Méthodologie et techniques de mise en oeuvre

L’approche que nous proposons repose sur une agrégation-coopération qui consiste à incorporer des informations indépendantes et complémentaires et à échanger des informations entre algorithmes. Un des points à développer est la sélection d’un ensemble d’algorithmes propres qui coopéreront dans une application. Que le classifieur utilise les densités de probabilité ou des jeux de paramètres, que le seuillage soit « flou » ou « dur », dynamique ou statique, linéaire ou non linéaire, il optimise un ou plusieurs critères qui mettent en jeu des mesures de distance. Plusieurs mesures de distance seront testées, de même la sélection des paramètres de toute nature sera visitée. Les performances de plusieurs indices d’évaluation seront comparées.
Lors de la mise en œuvre des méthodes de classification supervisée, l’enjeu est l’estimation des caractéristiques d’une population à partir d’un ensemble d’échantillons. Chaque classifieur génère son propre jeu d’échantillons sur lequel il s’entraîne, les résultats sont d’autant plus fiables que le meilleur jeu d’échantillon a été trouvé. Si plusieurs classifieurs s’échangent leurs échantillons les résultats ne seront pas les mêmes. Cette démarche aidera les classifieurs à disposer d’un jeu d’échantillons plus pertinents.
Une démarche déjà envisagée en 2005 par H Akdag (SETIT 2005) consiste à entrainer N classifieurs en parallèle ou en cascade (Gunes, 2003), puis en fonction des résultats (évalués par des critères pré-définis) les classifieurs s’échangent les échantillons ou régénèrent partiellement leur jeu d’échantillons, la procédure peut être itérée plusieurs fois. Ainsi les algorithmes de classification peuvent être considérés comme des agents qui communiquent entre eux pour se corriger et faire émerger de nouveaux algorithmes de classification.
En outre, la classification dynamique à l’aide d’un multi-classifieur dynamique permet l’intégration de la notion d’événement et donc le suivi de trajectoire est incorporé dans la décision de classification. Il requiert de prendre en compte des aspects non linéaires pour bien discriminer les classes.