Speaker
Description
La production de données numériques (puissance, courant, tension, vibration, régime, images, vidéo) par des capteurs, des machines ou des êtres humains augmente considérablement de jour en jour. Le traitement, l'analyse et l'interprétation des données, ainsi que l'acquisition de connaissances à partir des données, sont des éléments essentiels dans notre société. Dans un tel contexte technologique, l'utilisation de la reconnaissance de formes (RP) et de l'intelligence artificielle (IA) est devenu importante. Les données des capteurs, la parole, les images, le langage et les documents peuvent être analysées grâce aux domaines du traitement du signal, de la reconnaissance des formes et de l'intelligence artificielle. Il est donc plus que jamais nécessaire de mettre en évidence les spécificités et les complémentarités de ces domaines afin de résoudre ces problèmes.
La plupart des chercheurs se sont consacrés au développement et à l'amélioration d'algorithmes d'identification et de classification. Pour prédire à partir d'énormes quantités de données, les méthodes de modélisation sont fondées sur l'apprentissage automatique. Les méthodes de classification comprennent les réseaux neuronaux (NN) (Gong et al.,2021), la régression à vecteur de support (SVR) (Qiu et al. ,2020) et les machines à vecteur de support (SVM) (Li et al.,2021).
Dans le cas d'événements séquentiels (dans le temps ou dans l'espace), l'utilisation de modèles de Markov cachés (MMC) est efficace et a été appliquée avec succès dans le domaine de l'identification. En raison de leurs puissantes capacités de reconnaissance des formes, de nombreux chercheurs ont appliqué les MMC dans plusieurs domaines : reconnaissance de caractères, reconnaissance vocale, reconnaissance faciale (Kim et al.,2003), caractérisation en médecine (toux) (Liu et al. ,2015), reconnaissance du comportement, ainsi que dans le diagnostic et le pronostic des défaillances (Lee et al.,2004). Dans certains travaux, les chercheurs ont contribué à améliorer l'utilisation des modèles de Markov cachés (MMC) dans les systèmes d'intelligence artificielle, comme dans les travaux de (Aupetit et al.,2007), qui ont introduit les algorithmes génétiques, l'algorithme de fourmis artificielles pour améliorer l'apprentissage des modèles de Markov cachés. Les MMC ont également été utilisés dans des problèmes multi-classes en les combinant avec d'autres classificateurs, comme dans (Martín-Iglesias et al.,2005), pour effectuer une reconnaissance vocale multi-classes fondée sur un SVM avec une segmentation guidée par un MMC, ou (Wang et al., 2022) qui ont fusionné un réseau neurone profond et un MMC pour reconnaître le comportement multi-classes anormal des personnes âgées. Les MMC ont également été utilisés dans les problèmes de clustering, comme dans le travail de (Smyth,1997), mais dans notre étude, l'objectif n'est pas de faire du clustering à l'aide de MMC, mais de résoudre des problèmes multi-classes. Pour ce faire, nous introduirons une nouvelle stratégie d'apprentissage. Cette stratégie s'inspire des principes de non-comportement (NBA) (Cao et al.,2015).
