Fusion de

donnes :
introduction
1
Fusion de donnes
De lutilisation des
mesures de confiance


Olivier COLOT
Ce que les hommes veulent en fait, ce nest
pas la connaissance, cest la certitude.
Bertrand Russel

2























Fusion de
donnes :
introduction
2
Road book
Introduction ( C koi leu problme? , A koi sa sair? )
Prsentation des problmatiques
Imprcision et incertitude
Fusion dinformations imparfaites: mthodes, techniques,
champs dapplication,...
Exemples
Once upon a time the data fusion

3























Fusion de
donnes :
introduction
3
Objectifs
- Des lments relatifs la fusion tant sur les aspects
mthodes que sur les aspects applications .

- Intrt de la fusion de donnes dans de nombreux domaines

4























Fusion de
donnes :
introduction
4
Who is it ?
1) Pamela Anderson?
2) George W. Bush?
3) E.T.?
4) The lord of the rings?
Panel dexperts
(Plusieurs capteurs)
Comment rsoudre
le problme?
Pamela
E.T.
?
Georg
e or
E.T.
Dcision
Traitement
de linformation
Modlisation
Agrgation (Fusion)
Rgle(s)
de dcision
Segmentation, Analyse, RdF
Objectif:
Prendre une dcision
Dsaccord
Sources conflictuelles
Petit exemple introductif !

5























Fusion de
donnes :
introduction
5
Petit exercice introductif!
Petits papiers et bouts de crayon!

6























Fusion de
donnes :
introduction
6
E1
Quelle est ma taille en cm :
E2
Quelle est ma taille en cm :
E3
Quelle est ma taille en cm :

A partir des informations donnes par
E1, E2 et E3, quelle est ma taille en cm :
Petit exercice introductif!

7























Fusion de
donnes :
introduction
7
Petit exercice introductif!
Informations
Source 4
Source 1 Source 2
Source 3
Information combine:
Synthse de la connaissance
Combinaison (fusion)

8























Fusion de
donnes :
introduction
8
Fusion? Vous avez dit Fusion ?
Souvenez-vous!
1 1 0 = OR
0 1 0 = AND
Et a, a ne vous rappelle rien?

=
=
n
i
i
x
n
x
1
1
Et bien dautres exemples encore!

=
=
n
i
i i
x
n
x
1
1
o avec
| | 1 , 0 e
i
o
Rgle de Bayes
Rseau de neurones
) (
) ( ) (
) (
H P
E P E H P
H E P =

9























Fusion de
donnes :
introduction
9
When you use information from one source, its plagiarism; When
you use information from many, its information fusion.

Belur Dasarathy
La fusion dinformations consiste combiner des informations
issues de plusieurs sources afin damliorer la prise de dcision
Isabelle Bloch
Fusion? Vous avez dit Fusion ?

10























Fusion de
donnes :
introduction
10
We are drowning in information but starved for knowledge.
This level of information is clearly impossible to be handled by present means.
Uncontrolled and unorganized information is no longer a resource in an
information society, instead it becomes the enemy.

J ohn Naisbitt, in Megatrends, 1982
Pourquoi la fusion?
XXI
me
sicle:
Le sicle de
linformation

11























Fusion de
donnes :
introduction
11
On dispose d'informations:
de plus en plus riches et complexes,
de nature et de fiabilit diffrentes.

Systmes d'information, de communication ou de commande
Aider ou cooprer avec les oprationnels du domaine applicatif
(les utilisateurs) dans le but de dcider.

Systme interactif avec l'utilisateur
Pilotage de certaines parties du systmes
=modification des confiances sur l'exhaustivit d'un ensemble
d'hypothses envisages ou en dfinissant en temps rel un
quilibre entre diffrents critres de dcision.

Systme doit pouvoir fournir des informations complmentaires
sur les conflits entre sources dinformations par exemple
Pourquoi la fusion?
XXI
me
sicle:
Le sicle de
linformation

12























Fusion de
donnes :
introduction
12
Accroissement du nombre de sources d'information
dveloppement de nouveaux capteurs (ex : imagerie
mdicale)IRM+angiographie; Scanner+echographie
dveloppements de nouveaux algorithmes
augmentation de la puissance de calcul

Besoin en information de haut niveau

Intgration de l'oprateur humain dans la boucle
Intrt de la fusion

13























Fusion de
donnes :
introduction
13
Combinaison de donnes issues de diffrentes sources, en vue
de rpondre une certaine question (valeur dun paramtre).

