Académique Documents
Professionnel Documents
Culture Documents
Préparation de données
Quelle
mesure de
ressemblance
?
Comment
Quelle est la identifier une Quel
validité de ce approche de processus de
résultat ? traitement?
classification
?
Comment
définir le
nombre des
classes ?
Etat de l’art
Approche utilisée
Classification automatique
Contributions Réseaux de Neurones Artificiels
Expérimentations
Conclusion & perspectives
Mesure de Distance
Facteurs
d’homogénéité
n
Temps de calcul réduit
Similarité
, y) ( xi yi ) 2
DE(xConnectivité
Proximité i 1
n
calcule le chemin parcouru en forme de grille DE ( X i , Yi ) X i ,k Yi ,k
k 1
Objectif
T
Maximiser DM(X μ la 1 X μ
, μ ) etX minimiser
basée sur la corrélation entre leslavariables
ressemblance inter-classe
q k q k k q k
ressemblance intra-classe.
Etat de l’art
Approche utilisée
Classification automatique
Contributions Réseaux de Neurones Artificiels
Expérimentations
Conclusion & perspectives
Approches
Analyse des Détection des modes Détection des
Connexionnistes
mélanges contours des modes
Apprentissage Maxima Local
Connexionnistes Opérateurs
différentiels
Techniques de Convexité
partitionnement Morphologie
Morphologie Mathématique
Méthodes
hiérarchiques
Statistiques
d’Ordre
Champ de Markov
Analyse de Texture
Clustering K-means algorithm
Principle
An algorithm that works in two
steps
1. Assignment of points to
nearest center
2. displacement from the center
to the average of the cluster