Une méthode possibiliste de discrimination adaptée aux classes de forme complexe

Arnaud Devillez; Patrice Billaudel; Gérard Villermain Lecolier

Mathématiques et Sciences Humaines (1999)

  • Volume: 147, page 71-85
  • ISSN: 0987-6936

Abstract

top
Our team works on the classification of data coming from industrial and medical sectors, in order to develop decision making and diagnosis systems. In this paper we propose to modify the fuzzy method of pattern matching, in order to classify data including classes of complex shape. We describe the basic method before showing its limits when classes are not convex. Then, we propose to improve the method by introducing a multiprototype approach. We present an industrial example, which consists in sorting automatically plastic bottles in order to recycle them. Finally, we compare the results obtained by this method with those given by the fuzzy k-nearest neighbours method, using three types of data : plastic bottles, iris and waveform data.

How to cite

top

Devillez, Arnaud, Billaudel, Patrice, and Villermain Lecolier, Gérard. "Une méthode possibiliste de discrimination adaptée aux classes de forme complexe." Mathématiques et Sciences Humaines 147 (1999): 71-85. <http://eudml.org/doc/94533>.

@article{Devillez1999,
abstract = {Notre équipe travaille sur la classification de données provenant des secteurs industriels et médicaux, dans le but de développer des systèmes de diagnostic et d'aide à la décision. Dans cet article, nous proposons une modification de la méthode floue du «pattern matching», pour classer des données comportant des classes de forme complexe. Nous décrivons la méthode de base avant de montrer ses limites, lorsque les classes ne sont pas convexes. Ensuite, nous en proposons une amélioration par l'introduction d'une approche multiprototype. Nous présentons un exemple industriel, qui consiste à trier automatiquement des bouteilles plastiques en vue de leur recyclage. Enfin, nous comparons les résultats obtenus par cette méthode avec ceux donnés par la méthode floue des k-plus proches voisins, sur trois types de données : bouteilles plastiques, iris et formes d'ondes.},
author = {Devillez, Arnaud, Billaudel, Patrice, Villermain Lecolier, Gérard},
journal = {Mathématiques et Sciences Humaines},
keywords = {classification; fuzzy logic; possibility theory; fuzzy pattern matching; multicriteria decision},
language = {fre},
pages = {71-85},
publisher = {Ecole des hautes-études en sciences sociales},
title = {Une méthode possibiliste de discrimination adaptée aux classes de forme complexe},
url = {http://eudml.org/doc/94533},
volume = {147},
year = {1999},
}

TY - JOUR
AU - Devillez, Arnaud
AU - Billaudel, Patrice
AU - Villermain Lecolier, Gérard
TI - Une méthode possibiliste de discrimination adaptée aux classes de forme complexe
JO - Mathématiques et Sciences Humaines
PY - 1999
PB - Ecole des hautes-études en sciences sociales
VL - 147
SP - 71
EP - 85
AB - Notre équipe travaille sur la classification de données provenant des secteurs industriels et médicaux, dans le but de développer des systèmes de diagnostic et d'aide à la décision. Dans cet article, nous proposons une modification de la méthode floue du «pattern matching», pour classer des données comportant des classes de forme complexe. Nous décrivons la méthode de base avant de montrer ses limites, lorsque les classes ne sont pas convexes. Ensuite, nous en proposons une amélioration par l'introduction d'une approche multiprototype. Nous présentons un exemple industriel, qui consiste à trier automatiquement des bouteilles plastiques en vue de leur recyclage. Enfin, nous comparons les résultats obtenus par cette méthode avec ceux donnés par la méthode floue des k-plus proches voisins, sur trois types de données : bouteilles plastiques, iris et formes d'ondes.
LA - fre
KW - classification; fuzzy logic; possibility theory; fuzzy pattern matching; multicriteria decision
UR - http://eudml.org/doc/94533
ER -

