Dynamical Clustering of non-stationary data :
Learning and tracking evolving clusters

Classification Dynamique de données non-stationnaires :
Apprentissage et Suivi de Classes évolutives

Habiboulaye Amadou Boubacar (1)

1 LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal

Most of natural or artificial processes have evolutionary behaviours described by non-stationary data. This thesis studies the problem of dynamical clustering of non-stationary data. We propose a generic description of dynamical classifiers by using a neural network with evolutionary architecture. It is composed of four learning procedures: creation, adaptation, fusion, and evaluation. From this generic description, we develop two algorithms. The first one is a new version of AUDyC (AUto-adaptive and Dynamical Clustering). AUDyC uses a mixture model described following the multimodal approach. The second one, called SAKM (Self-Adaptive Kernel Machine), is based on SVM & kernel methods. Both are created with some recursive update rules that allow the adaptive modelling and the pursuit (tracking) of evolving clusters. They have self-adaptive abilities in non-stationary environment and good performances of convergence and complexity. These latter are theoretically proved and also illustrated by simulation.

La plupart des processus naturels ou artificiels ont des comportements évolutifs décrits par des données non-stationnaires. La problématique étudiée dans cette thèse concerne la classification dynamique de données non-stationnaires. Nous proposons une description générique de classifieurs dynamiques conçue à l'aide d'un réseau neuronal à architecture évolutive. Elle est élaborée en quatre procédures d'apprentissage : création, adaptation, fusion, et évaluation. Deux algorithmes sont développés à partir de cette description générique. Le premier est une nouvelle version de l'algorithme AUDyC (AUto-adaptive and Dynamical Clustering). Il utilise un modèle de mélange décrit suivant l'approche multimodale. Le second, nommé SAKM (Self-Adaptive Kernel Machine), est basé sur les SVM et méthodes à noyau. Ces deux algorithmes sont dotés de règles de mise à jour récursives permettant la modélisation adaptative et le suivi de classes évolutives. Ils disposent de capacités d'auto-adaptation en environnement dynamique et de bonnes performances en terme de convergence et de complexité algorithmique. Ces dernières sont prouvées théoriquement et montrées par la simulation des algorithmes.

Mots clés: on-line learning; clustering; non-stationary data; evolving clusters; neural architecture; mixture models; SVM and kernel methods

Mots clés: architecture neuronale; modèles de mélange; SVM et méthodes à noyau; apprentissage en ligne; classification automatique; données non-stationnaires; classes évolutives

Domaines: Automatique / Robotique; Traitement du signal et de l'image [eess.SP]

Habiboulaye Amadou Boubacar. Classification Dynamique de données non-stationnaires :
Apprentissage et Suivi de Classes évolutives. Automatique / Robotique. Université des Sciences et Technologie de Lille - Lille I, 2006. Français. ⟨NNT : ⟩. ⟨tel-00106968⟩