Classification des Séries Temporelles Incertaines par Transformation Shapelet (original) (raw)

Comparaison et Partitionnement de Séries Temporelles Basés sur la Forme des Séries

2019

Dans ce travail, nous nous intéressons à la classification non supervisée de séries temporelles. La méthode de partitionnement utilisée, dérivée des centres mobiles, s'appuie sur la forme des séries pour évaluer leurs ressemblances. Afin de comparer ces formes, nous proposons deux mesures de ressemblance entre séries temporelles invariantes par translation et par changement d'échelle. La première mesure est une adaptation de la mesure cosine pour laquelle l'alignement temporel optimal entre deux séries est obtenu en testant toutes les translations d'une série par rapport à l'autre. La seconde mesure est une version soft de la première : le calcul du min sur les différents alignements est effectué grâce à la fonction softmin.

Classification automatique de donn\'ees temporelles en classes ordonn\'ees

Cet article propose une méthode de classification automatique de données temporelles en classes ordonnées. Elle se base sur les modèles de mélange et sur un processus latent discret, qui permet d'activer successivement les classes. La classification peut s'effectuer en maximisant la vraisemblance via l'algorithme EM ou en optimisant simultanément les paramètres et la partition par l'algorithme CEM. Ces deux algorithmes peuventêtre vus comme des alternativesà l'algorithme de Fisher, qui permettent d'améliorer son temps de calcul.

Classification des séries temporelles multivariées par l'usage de Mgrams

2019

La classification des series temporelles univariees (STU) a dejaete exploree dans de multiples publications , ou des modeles, nombreux et efficaces, ont ete proposes. De tels modeles sont souvent inadequats lorsqu'ils sont appliques aux series temporelles mul-tivariees (STM). Ce type de donnees aemerge avec la multiplication de capteurs capables d'enregistrer de grandes quantites de donnees simultanement. Ces donnees sont caracterisees par de nombreuses dimensions , des longueurs variables, du bruit et des correlations entre les dimensions. La classification des STM est un probleme complexe et peu de travaux existent actuellement. Dans ce papier, nous proposons un nouveau modele qui combine l'utilisation de M-histogrammes et l'apprentissage multi-vues via un ensemble de classifieurs. Le M-histogramme est un outil statistique, utilise pour la visualisation de donnees, et qui peut reveler l'information utile contenuea travers les dimensions. Il peut aussi permettre...

Classification d’Images Satellitaires par Transformée en Ondelettes et Réseau Neuronale

L'objectif de cet article est de développer une technique de segmentation automatique des images satellites en régions en respectant la notion de textures de ces dernières. Cette technique est basée sur l'application de la transformée en ondelettes pour extraire les vecteurs caractéristiques de ces régions et un réseau de neurone de type PMC pour les classifier. Cette technique a été testée sur des images extraites à partir de Google Earth v 4.0. Les résultats obtenus montrent l'efficacité de l'approche proposée.

Classification Tabou Basée en Transferts

On propose una méthode de classification par partitions qui utilise la technique de la recherche tabou, basée sur les transferts, afin d’obtenir des classes bien séparées entre elles et les plus homogènes. L’algorithme proposé fait une recherche dirigée afin de trouver la partition optimale du critère de l’inertie intra-classes. On montre le fonctionnement de l’algorithme sur un exemple simple.

Sur l'estimation des modèles autorégressifs d'ordre multiple de séries temporelles

Comptes Rendus De L Academie Des Sciences Serie I-mathematique, 2001

Reçu le 5 mai 2000, accepté après révision le 12 février 2001) Résumé. Dans cette Note, nous définissons l'estimateur du minimum de distance d'Hellinger d'un modèle autorégressif d'ordre multiple. Sous des conditions d'existence de certaines propriétés probabilistes et d'autres hypothèses supplémentaires, nous établissons les propriétés asymptotiques de cet estimateur. En guise d'exemple, nous considérons les modèles exponentiels autorégressifs.  2001 Académie des sciences/Éditions scientifiques et médicales Elsevier SAS