References

top
  1. [1] Bezdek J.C., Pattern recognition with fuzzy objective function algorithms, New-York, Plenum Press, 1981. Zbl0503.68069MR631231
  2. [2] Billaudel P., Devillez A., Villermain Lecolier G., "Performance evaluation of fuzzy classification methods designed for real time application", International journal of approximate reasoning20, (1999), 1-20. 
  3. [3] Billaudel P., Devillez A., Villermain Lecolier G., "An unsupervised fuzzy classification algorithm for the non elliptic classes", EURISCON'98, (1998), Athens, Greece. 
  4. [4] Bouchon Meunier B., La logique floue et ses applications, Paris, Collection Vie Artificielle, Addison-Wesley, 1995. 
  5. [5] Breiman L., Friedman J.H., Olshen R.A., Stone C.J., "Classification and regression trees ", Wadsworth international group: Belmont, California (1984), 43-49. Zbl0541.62042MR726392
  6. [6] Caraux G., Lechevallier Y., "Règles de décision de Bayes et méthodes statistiques de discrimination ", Revue d'intelligence artificielle10 (2,3), (1996) 219-283. Zbl0931.68079
  7. [7] Celeux G., Diday E., Govaert G., Lechevallier Y., Ralambondrainy H., Classification automatique des données, Paris, Dunod, 1989. Zbl0729.62574
  8. [8] Devillez A., Billaudel P., Villermain Lecolier G., "Use of the Fuzzy Pattern Matching in a diagnosis module based on the pattern recognition", CESA'98 IEEE Systems, man and cybernetics4, (1998), 902-907. 
  9. [9] Dubois D. et Prade H., Théorie des possibilités Application à la représentation des connaissances en informatique, Paris, Masson, 1987. Zbl0674.68059MR814931
  10. [10] Dubuisson B., Diagnostic et reconnaissance des formes, Traité des Nouvelles Technologies, série Diagnostic et Maintenance, Paris, Hermès, 1990. 
  11. [11] Gascuel O. et al., "Twelve numerical, symbolic and hybrid supervised classification methods", International journal of pattern recognition and artificial intelligence12 (5), (1998) 517-571. 
  12. [12] Grabisch M. et Sugeno M., "Multi-attribute classification using fuzzy integral ", Proc. of fuzzy IEEE,(1992), 47-54. 
  13. [13] Grabisch M., "The application of fuzzy integral in multicriteria decision making", European journal of operational research89, (1996), 445-456. Zbl0916.90164MR1319231
  14. [14] Gustafson D.E., Kessel W.C., "Fuzzy clustering with a fuzzy covariance matrix ", Proceedings of IEEE Conference on decision and control, (1979), 761-766. Zbl0448.62045MR558744
  15. [15] Ishibuchi H., Nozaki K., Tanaka H., "Distributed representation of fuzzy rules and its application to pattern classification" Fuzzy sets and systems52, (1992), 21-32. 
  16. [16] Ishibuchi H., Nozaki K., Tanaka H., "Selecting Fuzzy If-Then Rules for Classification Problems Using Genetic Algorithms", IEEE Transactions on fuzzy systems3, (1995). 
  17. [17] Keller J.M.,. Gray M.R., Givens J.A. JR, "A fuzzy k-nearest neighbor algorithm ", IEEE Transactions on systems, man and cybernetics, 15 (4), (1985), 580-585. 
  18. [18] La logique floue, Observatoire Français des techniques Avancées, série ARAGO n°14, Masson, 1994. 
  19. [19] Masson M.H., Dubuisson B., Frelicot C., "Conception d'un module de reconnaissance de formes floues pour le diagnostic", RAIRO-APII-JESA30 (2, 3), (1996), 319-341. 
  20. [20] Xie X.L., Beni G., "A validity measure for fuzzy clustering", IEEE Transactions on pattern analysis and machine intelligence13 (8), (1991) 841-847. 
  21. [21] Yager R.R., "On ordered weighted averaging aggregation operators in multicriteria decision making", IEEE Transactions on systems, man and cybernetics18 (1), (1988),183-190. Zbl0637.90057MR931863
  22. [22] Yager R.R., "Aggregation operators and fuzzy systems modeling ", Fuzzy sets and systems67, (1994), 129-145. Zbl0845.93047MR1302575
  23. [23] Zadeh L.A., "Fuzzy sets as a basis for a theory of possibility ", Fuzzy sets and systems1, (1978), 3-28. Zbl0377.04002MR480045
  24. [24] Zadeh L.A., "Fuzzy sets", Informations and control8, (1965), 338-353. Zbl0139.24606MR219427

NotesEmbed ?

top

You must be logged in to post comments.