Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

64 Classification et éléments spectraux de la matrice affinité gaussienne Le résidu ψ du résultat principal (section 2.1.1) est fonction de la distance δ, du pas de discrétisation h et du paramètre du noyau Gaussien t qui doit satisfaire l’équation (2.20). Pour finir l’interprétation du spectral clustering non normalisé, il faut revenir aux vecteurs propres de la matrice affinité A, autrement dit, "supprimer" la matrice M dans l’équation (2.45). Or M est une matrice diagonale mais si on avait M = aIn alors le résultat serait immédiat. Le ieme élément de M est donné par : Mi,i = supp(φi)/(p + 1). Demander à avoir M ≈ aIN revient à avoir |supp(φi)| ≈ |supp(φj)|, pour tout (i, j). Ce qui revient encore à demander plus de régularité sur le maillage. En notant Φ la moyenne des tailles sur tous les supports de φj, cela revient finalement à avoir la relation suivante pour tout j |supp(φj)| − Φ → 0 quand h → 0. Φ Avec l’hypothèse de régularité définie dans la proposition 2.42, on avait, pour tout j : |supp(φj)| ≈ Cjh p . Ces deux hypothèses ensembles, le support de φj vérifie donc : |supp(φj)| = C0h p + O(h p+1 ). (2.48) Avec cette dernière hypothèse de régularité du maillage, la matrice M est remplacée par une matrice homogène à une matrice identité et la propriété de clustering peut être énoncée avec uniquement la matrice affinité A comme suit. Proposition 2.44. Supposons que les supports des fonctions φj pour tout j vérifient l’équation (2.48). Soient les Wn,i définis par la proposition 2.36. Alors pour t > 0 on a : (4πt) −p 2 C0h p (A + IN) Wn,i = e −λn,it Wn,i + O t, h 2 , hp+1 , t h3p+2 t2 où quand (h, t) → 0 avec h 3p+2 /t 2 → 0, h p+1 /t → 0 et δ → 0. (2.49) Démonstration. D’après l’hypothèse (2.48) et la définition (2.43) des éléments de M, le résultat est immédiat. Avec une condensation de masse et une hypothèse d’homogénéité de maillage, la propriété de spectral clustering est maintenant ramenée sur la matrice affinité A. On a donc montré que sous plusieurs hypothèses sur le paramètre t (ou σ) et une isotropie de la distribution, les vecteurs propres issus de la matrice affinité sont proches des ceux de l’opérateur de la chaleur discrétisé avec conditions de Dirichlet. En effet, lorsque t/h 2 → 0, les vecteurs propres associés à des valeurs propres proches de 0 correspondent aux fonctions propres discrétisées. Ainsi, les données projetées dans l’espace spectral sont concentrées par classes et séparées. Les images de la figure 2.9 illustrent le produit entre la matrice affinité A et les fonctions propres discrétisées V1,i, i ∈ {1, 2}. De la même façon, la figure suivante représente les vecteurs propres de la matrice A qui sont le plus semblable respectivement de la fonction propre discrétisée V1,1 et V1,2 pour la valeur t = th où th représente l’heuristique (1.2) développée dans le chapitre 1 tel que th = σh 4 Dmax = 8N 1 . p Pour terminer, on peut alors donner le résultat de clustering sur la matrice A.
2.4.4 Condensation de masse 65 (a) Produit AV1,1 (c) Vecteur propre de A associé à V1,1 pour t = th Figure 2.9 – Exemple des donuts (b) Produit AV1,2 (d) Vecteur propre de A associé à V1,2 pour t = th
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 and 72: 2.4.3 Propriété de classification
Page 73 and 74: 2.4.4 Condensation de masse 61 Le t
Page 75: 2.4.4 Condensation de masse 63 Eval
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 126 and 127:
114 Parallélisation de la classifi
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?