Problmatique rcente : e.g. multiplication des capteurs, systmes
dcentraliss,

Domaines dapplications :
Fusion multi-capteurs (application militaire, tldtection, etc.)
Systmes dinterrogation de bases de donnes multiples
Combinaison davis dexperts

Difficult du problme : donnes incompltes, incertaines,
htrognes, issues de sources de fiabilit inconnue,
ventuellement dpendantes.

Cadres thoriques : probabilits, possibilits, croyances.
Pourquoi la fusion?

14























Fusion de
donnes :
introduction
14
Systme autonome
Systme
rel
dcision
capteurs commande
oprateur
plan
donnes
numriques
Interaction systme-oprateur


15























Fusion de
donnes :
introduction
15
Systme tl-opr
Systme
rel
dcision
capteurs commande
oprateur
ralit
virtuelle/
augmente
consigne
Interaction systme-oprateur


16























Fusion de
donnes :
introduction
16
Systme opr
Systme
rel
dcision
capteurs commande
oprateur
diagnostic
donnes
symboliques
Interaction systme-oprateur


17























Fusion de
donnes :
introduction
17
Modlisation de la connaissance sur un systme rel mais
dont on ne connat qu'une image partielle et/ou dforme.
Fusion dirige par les buts
reconstruction la plus complte et prcise
dcision la plus fiable quen se fondant sur une seule
source dinformation
Cadre de la fusion

18























Fusion de
donnes :
introduction
18
Techniques de fusion de donnes permettent:
1- de mettre profit un nombre maximum de donnes, en tenant
compte de la diversit de leurs imperfections
2- en tentant de pallier les faiblesses de certaines avec les point forts
des autres
3- dans le but de fournir une information labore, ddie et pertinente
vis--vis du contexte.

Le processus global
1- Situation relle est observe par un ensemble de capteurs de plus
ou moins haut niveau fournissant plusieurs vues dformes de la
situation (ex.: convolution par une lentille optique).
2- Informations sont alors collectes et exploites conjointement par
un traitement de fusion permettant destimer la situation relle.
Principes de base de la fusion

19























Fusion de
donnes :
introduction
19
Systmes de fusion de donnes
1- s'appuient principalement sur des tapes de modlisation
2- de recalage
3- et de combinaison (ou fusion, ou agrgation) d'informations
4- puis de dcision

De linformation la dcision


20























Fusion de
donnes :
introduction
20


Information et reprsentation mathmatique
permet de l'exploiter
constitue l'tape de modlisation de l'information
rflexion sur le sens de chacune des informations manipules
modlisation doit tre adapte de faon fidle au sens de
l'information rellement disponible
fidlit de modlisation conduit des problmes d'htrognit
ou d'hybridit (plus l'ensemble des informations dont on veut tenir
compte est large, plus on rencontre les problmes de reprsentation
des donnes et plus ils deviennent cruciaux)
De linformation la dcision


21























Fusion de
donnes :
introduction
21
Points essentiels:

Mcanismes de modlisation et ventuellement recalage
Mcanisme de fusion (ventuellement donnes htrognes)
Prise en compte de la notion de fidlit entre le sens de
l'information rellement disponible et le sens de la reprsentation
mathmatique (pertinence, confiance, fiabilit)
Rgles de dcision sappuyant sur les rsultats de la fusion
En rsum
Remarque: Prise en compte de la fiabilit des sources dinformation
lors de la modlisation par exemple, si cela est possible

22























Fusion de
donnes :
introduction
22
O? Quand? Comment?

23























Fusion de
donnes :
introduction
23
Applications militaires :
dtection, identification et suivi de cibles
surveillance des champs de bataille
dtection de mines enfouies ou sous-marines
Applications aronautiques et spatiales :
imagerie satellitaire
commande d'engins spatiaux (fuses et robots)
Domaines dapplication

Applications mdicales :
observation du corps et des pathologies
aide au geste et au diagnostic mdical
Robotique et vhicules intelligents
robots d'assistance humaine (fauteuils roulants, vhicule
automobile, machines agricoles,)
robots autonomes en environnement difficile (robots sous-marins,
robots d'intervention, micro-robots,)
Assistance l'oprateur humain :
aide au diagnostic
salle de contrle (aiguilleurs du ciel)

24























Fusion de
donnes :
introduction
24
capteurs physiques :
type images : camra, tlmtre, radar, images IRM, images
ultrason
type signaux : temprature, vitesse, acclration, temps de vol

capteurs logiques (analogiques ou numriques):
modules de traitement de signaux
modules de traitement d'images

connaissances a priori :
objets et leurs caractristiques
scne observe (cartes, atlas...)
rgles d'volution...

