Dépôt institutionnel de l'UQO
RECHERCHER

Iterative learning framework for modeling multimodal systems

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Dávila Mesa, Juan Carlos (2019). Iterative learning framework for modeling multimodal systems. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 143 p.

[img]
Prévisualisation
PDF
Télécharger (2MB) | Prévisualisation

Résumé

En pratique, les données collectées par plusieurs capteurs, dans différentes périodes, fusionnées dans un seul jeu de données produisent des fonctions de distribution. Souvent, ces dernières ne peuvent pas être analysées efficacement sur une hypothèse uni-modale. La modélisation de systèmes multimodaux à l'aide de méthodes conventionnelles, telles que les méthodes empiriques, semi-empiriques, semi-analytiques, quasi-analytiques ou analytiques peut dégrader considérablement la précision des modèles empiriques.
Dans ce travail, nous visons à développer un processus automatisé pour modéliser des systèmes multimodaux appliquant un cadre itératif basé sur l'apprentissage automatique. Cette nouvelle technique peut être appliquée à un large éventail de problèmes de régression et de classification notamment avec des applications dans diverses branches d'ingénierie. La méthodologie proposée, appliquée sur un jeu de données, utilise un processus itératif qui, après avoir déterminé le nombre de modes, extrait successivement les meilleurs candidats d’entrainement appartenant à chaque mode. Ensuite, elle classifie le jeu de données en classes binaires et sélectionne de manière itérative de nouveaux ensembles de données étiquetées.
La méthode proposée peut être décrite, succinctement, comme une séquence itérative de procédures de classification et de régression. Elle améliore la fonction de prédiction d’un classificateur donné et, par conséquent, le modèle de données résultant. Nous validerons et démontrerons l'efficacité de la méthode proposée en abordant deux problèmes complexes dans lesquels la multimodalité des données affecte l'extraction de modèles précis. Dans notre premier problème, nous avons estimé la concentration de chlorophylle existant dans le lac Winnipeg dans la province canadienne de Manitoba- un exemple de problème de régression classique.
Notre méthode a démontré que l'introduction d'un mécanisme itératif de sélection de l'échantillon améliore la précision du modèle de prédiction de la concentration de chlorophylle.
Dans le deuxième problème, nous nous sommes concentrés sur la reconnaissance des activités de locomotion humaine telles que marcher, être debout, s'asseoir et se coucher. Cette expérience est basée sur des enregistrements par plusieurs accéléromètres sans fil. Ce problème classique de modélisation d’un système dynamique à partir de données multi capteurs est un exemple de problème de classification. Dans ce scénario, notre mécanisme itératif de sélection des échantillons a amélioré l'exactitude de la classification, tout en accélérant le processus d’entraînement et en minimisant le problème de surapprentissage.

Type de document: Thèse (Thèse)
Directeur de mémoire/thèse: Zaremba, Marek
Co-directeurs de mémoire/thèse: Cretu, Ana-Maria
Départements et école, unités de recherche et services: Informatique et ingénierie
Date de dépôt: 19 déc. 2019 18:46
Dernière modification: 19 déc. 2019 18:46
URI: http://di.uqo.ca/id/eprint/1132

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt