Résumé :
|
Chercher à comprendre des données, c'est souvent chercher à trouver de l'information cachée dans un gros volume de mesures redondantes. C'est chercher des dépendances linéaires ou non entre les variables observées pour pouvoir résumer ces dernières par un petit nombre de paramètres. Une méthode classique, l'analyse en composantes principales, est abondamment employée dans ce but. Malheureusement, il s'agit d'une méthode exclusivement linéaire, qui est donc incapable de révéler les dépendances non linéaires entre les variables. Les cartes auto-organisantes de Kohonen sont des réseaux de neurones artificiels dont la fonction peut être vue comme une extension de l'ACP aux cas non-linéaires. Un nouvel algorithme, objet de cette thèse, appelé "vector quantization and projection" (VQP) libère de la contrainte de choisir a priori l'espace paramétrique représenté par une grille de neurones. Cet algorithme est une sorte de carte auto-organisante dont l'espace de sortie est continu et prend automatiquement la forme adéquate. Afin d'illustrer la généralité de l'approche VPQ, une série d'exemples d'applications, simulées ou réelles, dans des domaines variés, est proposée.
|