Dévelopement of multiple regression systemes for hyperdimensional spectral spaces
Thèses / mémoires Ecrit par: Bouzgou, Hassen ; Melgani, Farid ; Benoudjit, Nabil ; Publié en: 2019
Résumé: L’avènement récent d’une nouvelle génération de capteurs pour différents champs d’applications tels que ceux liés à la télédétection et à la spectroscopie a montré un grand intérêt pour leurs meilleures caractéristiques spectrales, spatiales et/ou temporelles. En particulier, les capteurs hyperspectraux qui permettent une analyse précise des phénomènes de recherche, puisqu'ils fournissent un grand nombre d'observations, chacune venant d'une bande spectrale très étroite. Cependant, l'analyse automatique des données acquises avec de tels capteurs est en quelque sorte défiante, puisqu'elle devrait être effectuée dans des espaces spectraux hyper-dimensionnels. Dans le contexte de régression où on a souvent le désire de trouver une relation continue entre les observations et un ou plusieurs paramètres du phénomène physique étudié, la taille énorme de l'espace d'observations implique la prétendue ‘’malédiction’’ de la dimensionnalité. Cette dernière est due au déséquilibrage entre le nombre d'observations et le nombre d'échantillons exigés pour exécuter la méthode de régression.L'approche classique adoptée dans la littérature pour traiter ce problème, consiste à réduire l'espace d'observations hyper-dimensionnelles à des sous-espaces de petite dimension, où la malédiction de la dimensionnalité disparaît. La façon la plus utilisée de faire cette tâche est d'appliquer un procédé de sélection de variables qui consiste à choisir le sous-ensemble d'observations le plus significatif pour le problème de régression considéré. Ceci laisse définir un sous-espace d'observations de dimension réduite où le risque d'affecter négativement (malédiction de la dimensionnalité) la méthode de régression adoptée devient négligeable. Cependant, quelque soit le degré d’efficacité de la technique de sélection, on peut s'attendre à une perte d'information en réduisant la taille de l'espace original d'observations hyper-dimensionnelles avec un impact négatif conséquent sur l'exactitude de la méthode de régression
Batna:
Langue:
Français
Collation:
[101 p.] ill.
;30 cm
Diplôme:
Ingeneiur d'Etat
Etablissement de soutenance:
Batna, Université du Hadj Lakhdar. Faculté des Sciences de l'Ingénieur
Spécialité:
Electronique
Thème
Electronique
Note: Bibliogr.pp.[99-101]