Rapport de projet : Sélection de caractéristiques par l ...

Richard Doyle

Description

Rapport de projet : Sélection de caractéristiques par l'algorithme génétique pour la reconnaissance de formes Dans le cadre du cours : SYS843 : Réseaux de neurones et systèmes flous Remis à : Robert Sabourin Produit par : Richard Naud Le 4 février 2010, Montréal

• calcul des angles intérieurs, de la distance inter-étoile et de l'aire
• taille de la base d'entraînement
• mlp
• répartition des angles par classe
• performances des chromosomes du front de pareto
• analyse de l'art antérieur
• triplets d'étoiles
• angle
• angles
• répartition des données
• étoiles
• étoile
• etoile

Sujets

• Étoile
• Triplet
• Donnée
• Performance
• Classé
• Analyse

Informations

• Publié par: iwlo0
• Nombre de lectures: 59
• Langue: Français

Extrait

Rapport de projet :
Sélection de caractéristiques par l’algorithme
génétique pour la reconnaissance de formes


Dans le cadre du cours :
SYS843 : Réseaux de neurones et systèmes flous


Remis à :
Robert Sabourin


Produit par :
Richard Naud



Le 4 février 2010, Montréal
Sommaire
Depuis la première apparition de star tracker, apparu l’avènement des technologies
numériques CCD, ces dispositifs n’ont cessé d’évoluer. Junkins a présenté un premier
algorithme de classification de triplet d’étoiles au tout début des années 1980.
Depuis ce temps, plusieurs caractéristiques ont été analysées quant aux triplets
d’étoiles : angles internes, luminosité, distance inter-étoile, aire, périmètre, etc.
De vives critiques ont été portées à la performance des réseaux de neurones (e.g.
Hong). Cependant, il est à noter que la vitesse de classement est reliée intimement
au nombre de caractéristiques en entrée. Il serait donc intéressant de déterminer si
la cardinalité peut être diminuée, et si c’est le cas, quelle est la combinaison de
caractéristiques qui soit la plus discriminante?
L’ouvrage présenté ici présente une synthèse de ces caractéristiques utilisées depuis
Junkins. Ces caractéristiques seront utilisées pour apprendre un réseau de neurones
et procéder à la recherche de la meilleure combinaison de caractéristiques à l’aide
de l’algorithme génétique (étude de sensibilité). L’algorithme génétique (AG) se
basera sur un objectif multicritère, soit le nombre de gènes actifs (caractéristiques
incluses) et la performance de classification du MLP.
ii
Table des matières
Sommaire .................................................................................................................................................ii
Table des illustrations ............................................................................................................................... v
1. Introduction ..................................................................................................................................... 1
2. Analyse de l’art antérieur ................................................................................................................ 3
3. Algorithme de repérage .................................................................................................................. 8
4. Les données ..................................................................................................................................... 9
4.1 Pour le MLP ................................................................................................................................... 9
4.2 Pour l’AG ........................................................................................................................................ 9
4.3 Taille de la base d’entraînement ................................................................................................. 10
5. MLP ................................................................................................................................................ 11
5.1 Fonctionnement du MLP ............................................................................................................. 11
5.2 Paramétrage du MLP ................................................................................................................... 11
5.2.1 Nombre de neurones ........................................................................................................... 11
5.2.2 Déterminer le nombre de couches cachées ......................................................................... 12
5.2.3 Autres paramètres ................................................................................................................ 12
5.2.4 Critère d’arrêt ....................................................................................................................... 12
5.3 Résumé des paramètres du MLP ................................................................................................. 13
6. Algorithme génétique .................................................................................................................... 14
6.1 Initialisation de la population ...................................................................................................... 14
6.2 Fitness .......................................................................................................................................... 15
6.3 Sélection ...................................................................................................................................... 16
6.4 Croisement .................................................................................................................................. 17
6.5 Mutation ...................................................................................................................................... 18
6.6 Résumé des paramètres de l’AG ................................................................................................. 19
7. Attentes/hypothèses – Analyse triviale des données ................................................................... 20
7.1 Attente : Les caractéristiques retenues par l’AG. ........................................................................ 20
7.2 Autres constatations ................................................................................................................... 21
8. Présentation des résultats ............................................................................................................. 23
8.1 Explication : Front de Pareto ....................................................................................................... 23
8.2 Résultats : front de Pareto .......................................................................................................... 23
8.3 Les résultats en généralisation .................................................................................................... 28
9. Discussion ...................................................................................................................................... 30
10. Conclusion ................................................................................................................................. 31
iii
Annexe A ............................................................................................................................................... 32
Bibliographie.......................................................................................................................................... 36


iv
Table des illustrations et tableaux
Figure 1 : Le calcul des angles intérieurs, de la distance inter-étoile et de l’aire (Diaz, 2006) ............... 3
Figure 2 : Les 3 paramètres extraits par Liebe : 2 distances inter-étoiles, ............................. 4
Figure 3: La méthode pour former le vecteur caractéristique avec la grille. (Padgett & Delgado, 1997)
................................................................................................................................................................. 5
Figure 4: Les différents paramètres de base du triplet ........................................................................... 6
Figure 5: Exemple de segmentation ........................................................................................................ 8
Figure 6: Illustration de 10-fold ............................................................................................................... 9
Figure 7: Le MLP; ici à une seule couche cachée. (Demuth & Beale, 1998) .......................................... 11
Figure 8: Exemple de répartition des données : il n'y a pas deux catégories pour représenter une
classe. Ici, la distribution des données pour l'angle A pour les 3 différentes classes. .......................... 12
Figure 9: Apprentissage du MLP ............................................................................................................ 13
Figure 10: Diagramme de flux de l'AG ................................................................................................... 14
Figure 11: Exemple de RWS (Dalton, 2007)........................................................................................... 16
Figure 12: Le croisement (exemple avec un point de croisement) ....................................................... 18
Figure 13: Répartition des données ...................................................................................................... 20
Figure 14: Explication, front de Pareto (PEST, 2010) ............................................................................ 23
Figure 15: Front de Pareto : les meilleurs pour chaque valeur de A