Combinaison hiérarchique de systèmes d'inférence floue : application à la reconnaissance en-ligne de chiffres manuscrits
Résumé
Recently, an increasing gain of attention has been paid on classifiers combination to treat complex problems such as handwriting recognition. These kind of classifiers, based on complementarity principles, increase the performances of a recognition system by limiting errors of a single classifier. In this article, we describe a hybrid system based on the hierarchy of two different king of modeling. A first level model intrinsically the classes by fuzzy prototypes and deduces a pre-classification. A second level uses the result of this pre-classification to operate a discrimination by the construction of fuzzy decision trees. The two levels are then combined to deduce from these two kind of informations (intrinsic and discriminant) the final classification. The evaluation of the system was done on on-line handwritten digit recognition tasks. The results show the interest of the hybrid and hierarchic combination and the good performances in comparison with a classifier dedicated to on-line handwriting recognition and with several others classifiers (MLP, RBF, fuzzy decision trees, SVM).
Face à des problèmes complexes comme celui de la reconnaissance de l’écriture ma- nuscrite, les systèmes à classifieurs multiples ont bénéficié d’un intérêt croissant durant ces dernières années. Fondés sur des principes de complémentarité, ils visent à accroître les per- formances d’un système de reconnaissance en limitant l’erreur liée à l’utilisation d’un clas- sifieur unique. Dans cet article, nous présentons un classifieur hybride qui s’appuie sur une combinaison hiérarchique de deux approches de classification différentes. Le premier niveau de classification modélise de façon intrinsèque les classes de symboles à reconnaître par des prototypes flous. Le deuxième niveau de classification travaille alors localement sur les sous- ensembles d’exemples résultant de la classification du premier niveau. Pour chacun d’eux, un arbre de décision flou est utilisé afin d’opérer une modélisation discriminante. Ces deux ap- proches sont formalisées de manière homogène par des systèmes d’inférence floue qui consti- tuent deux sources d’informations complémentaires (intrinsèques et discriminantes). Celles-ci sont agrégées de façon spécifique pour la prise de décision finale. L’évaluation a porté sur la reconnaissance en-ligne de chiffres manuscrits. Les résultats obtenus mettent en évidence l’intérêt de la combinaison hiérarchique à deux niveaux et valident l’approche en comparaison avec un système dédié à la reconnaissance de l’écriture manuscrite et différents autres systèmes (MLP, RBF, arbres de décision flous, SVM).