| Titre : | Communicatio en multi canal dans les réseaux de capteurs sans fils |
| Auteurs : | ABDELHALIM BEZZIOU, Auteur ; Okba Houhou, Directeur de thèse |
| Type de document : | Mémoire magistere |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2015 |
| ISBN/ISSN/EAN : | MINF/06 |
| Format : | 58 / ill., couv. ill. en coul / 30 cm |
| Langues: | Français |
| Langues originales: | Finnois |
| Résumé : |
Le développement des moyens informatiques de stockage et de calcul
permet le traitement et l’analyse d’ensembles de données très volumineux. Pour analyser ces données, on utilise souvent les méthode de fouille de données (data mining) qui consiste à rechercher et extraire de l'information (utile et inconnue) de gros volumes de données stockées dans des bases ou des entrepôts de données. Ces méthodes ont connu depuis leur apparition dans les années 90 une grande évolution. Nous nous intéressons dans ce mémoire aux méthodes de clustering qui appartiennent à la classe des méthodes de classification non supervisée. Le clustering à base de vecteurs supports (SVC) est une méthode de clustering très précise sui se base sur les méthodes des machines à vecteurs support. Elle se base sur le tracé des segments pour détecter les clusters. L’objectif de notre travail consiste à étudier l’utilisabilité de la méthode SVC pour l'analyse les bases de données à N dimensions. Le problème rencontré réside dans le tracé des segments : dans le cas de deux dimensions l’algorithme de Bresenham utilisé pour le tracé des segments sur les écrans peuvent être utilisée. Dans le cas de trois dimensions, un algorithme pareil utilisé en synthèse d’image est utilisée. Au-delà de trois dimensions un algorithme de tracé de segments n’existe pas. Dans ce travail, nous avons utilisé la méthode d’analyse en composantes principales ACP pour réduire les dimensions d’une base à trois puis utilisé le SVC avec une version 3D de l’algorithme de Bresenham. Les résultats obtenus sur des bases de données standard et après comparaison avec l’algorithme KMeans montrent la grande précision de l’algorithme SVC. Le mémoire est organisé comme suit : le premier chapitre étudie le domaine de data mining et ses domaine d’application et se termine par mètre l’accent sur les bases de données et la nécessité de leur analyse. Le second chapitre présente les différentes méthodes de clustering et plus particulièrement la méthode SVC et son principe. Le troisième chapitre présente la conception de l’application développée pour réaliser ce travail et le dernier chapitre présente l’application et discute les résultats obtenus. Nous terminons par une conclusion générale et les perspectives envisagés |
| Sommaire : |
Table des matières
Liste des figures ...................................... 4 Liste des tableaux ......................................... 6 I. Introduction Générale ...................................... 7 II. Chapitre: Data mining .................................... 8 1. Introduction ............................................ 8 2. Les domaines d’application ................................ 8 3. Processus de data mining ............................. 8 3.1. Définition et compréhension du problème .......................................... 9 3.2. Collecte des données ............................... 9 3.3. Prétraitement ........................................... 9 3.4. Estimation du modèle ..................................... 10 3.5. Interprétation du modèle et établissement des conclusions .............. 10 4. Les tâches de la fouille de données ....................................................... 10 5. Analyse des bases de données................................. 12 6. Les bases de données .......................... 12 7. Conclusion ...................................... 13 III. Chapitre: Le clustering ........................... 14 1. Introduction .......................................... 14 2. Principe ................................................ 14 3. Mesures de similarités....................... 14 3.1. Attributs numériques ................ 14 4. Les méthodes de clustering ................................................................... 15 4.1. Clustering hiérarchique ..................................................................... 15 4.1.1. La méthode ascendante .................... 15 4.1.2. La méthode descendante ..................... 15 4.2. Clustering partitionnel ................... 16 4.2.1. La méthode de k-moyennes ........................................................... 17 4.3. Support Vector Clustering (SVC): .................................................... 18 4.3.1. SVM binaire ................... 19 4.3.2. SVM mono-class ............................ 19 4.3.3. Le SVC .................................... 20 4.3.3.1. Le regroupement ............................................ 20 4.3.3.2. L’étiquetage .......................................... 21 4.3.3.2.1. Tracée des segments ........................ 21 3 4.3.3.2.2. Détection des clusters ......................... 25 5. Conclusion .......................................... 27 IV. Chapitre: Conception ............................................. 28 1. Introduction ............................................. 28 2. Conception générale................ 29 3. Conception détaillé ............................................ 30 3.1. Les bases de données............................... 30 3.2. SVM ............................................ 30 3.2.1. SVM binaire ................ 30 3.2.2. SVM mono-classe................................ 30 3.3. SVC ........................................... 30 3.3.1. Les bases de données N dimensions .............................................. 31 3.3.2. Bresenham N dimension ................................................................ 31 3.3.3. Bresenham 3 dimension................................................................. 32 3.3.4. Analyse en composantes principales ACP .................................... 33 3.3.5. L’étiquetage à N dimension ................................. 34 4. Conclusion .................................. 35 V. Chapitre: Implémentation et résultats ................................ 36 1. Introduction ......................... 3. Description de l'application ..................... 36 3.1. Application graphique (2D) ................... 37 3.1.1. SVM monoClasse ......................... 38 3.1.2. SVC 2D......................................... 38 3.2. Application sur des bases de données .............................................. 39 4. Tests et Résultats................................................ 41 4.1. Base de données utilisées ................... 41 4.2. Algorithme Kmeans .......................................................................... 43 4.3. Résulta et discussion ....................................... 44 5. Conclusion ......................................................... 47 VI. Conclusion et perspectives ........................... 48 VII. Bibliographie...... |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/06 | Mémoire | bibliothèque sciences exactes | Consultable |