Pour se comprendre

Sources d'information

25























Fusion de
donnes :
introduction
25
Type des donnes
Mesures de type numrique :
distance
niveau de gris
dure d'un signal

Dcision de type symbolique :
situation dangereuse
existence d'une lsion
cible offensive...
Matire brute et produits manipuls


26























Fusion de
donnes :
introduction
26
Donnes numriques :
Valeur absolue (longueur,
temprature)
Valeur relative (%)
Les plus frquentes

Donnes ordinales :
Ranger des lves du plus petit au
plus grand
Echelle de salaires (petit, moyen,
lev)
on peut dfinir un ordre A<B<C

Donnes nominales :
Couleur des yeux (brun, vert, bleu)
pas dautres comparaisons
possibles que A=B ou AB

Donnes binaires :
Prsence ou absence dune
caractristique, sexe,
cas particulier des ordinales ou
nominales

Donnes symboliques :
Carte IGN

Remarque: donnes peuvent tre manquantes
Relation entre entits
Matire brute et produits manipuls


27























Fusion de
donnes :
introduction
27
Informations numriques
informations donnes sous forme de nombre
espace de dfinition O ordonn
exemple : la largeur du vhicule est de 1,5m
x e O
X
Matire brute et produits manipuls


28























Fusion de
donnes :
introduction
28
Informations symboliques
informations donnes sous forme de symboles, de propositions,
de rgles
espace de dfinition O non ordonn
H
1
H
2
H
4
H
3
H
1
: lobjet est une voiture
H
2
: lobjet est un camion
H
3
: lobjet est une moto
H
4
: lobjet est un piton
Matire brute et produits manipuls


29























Fusion de
donnes :
introduction
29
Hypothses et propositions
Hypothses H
i

Elments de l'ensemble de dfinition
O = {H
1
, H
2
, , H
n
}
hypothses singletons (exclusives, exhaustives)
Propositions A
i

Elments de l'ensemble 2
O
des parties de O.
2
O
= {C, {H
1
}, {H
2
}, , {H
1
, H
2
}, O}
Matire brute et produits manipuls


30























Fusion de
donnes :
introduction
30
Rapprochement avec la thorie des ensembles
OU logique : union
ET logique : intersection
Proposition : union d'hypothses OU entre les hypothses
{H
i
, H
j
} H
i
H
j
hypothse composite
not H
i
, H
j
ou H
ij
Vision ensembliste


31























Fusion de
donnes :
introduction
31
Utilisation d'un modle de conversion
d
petit moyen grand
Conversion numrique-symbolique

x
petit moyen grand

petit
(d)
moyen
(d)
grand
(d)
d

32























Fusion de
donnes :
introduction
32
Imperfections des donnes
Les capteurs et les algorithmes parfaits nexistent pas.
imprcision
incertitude
retard
manque de donnes

Ncessit dune modlisation des erreurs
Caractristiques des donnes manipules


33























Fusion de
donnes :
introduction
33
Exemple de limagerie

Image: entache de bruit
conditions dacquisition, chane de mesure, quantification

Consquences:
- sur les couleurs par exemple
- sur lhomognit des rgions, des textures
- sur les contours
-
donc. imprcisions et incertitudes

Consquences sur les traitements et rsultats:
- risques derreur
- interprtation(s) fausse(s)
Caractristiques des donnes manipules


34























Fusion de
donnes :
introduction
34
Le monde nest pas parfait.les informations non plus!
Je mesure environ 1m80!
Il pleuvra peut-tre demain!
Il pleuvra peut-tre beaucoup demain!
Imprcision
Incertitude
Les 2 pour corser le tout!
Rptition des mesures valeurs diffrentes (Incertitude)
Causes
Variations des conditions de mesure (variables dinfluence)
Imperfection des capteurs (bruit lectronique,)
Une valeur unique ne reprsente pas la ralit
La fusion doit permettre de tenir compte
des imprcisions et des incertitudes
Subjectivit?
Caractristiques des donnes manipules


