Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

60 Classification et éléments spectraux de la matrice affinité gaussienne (a) Produit (A + IN )MV1,1 (c) Vecteur propre de (A+IN )M associé à V1,1 pour t = th Figure 2.8 – Exemple des donuts (b) Produit (A + IN )MV1,2 (d) Vecteur propre de (A+IN )M associé à V1,2 pour t = th
2.4.4 Condensation de masse 61 Le théorème 2.38 permet d’expliquer le lien entre le clustering dans l’espace de projection spectrale et le clustering des données initiales. En effet, on retrouve qu’un point xr appartient à l’ensemble Oi à partir du produit scalaire de la r ieme colonne de la matrice (A + IN)M et des ’quasi’ vecteurs propres Vn,i. Les valeurs de ces produits scalaires représentent les coefficients de la matrice Y de l’algorithme 2. L’étape de k-means revient donc à chercher l’élément qui réalise l’argument maximal de l’équation (2.39). Les résultats du théorème 2.38 incluent la matrice de masse M dont la définition est totalement dépendante des éléments finis construits et donc de la définition des Ωi, i ∈ {1, .., k}, ce qui ne peut pas être vraisemblablement supposé avant d’avoir effectué le clustering. Afin de supprimer cette dépendance, une condensation de masse est envisagée dans la section suivante et les résultats spectraux précédents seront formulés avec une matrice de masse diagonale à la place d’une matrice de masse pleine. L’objectif est de faire disparaître cette connaissance a priori afin de focaliser le travail sur l’étude spectrale de la matrice A + IN, ou de manière équivalente sur A. 2.4.4 Condensation de masse Pour supprimer l’influence des éléments finis et de la matrice de masse dans les résultats, on s’intéresse à une condensation de masse qui approche la matrice de masse par une matrice diagonale. Dans la suite, après avoir défini la condensation de masse, les résultats de la propriété 2.36 et du théorème 2.38 sont reformulés et une propriété de clustering de la matrice affinité A sera donc énoncée. Définition et approximation Commençons par introduire quelques éléments d’approximation numérique. Définition 2.39. (Quadrature numérique) Soit IK la liste des indices de points appartenant à un élément K ∈ τh donné. Considérons la quadrature numérique pour les polynômes P1 : K φ(x)dx ≈ où |K| représente le volume de l’élément fini K. k∈IK |K| φ(xik ), (2.41) p + 1 Proposition 2.40. Cette quadrature numérique est exacte pour les polynômes de degré ≤ 1. Démonstration. Cette propriété est démontrée dans [26]. Donc pour toute fonction f ∈ C0 (O), on a : f(x)φj(x)dx ≈ O n K∈Th i=1 fi K φi(x)φj(x)dx. (2.42) Avec la définition et le support de φi et φj, le produit φi(xik )φj(xik ) est défini par : φi(xik )φj(xik ) = δikiδikj. On obtient donc l’approximation suivante de l’équation (2.42) avec la quadrature numérique (2.41) : n K∈Th i=1 fi 3 k=1 |K| φi(xik )φj(xik ) ≈ 3 K∈Th ik∈IK supp(φj)∩K=∅ |K| fikδikj. p + 1
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 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 53 and 54: 2.3 Propriétés de classification
Page 55 and 56: 2.3.2 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: 2.4.3 Propriété de classification
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 122 and 123:
110 Parallélisation de la classifi
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
120 Extraction de connaissances app
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
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

Create successful ePaper yourself

Delete template?

Save as template?