Classification non supervisée des données fonctionnelles avec ondelettes

Anestis Antoniadis (1) , Xavier Brossat (2) , Jairo Cugliari (2, 3) , Jean-Michel Poggi (3, 4)

1 SMS - Statistique et Modélisation Stochatisque
2 EDF - EDF
3 LM-Orsay - Laboratoire de Mathématiques d'Orsay
4 SELECT - Model selection in statistical learning

Cet article présente une méthode permettant de détecter efficacement des clusters dans des données fonctionnelles avec une structure temporelle. L'algorithme est basé sur une mesure de similarité fondée sur la décomposition en ondelettes. Cette décomposition est idéale pour l'identification de caractéristiques locales en temps et en échelle grâce à laquelle on peut visualiser et regrouper les données fonctionnelles en groupes homogènes. Nous considérons les contributions de chaque échelle à l'énergie globale de chaque fonction d'entrée pour générer un codage ne perdant pas la capacité de différencier les signaux. La mesure de similarité, en parallèle avec une technique efficace de sélection de variables, est alors utilisée avec des algorithmes plus ou moins classiques d'apprentissage non supervisé. La performance de cette méthodologie est démontrée par des simulations et de véritables applications de données.

Domaines: Statistiques [math.ST]; Théorie [stat.TH]

Anestis Antoniadis, Xavier Brossat, Jairo Cugliari, Jean-Michel Poggi. Classification non supervisée des données fonctionnelles avec ondelettes. 42èmes Journées de Statistique, Société Française de Statistique, May 2010, Marseille, France. ⟨inria-00494715⟩