35























Fusion de
donnes :
introduction
35
Diffrentes formes dimperfection :
Imprcision : traduit le manque dexactitude de la connaissance
(en terme quantitatif)

Incertitude : traduit le degr de conformit de linformation la ralit

Incompltude : absence dinformation apporte par une source sur certains
aspects du problme

Ambigut : information fournie peut conduire 2 interprtations diffrentes

Conflit : plusieurs informations conduisent des interprtations
contradictoires
Caractristiques des donnes manipules


36























Fusion de
donnes :
introduction
36
On peut diminuer lincertitude dune proposition en
augmentant son imprcision.
Exemple :
Le prof mesure probablement plus de 1.70 m
Le prof mesure trs certainement plus de 1.50 m
Autre forme dimperfection de linformation :
ambigut, flou
Exemple : Le prof est grand
Ncessite une extension de la thorie des ensembles
Thorie des sous-ensembles flous.


Imprcision, incertitude


37























Fusion de
donnes :
introduction
37
Imprcision
Estimation de la diffrence entre la mesure d provenant du
capteur et la valeur relle inconnue X mesurer.
x e O
X d
Caractristiques des donnes manipules

Exemples :
Je mesure environ 180cm!
La taille du prof est 180cm plus ou moins 2cm
Cela signifie :
La relle valeur X de la taille du prof est dans lintervalle
[178cm ; 182cm]

38























Fusion de
donnes :
introduction
38
Incertitude
Doute sur la ralit des diffrentes hypothses H
i
de l'ensemble O
(confiance)

Exemples :
Il pleuvra peut-tre demain!
La probabilit que lindividu observ soit G.W.B. est de 90%.
Caractristiques des donnes manipules


39























Fusion de
donnes :
introduction
39
Modlisation de la mconnaissance (ignorance)
Reprsentation du fait que l'on ne sait pas
modlisation implicite (probabilits)
modlisation explicite (masse de croyance sur le rfrentiel)
Exemple :
jeu de pile ou face :
P(pile) = 50%, P(face) = 50% Joueriez vous votre vie sur un
toss?
Mconnaissance, ignorance


40























Fusion de
donnes :
introduction
40
Conflit des sources dinformation
Conflit

Des sources dinformation peuvent tre en dsaccord et gnrer
ainsi un conflit dans le processus de fusion.










Question: Peut-on grer ce conflit? Si oui, comment?
dsaccord
Certaines thories permettent la gestion du conflit
Pamela
E.T.
?
Georg
e or
E.T.

41























Fusion de
donnes :
introduction
41
Principe
Estimation d'une donne par la combinaison de plusieurs donnes
Estimation des erreurs associes (prcision, certitude)
Fusion


42























Fusion de
donnes :
introduction
42
Sources d'information
Sources redondantes : mme espace de dfinition (espace de
discernement)
ex : estimation distance d par capteur ultrasons et tlmtre
laser;
Sources complmentaires : espaces de dfinition diffrents
ex : dtection d'une lsion par sa forme et sa position
Fusion


43























Fusion de
donnes :
introduction
43
Sources concordantes
les informations donnes par les deux sources sont compatibles
ex : source 1 : la mesure d e [12,15]
source 2 : la mesure d e [10,13]
la qualit des informations est amliore
Fusion

12m 15m
10m
13m
S
2
S
1
S
1
S
2
Fusion :
Vrit dans S
1
S
2

44























Fusion de
donnes :
introduction
44
Sources discordantes
les informations donnes par les deux sources sont
incompatibles
ex : source 1 : la mesure d e [12,15]
source 2 : la mesure d e [9,11]
discordance (conflit)
si les donnes sont fusionnes, la qualit du rsultat est
dgrade
Fusion

12m
15m
9m 11m
S
2
S
1
S
1
S
2
=
Fusion :
9m 15m
Vrit dans S
1
S
2

45























Fusion de
donnes :
introduction
45
Conflit
Causes du conflit :
capteurs physiques : fonctionnement dgrad
(dysfonctionnement dun capteur)
capteurs logiques : mauvaise configuration
choix des hypothses (mise en correspondance...)

