Contributions à l'étude de la classification spectrale et applications
Contributions à l'étude de la classification spectrale et applications
Contributions à l'étude de la classification spectrale et applications
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
1.2.2 Cas d’une distribution isotropique avec <strong>de</strong>s amplitu<strong>de</strong>s différentes suivant les<br />
directions 17<br />
où N est le nombre <strong>de</strong> points <strong>et</strong> p <strong>la</strong> dimension <strong>de</strong>s données. Enfin, le paramètre gaussien σ est pris<br />
égal <strong>à</strong> une fraction <strong>de</strong> c<strong>et</strong>te distance référence σ0 : σ = σ0<br />
2 .<br />
Sous c<strong>et</strong>te hypothèse d’isotropie <strong>de</strong> <strong>la</strong> distribution, on peut statuer que l’ensemble <strong>de</strong>s points S<br />
est essentiellement inclus dans une boîte carrée <strong>de</strong> dimension p <strong>et</strong> <strong>de</strong> côté borné par Dmax. Si on<br />
désire être capable d’i<strong>de</strong>ntifier <strong>de</strong>s clusters au sein <strong>de</strong> S, on doit partir d’une distribution uniforme<br />
<strong>de</strong> n points inclus dans <strong>la</strong> boîte <strong>de</strong> dimension p. C<strong>et</strong>te distribution uniforme est obtenue en divisant<br />
<strong>la</strong> boîte en N briques <strong>de</strong> même taille comme représenté sur <strong>la</strong> figure 1.5 dans le cas 2D. Chaque<br />
brique est <strong>de</strong> volume égal <strong>à</strong> D p max/N <strong>et</strong> le côté <strong>de</strong>s briques, noté σ0, est donc égal <strong>à</strong> :<br />
σ0 = Dmax<br />
N 1/p<br />
Dès lors, on peut considérer que s’il existe <strong>de</strong>s clusters, il doit exister <strong>de</strong>s points qui sont séparés<br />
par une distance supérieure <strong>à</strong> c<strong>et</strong>te fraction σ. Sinon, les points <strong>de</strong>vraient tous être <strong>à</strong> distance <strong>à</strong> peu<br />
près égale (<strong>de</strong> l’ordre <strong>de</strong> σ0) <strong>de</strong> leurs plus proches voisins d’après l’hypothèse sur l’isotropie <strong>de</strong> <strong>la</strong><br />
distribution <strong>de</strong>s points <strong>et</strong> du fait que tous les points sont inclus dans une boîte <strong>de</strong> côté Dmax. Notre<br />
proposition consiste donc <strong>à</strong> construire une matrice affinité comme une fonction ratio <strong>de</strong> distances<br />
entre les points <strong>et</strong> une distance <strong>de</strong> référence<br />
.<br />
σ = σ0<br />
2<br />
Remarque 1.3. C<strong>et</strong>te heuristique représente donc une distance seuil <strong>à</strong> partir <strong>de</strong> <strong>la</strong>quelle <strong>de</strong>s points<br />
sont considérés comme proches. C<strong>et</strong>te interprétation rejoint aussi celles <strong>de</strong> Brand <strong>et</strong> Huang [20] qui<br />
fixent σ égal <strong>à</strong> <strong>la</strong> moyenne <strong>de</strong> <strong>la</strong> distance entre chaque point <strong>de</strong> l’ensemble S <strong>et</strong> son plus proche<br />
voisin. Cependant, c<strong>et</strong>te nouvelle heuristique est moins coûteuse que l’heuristique [20] car une seule<br />
boucle est réalisée sur tous les points pour déterminer Dmax.<br />
1.2.2 Cas d’une distribution isotropique avec <strong>de</strong>s amplitu<strong>de</strong>s différentes suivant<br />
les directions<br />
Figure 1.6 – Principe <strong>de</strong> l’heuristique (1.3) dans le cas 3D