection des attributs. Dans un premier travail, nous proposons une nouvelle méthode basée sur une approche génétique qui optimise le choix des attributs par la minimisation d’une fonction coût. Cette dernière est le résultat de l’étude statistique que nous avons mené. L’approche proposée est validée sur des images de textures. Les résultats expérimentaux obtenus montrent les bonnes performances et la rapidité de convergence de notre méthode par rapport à d’autres méthodes de sélection des attributs. Dans un second travail, nous présentons une nouvelle méthode de classification supervisée de données basée sur un système cascade AG-RNM. Ce système associe l’algorithme génétique (AG) conçu pour la sélection des attributs les plus discriminants et un réseau de neurones multicouches (RNM). Nous avons introduit l’AG dans le but de réduire la taille du RNM nécessaire pour la classification de données. Les résultats de la classification des images de textures par ce système cascade sont très satisfaisants. Par ailleurs, la méthode de C-moyennes floues constitue une méthode de classification non supervisée de données très populaire. Cette méthode est une adaptation de la méthode des nuées dynamiques (C-moyennes) dans l’espace flou. Le principal avantage de la méthode C-moyennes floues, par rapport aux autres méthodes de classification, y compris la méthode des C-moyennes, réside dans le fait qu’elle donne le degré d’appartenance de l’objet de chacune des classes. Cette information beaucoup plus riche permet d’une part de prendre une décision douce et de l’autre d’accéder à d’autres informations utiles sur le système étudié. Cependant, l’algorithme C-moyennes floues souffre, comme l’algorithme C-Moyennes, de quelques inconvénients tels que le nombre de classes qui doit être connu a priori, le problème d’initialisation et le problème es solutions locales. Le troisième travail que nous présentons dans cette thèse, consiste à développer une adaptation de la méthode des C-moyennes floues dans l’espace évolutionnistes basée sur les stratégies d’évolution, et ceci dans le but de surmonter ses trois inconvénients. Nous proposons un nouvel algorithme C-moyennes floues évolutionnistes. Dans cet algorithme, nous introduisons un nouvel opérateur de mutation pour permettre à ce dernier d’éviter les solutions locales et de converger vers la solution globale en un temps de calcul très faible. Le critère de Xie et Beni, adapté à la classification floue, est introduit pour déterminer le nombre optimal de classes. Plusieurs résultats expérimentaux sur des exemples de simulations confirment favorablement les performances de cette méthode et ainsi l’amélioration des performances de la méthode des C-moyennes floues.