Modlisation du conflit
utilisation d'une mesure
Fusion


46























Fusion de
donnes :
introduction
46
Dcision
Choix d'une hypothse ou d'une valeur numrique
Prise de risque
Exemple en dtection :
faux positifs
faux ngatifs
Dfinition d'un critre de choix
compromis "prcision - certitude"
maximisation d'une mesure
Dcision avec ou sans rejet
Fusion


47























Fusion de
donnes :
introduction
47
Architecture de fusion
Niveau de fusion :
niveau signal / pixel
niveau attribut
niveau objet
niveau dcision

Mcanismes :
conversion numrique/symbolique
mise en correspondance
combinaison
dcision
Fusion


48























Fusion de
donnes :
introduction
48
Mouaaais... mais en pratique???
=
=

49























Fusion de
donnes :
introduction
49
Exemples de problme de fusion


50























Fusion de
donnes :
introduction
50
Jai la mmoire qui flanche, jme souviens plus
trs bien
Reconnaissance d'un objet :
RDF

capteur 1 : rouge ou bleu
capteur 2 : rouge ou bleu
capteur 3 : rond ou carr
}
Mme espace de discernement
Cadres de discernement diffrents

51























Fusion de
donnes :
introduction
51

Alea jacta est !

source 2 : points cot
source 1 : point du milieu
Librement inspir de M. Rombaut (LIS UJF, Grenoble)
Face du d

52























Fusion de
donnes :
introduction
52
Fusion Signature
SAR
IR
Reconnaissance
mon bateau, !
CRM, Canada

53























Fusion de
donnes :
introduction
53
Image fusionne de la mme cible constitue de la combinaison
de 87 images squentielles, chacune d'elles tant semblable
l'image du haut. La rsolution, la fois spatiale et thermique, a
t grandement amliore; on peut voir clairement les points
chauds et on commence pouvoir identifier le navire.
Reco. = ???!!!
Reco. = possible
Image thermique simple
dun ? obtenue laide
dun systme imageur
infrarouge arien
plusieurs lments.
Chaque carr reprsente
le rayonnement
reu par un lment
dtecteur.
Objet Volant, Naviguant ou Immobile (OVNI)?

CRDV
Canada

54























Fusion de
donnes :
introduction
54
Plan 1958
Image optique 1992
Image radar1992
Fusion probabiliste
(Bayes + MAP)
Fusion videntielle Vrit terrain 1992
Big Brother is watching you!

ONERA

55























Fusion de
donnes :
introduction
55
Segmentation de coupes IRM et reconstruction 3D
T2
T1
T1Gado
Contexte de ltude
Imagerie mdicale
Aide au diagnostic
Suivi de patients atteints de cancers
IRM


56























Fusion de
donnes :
introduction
56
T1Gado
T2
IRM

Conflit
Segmentation par diffrents modles

57























Fusion de
donnes :
introduction
57
IRM


58























Fusion de
donnes :
introduction
58
EEG
tiquetage
subjectif
par 5 experts

0= onde delta
1 = complexe K
Dtection de complexes K
Daprs T. Denux (Heudiasyc UTC)
Qui a raison?

59























Fusion de
donnes :
introduction
59
I
II
III
I : source mineure
II : source active
III : source critique
Surveillance acoustique dappareils pression

Daprs T. Denux (Heudiasyc UTC)

60























Fusion de
donnes :
introduction
60
Comparaison des 2 experts
tiquetage incertain et imprcis
Gestion de limprcis et de lincertain
Daprs T. Denux (Heudiasyc UTC)

61























Fusion de
donnes :
introduction
61
Dtection dobstacles (INRETS - LIVIC)


62























Fusion de
donnes :
introduction
62
Dtection dobstacles (INRETS - LIVIC)


63























Fusion de
donnes :
introduction
63
Dtection dobstacles (INRETS - LIVIC)


64























Fusion de
donnes :
introduction
64
Accrochez-vouson va dcoller!!!

65























Fusion de
donnes :
introduction
65
Gestion
de limprcis et de lincertain:

Les thories en comptition

66























Fusion de
donnes :
introduction
66
Incertitude, imprcision
Ensemble O : ensemble (continu ou discret) dhypothses, de
possibilits, de rponses possibles une certaine question.
y=rponse correcte.
La valeur de y peut tre
connue (y=e , e e O)
inconnue (y e O)
partiellement connue (cas le plus frquent)
Problme : comment modliser des connaissances partielles,
et les utiliser dans des raisonnements ?
Gestion de limprcis et de lincertain

67























Fusion de
donnes :
introduction
67
Incertitude, imprcision
Modle gnral :
lment dinformation = (A _ O , confiance)
A=ensemble de valeurs possibles pour y
confiance : confiance dans le fait que yeA.

