Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

98 Parallélisation de la classification spectrale (a) Speed up (b) Efficacité Figure 3.8 – 2 sphères tronquées : Speed up et efficacité figurent des zooms autour de chaque sphère tronquée pour montrer la proximité entre les deux petites sphères et la sphère englobante. La figure 3.10 présente le résultat du spectral clustering sur Figure 3.9 – Exemple géométrique (gauche) et zooms (droite) : N = 4361 les deux sous-domaines (a)-(b), celui sur l’interface (c) et le résultat final (d). Chaque sous-domaine comprend 2 clusters et il en est de même pour l’interface. L’exemple géométrique est testé pour un nombre de points allant de N = 4361 à N = 15247. Pour ces tests, le domaine est divisé successivement en q = {1, 4, 8, 12} boîtes. Les temps pour chaque étape du clustering spectral parallèle sont mesurés. Sur le tableau 3.2, le temps total et le pourcentage de temps consacré à l’algorithme de clustering spectral sur les sous-domaines sont notés pour chaque taille de problème et pour chaque distribution de points sur l’interface.
3.2.3 Expérimentations parallèles 99 (a) Résultat sur le domaine 1 (b) Résultat sur le domaine 2 (c) Résultat sur l’interface (d) Résultat final Figure 3.10 – Résultats du spectral clustering parallèle sur l’exemple des 3 sphères découpées en 2 sous-domaines
Page 1:
Institut National Polytechnique de
Page 4 and 5:
ii TABLE DES MATIÈRES 2.5.1 Expér
Page 7 and 8:
Table des figures 1.1 Illustration
Page 9:
TABLE DES FIGURES vii 4.8 Etude ave
Page 13 and 14:
Remerciements Je tiens tout d’abo
Page 15 and 16:
Introduction Les domaines des biolo
Page 17 and 18:
adéquates dans un cadre non superv
Page 19 and 20:
Chapitre 1 : Classification spectra
Page 21 and 22:
Chapitre 1 Classification spectrale
Page 23 and 24:
1.1.1 Algorithme de classification
Page 25 and 26:
1.1.2 Problème du choix du paramè
Page 27 and 28:
1.1.2 Problème du choix du paramè
Page 29 and 30:
1.2.2 Cas d’une distribution isot
Page 31 and 32:
1.3 Validations numériques 19 1.3
Page 33 and 34:
1.3.1 Mesures de qualité 21 (a) Sm
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
1.4 Méthodes de classification spe
Page 41 and 42:
1.4.2 Traitement d’images 29 une
Page 43 and 44:
1.4.2 Traitement d’images 31 (a)
Page 45 and 46:
Chapitre 2 Classification et élém
Page 47 and 48:
2.2 Présentation du résultat prin
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
2.3 Propriétés de classification
Page 55 and 56:
2.3.2 Classification via l’opéra
Page 57 and 58:
2.3.3 Classification via l’opéra
Page 59 and 60: 2.3.3 Classification via l’opéra
Page 65 and 66: 2.4.1 Eléments finis de Lagrange 5
Page 67 and 68: 2.4.2 Interprétation des élément
Page 69 and 70: 2.4.3 Propriété de classification
Page 71 and 72: 2.4.3 Propriété de classification
Page 73 and 74: 2.4.4 Condensation de masse 61 Le t
Page 75 and 76: 2.4.4 Condensation de masse 63 Eval
Page 77 and 78: 2.4.4 Condensation de masse 65 (a)
Page 79 and 80: 2.5.1 Expérimentations numériques
Page 81 and 82: 2.5.2 Choix du paramètre gaussien
Page 87 and 88: 2.5.3 Passage du discret au continu
Page 89 and 90: 2.5.4 Etape de normalisation 77 d
Page 91 and 92: 2.5.5 Cas limites de validité de l
Page 93: 2.5.5 Cas limites de validité de l
Page 96 and 97: 84 Parallélisation de la classific
Page 112 and 113: 100 Parallélisation de la classifi
Page 132 and 133: 120 Extraction de connaissances app
Page 160 and 161:
148 Extraction de connaissances app
Page 162 and 163:
Page 164 and 165:
Page 167 and 168:
Conclusion et perspectives Dans ce
Page 169 and 170:
4.9.4 Comparaison avec la méthode
Page 171 and 172:
Bibliographie [1] P.D. Acton, L.S.
Page 173 and 174:
BIBLIOGRAPHIE 161 [37] M. Ester, H.
Page 175 and 176:
BIBLIOGRAPHIE 163 [75] R. Maroy, R.
Page 177:
BIBLIOGRAPHIE 165 [114] L. Yen, D.
show all

Contributions à l'étude de la classification spectrale et applications

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?