Logo de l'E.N.T. Alsace
Thèses électroniques Service Commun de la documentation
Logo de l'Université de Strasbourg
Thèses et Mémoire de l'Université de Strasbourg

Connaissances et clustering collaboratif d’objets complexes multisources

FORESTIER, Germain (2010) Connaissances et clustering collaboratif d’objets complexes multisources. Thèses de doctorat, Université de Strasbourg.

Plein texte disponible en tant que :

PDF - Un observateur de PDF est nécessaire, comme par exemple GSview, Xpdf or Adobe Acrobat Reader
7517 Kb

Résumé

Les nouveaux défis apportés par les données complexes imposent le développement de nouvelles méthodes de fouille de données. Dans cette thèse, nous nous intéressons plus particulièrement à l'étape du processus de fouille qu'est la classification non supervisée (clustering). Celle-ci consiste à créer, de manière automatique, des groupes au sein d'un ensemble d'objets. Il existe de nombreux algorithmes de clustering différents qui peuvent, à partir des mêmes données, fournir des résultats très différents. Une nouvelle méthode de clustering collaborative est présentée, celle-ci menant à une amélioration de la qualité de la collaboration entre les méthodes. De manière complémentaire, des connaissances du domaine ou contextuelles sont souvent disponibles sur le problème de clustering à considérer. Nous étudions dans cette thèse les différentes méthodes permettant d'intégrer des connaissances dans les algorithmes de clustering. Nous proposons enfin une approche d'intégration de connaissances dans le cadre du clustering collaboratif. Les géosciences et plus particulièrement l'observation de la Terre via les images de télédétection ont été le domaine privilégié d'application des propositions faites lors de cette thèse. Les approches proposées dans cette thèse ont permis de mettre en place un processus automatique d'interprétation d'image guidé par les connaissances de l'expert.

Type d'EPrint:Thèse de doctorat
Discipline de la thèse / mémoire / rapport :Informatique
Mots-clés libres:fouille de données ; classification non supervisée ; clustering ; connaissances ; télédétection ; image satellite
Sujets:UNERA Classification UNERA > ACT Domaine d'activité UNERA > ACT-4 Instrumentation, imagerie, analyse, contrôle
CL Classification > DDC Dewey Decimal Classification > 500 Sciences de la nature et mathématiques > 510 Mathématiques > 518 Analyse numérique
Classification Thèses Unistra > Sciences, technologies > Sciences de la nature et mathématiques > 510 Mathématiques > 518 Analyse numérique

UNERA Classification UNERA > DISC Discipline UNERA > DISC-19 Mathématiques et informatique
Code ID:1897
Déposé le :17 Décembre 2010

Administrateurs de l'archive uniquement : éditer cet enregistrement