Deux formes principales dimperfection de linformation :
imprcision : card(A)>1
incertitude : confiance non absolue (doute) dans la vracit
de linformation

Exemples :
Pierre mesure entre 1.70 m et 1.90 m
Pierre mesure probablement 1.80 m
Pierre mesure probablement entre 1.70 m et 1.90 m
Gestion de limprcis et de lincertain

68























Fusion de
donnes :
introduction
68
Incertitude, imprcision
On peut diminuer lincertitude dune proposition en augmentant
son imprcision.
Exemple :
Le prof mesure probablement plus de 1.70 m
Le prof mesure trs certainement plus de 1.50 m
Autre forme dimperfection de linformation : ambigut, flou
Exemple : Le prof est grand
Ncessite une extension de la thorie des ensembles
thorie des ensembles flous.


Gestion de limprcis et de lincertain

69























Fusion de
donnes :
introduction
69
Incertitude et imprcision en RdF
Rappel : objets ou systme dcrits par 2 variables :
x e X (=R
d
) (vecteur forme)
y e O (classe)
Problmes : ayant observ x,
donner une prdiction ponctuelle de y ( affectation une
classe ), mais aussi
dcrire lincertitude sur y (important quand intgration dans
un processus de dcision plus complexe).

Gestion de limprcis et de lincertain

70























Fusion de
donnes :
introduction
70
Apprentissage Supervis
classifieur
ensemble dapprentissage
n exemples (x
i
,y
i
)
entre connue
prdiction ponctuelle
ou probabiliste (mesure
de probabilit P
O
sur O)
Gestion de limprcis et de lincertain

71























Fusion de
donnes :
introduction
71
Gnralisation
classifieur 1
ensemble dapprentissage =
donnes imprcises ou incertaines
e
i
= connaissance partielle sur
(x
i
,y
i
)
entre x
partiellement
connue
Fusion

description de la
connaissance partielle
sur y
compte tenu de toutes
les sources
dinformation et de
leur incertitude
classifieur q
Gestion de limprcis et de lincertain

72























Fusion de
donnes :
introduction
72
Bases de donnes htrognes
Ex : base de donnes mdicales
Jusqu une date t
0
: O={e
1
,e
2
}
A partir de t
0
: on identifie 2 variantes de la maladie e
2
{e
21
, e
22
}
Nouvel ensemble O={e
1
,e
21
, e
22
}
Parmi les cas tiquets avant t
0
, certains seront tiquets de
manire imprcise.
tiquetage imprcis
Gestion de limprcis et de lincertain

73























Fusion de
donnes :
introduction
73
Mthodes probabilistes ou non probabilistes
RdF, diagnostic
Commande floue
Rgle(s) de dcision
Lois de commande
Extraire
les
caractristiques
Apprendre
Comprendre
Construire
Acqurir
Reprsentation
Environnement
Contexte
Informations
a priori
Multi-capteurs
Multi-sources
Multi-modalit
Expert(s)
Fiabilit
Confiance
Htrognit
Imprcises
Incertaines
Incompltes
Htrognes
Modle(s)?
Multi-modles?
Stratgies
Dcider
Agir
Interprter
Numriques
/
Symboliques
Monde observ
De linformation la dcision

Systme de perception

74























Fusion de
donnes :
introduction
74
De linformation la dcision

1. Modlisation des connaissances
2. Combinaison des connaissances
3. Dcision
Les tapes fondamentales
Dfinition dune architecture ad hoc

75























Fusion de
donnes :
introduction
75
d
petit moyen grand
| |
) (
1 , 0 2 :
A C A
C
d
d

O
Fusionner des donnes ncessite qu'elles soient dfinies dans le
mme cadre de discernement

Modlisation des connaissances
d mesure numrique
espace des hypothses O = {petit, moyen, grand}
C
d
confiance
Mcanismes de fusion

Mesure de confiance
x
petit moyen grand

petit
(d)
moyen
(d)
grand
(d)
d

76























Fusion de
donnes :
introduction
76
Modlisation des connaissances pour deux sources
d
1
et d
2
mesures numriques
mme espace des hypothses O
C
d1
et C
d2
confiances
d
1
petit moyen grand
d
2
petit moyen grand
| |
1
1
: 0,1 2
( )
d
d
C
C A A
O

| |
2
2
: 0,1 2
( )
d
d
C
C A A
O

Mcanismes de fusion

d
1
d
2
x
petit moyen grand

petit
(d)
moyen
(d)
grand
(d)
d

77























Fusion de
donnes :
introduction
77
Gains attendus de la modlisation des incertitudes
Flexibilit : prise en compte de la totalit des
informations disponibles, mme htrognes, de
prcision et de fiabilit variables
Robustesse : tolrance limprcision et lincertitude
des entres du systme de dcision.
Fusion de dcisions, systme interactif daide la
dcision : linfluence de la sortie dun systme sur la
dcision doit dpendre de lincertitude associe

