Classification et reconnaissance des formes par algorithmes hybrides

Abstract

Les travaux de recherche menés dans cette thèse s’attachent à la classification par les systèmes neuronaux, les systèmes mutli-réseaux de neurones et les systèmes neuro-flous. Plus précisément, nous nous intéressons à l’amélioration des performances de l’apprentissage par la Retro-propagation. Nous proposons à cet égard une nouvelle méthode de classification : la classification étiquetée, et introduisons trois modèles qui en résultent : le perceptron multicouche étiqueté, le classificateur neuro-flou étiqueté et les systèmes étiquetés multi-réseaux de neurones. La méthode proposée s’articule essentiellement sur l’ajout d’une caractéristique additionnelle, les étiquettes, à tous les exemples d’apprentissage, et à la réalisation de plusieurs tests pour classer les nouveaux exemples. L’idée de base consiste à simplifier l’entrainement en rendant les exemples d’apprentissage linéairement séparables, et à exploiter les propriétés des réseaux de neurones, notamment l’estimation des probabilités a posteriori, afin d’établir la décision finale.