Il faut un cadre mathmatique permettant
de modliser toutes les formes dincertitude
Mcanismes de fusion


78























Fusion de
donnes :
introduction
78
Modlisation des connaissances
Combinaison des connaissances
Dcision

| |
) (
1 , 0 2 :
1
1
A C A
C
d
d

O
| |
) (
1 , 0 2 :
2
2
A C A
C
d
d

O
| |
) (
1 , 0 2 :
12
12
A C A
C
d
d

O
Mcanismes de fusion

Confiance aprs combinaison

79























Fusion de
donnes :
introduction
79
Modlisation des connaissances
Combinaison des connaissances
Dcision
i d
H C
12
Mcanismes de fusion

( ) | | ) ( max
12 i d
H
retenue
H C f Arg H
i
O e
=
Exemple : MAP en probabilits

80























Fusion de
donnes :
introduction
80
3 formalismes :
probabilits (vision frquentiste et subjective)
possibilits (sous-ensembles flous)
vidence (croyance, Dempster-Shafer)
Formalismes disponibles

Didier DUBOIS Henri PRADE Lofti ZADEH
Glenn SHAFER Philippe SMETS Thierry DENUX
Thomas BAYES

81























Fusion de
donnes :
introduction
81
O Thorie des probabilits (Bayes, Kolmogorov, Cox, Jeffreys)
Inconvnient: introduction de lois a priori
Fusion: Rgle de Bayes

Thorie des sous-ensembles flous et des possibilits
(Zadeh, Bezdek, Dubois & Prade)
Degrs dappartenance
Mesures de possibilit et de ncessit
Fusion: plusieurs oprateurs
Thorie de lvidence (Shafer, Smets, Kholas)
Masses de croyance, crdibilit, plausibilit, probabilit
pignistique
Fusion: Oprateurs de Dempster, Yager, Dubois & Prade,
Smets, Lefevre et al.
Formalismes disponibles


82























Fusion de
donnes :
introduction
82
O Thorie des probabilits
Approche frquentiste
une probabilit = la limite d'une frquence d'occurrence d'vnements
Approche subjective (ou confiance)
une probabilit reflte simplement un tat de connaissance et le lien
avec une frquence relle d'occurrence n'existe que dans certains
cas.

O Thories non probabilistes
thorie des possibilits (cadre de la logique floue)
thorie de l'vidence propose par Shafer (1976).

Deux coles de pense :
1- les probabilistes: les rsultats et mcanismes auxquels conduisent
ces approches toujours atteints par une mthode strictement
probabiliste ( condition qu'elle soit suffisamment adapte)
2- les adeptes de la thorie de l'vidence ou des possibilits
volont de chercher une modlisation plus fidle smantiquement
vis--vis de l'information disponible.
Formalismes disponibles


83























Fusion de
donnes :
introduction
83
1) Rflchir avant dagir (bien analyser le problme pos)!
2) Ne pas sortir la grosse artillerie si cela nest pas ncessaire !
3) Savoir pourquoi on choisit une mthode ou une technique
plutt quune autre!
4) Rflchir pour savoir si la mthode ou la technique est
un tant soit peu raisonnable [cf. rgles 1), 2) et 3) ] dans le
cadre de son application!
5) Ne jamais ignorer les informations (quand elles existent) qui
peuvent permettre de faciliter la rsolution du problme!

Les rgles du bon fusionneur
Conseils


84























Fusion de
donnes :
introduction
84
When the only tool you have is a hammer,
everything looks like a nail.
Lotfi ZADEH
(cf. aussi Abraham MASLOW)
Le principe du marteau et autres petits adages
"The proof of the pudding is in the eating.
Clbre proverbe cit
par Philippe SMETS
On peut faire des tas de choses avec la fusion dinformations
imparfaites condition de savoir ce que lon cherche faire!
et postscriptum!


85























Fusion de
donnes :
introduction
85
This is the end of this part!