Vie artificielle,analyse,traitement et fouille de donnees

Texte intégral

(1)République Algérienne Démocratique et Populaire Ministère de l’enseignement supérieur et de la recherche scientifique Université Mentouri Constantine Faculté des Sciences de 1’Ingénieur Département d’ Informatique —. N° d’ordre: / /2011 Série : /lnf/2011. Thèse de Doctorat en Sciences en Informatique Thème :. « VIE ARTIFICIELLE, ANALYSE, TRAITEMENT ET FOUILLE DE DONNEES » Présentée par:. Mme ESMA BENDIAB Ep. BENLAKSIRA. Dirigée par: Dr. Mohamed Khireddine KHOLLADI Soutenue le: 24/11/ 2011. Composition Du Jury Prof. Salim Chikhi Dr. M.K. Kholladi Prof. Hamid Seridi Dr. Allaoua Chaoui Dr. Faudil Chérif. Professeur, Université de Constantine Maître de Conférences, Université de Constantine Professeur, Université 08 Mai 1945 Guelma Maître de Conférences, Université de Constantine Maître de Conférences, Université de Biskra. Président Rapporteur Examinateur Examinateur Examinateur.

(2) Thèse de Doctorat en Sciences en Informatique Thème:. " Vie artificielle, analyse, traitement et fouille de données : proposition de nouvelles approches pour l'apprentissage machine basées systèmes immunitaires artificiels". Présentée par:. Mme ESMA BENDIAB Ep. BENLAKSIRA.

(3) Remerciements Une thèse n’est pas une fin en soi, mais c’est un moment particulier dans la vie d’un chercheur : il y aura eu un avant qui ne sera plus, et il y aura un après à construire. Aussi, au moment de franchir cette limite, je ne peux pas ne pas penser à tous ceux qui, de près ou de loin, auront contribué à ce grand effort car, si l’épreuve est individuelle, ses implications sont sociales, académiques, familiales, et humaines tout simplement. Je tiens à présenter mes expressions de remerciements et ma profonde gratitude à tous ceux qui ont contribué activement de loin ou de près, à la réalisation de ce travail, à tous ceux qui ont supporté les conséquences de mon engagement. Pour commencer, je tiens à exprimer ma profonde gratitude et mes vifs remerciements aux membres du jury : A mon encadreur, Monsieur Mohamed Khirreddine Kholladi pour avoir accepté de diriger ce travail. A monsieur Salim Chikhi, Professeur à Université de Constantine pour m’avoir fait présider ce jury. l’honneur. de. A messieurs les examinateurs : - Monsieur Hamid Seridi, Professeur à Université 08 Mai 1945 Guelma, - Monsieur Faudil Chérif, Maître de Conférences à l’université de Biskra. - Monsieur Allaoua Chaoui, Maître de Conférences à l’université de Constantine, Pour avoir accepté de juger ce travail, je les remercie tout particulièrement pour l'attention et le temps qu'ils y ont consacré. Bien sûr, je tiens à montrer toute ma gratitude envers toutes les personnes qui ont pu m'aider, m'encourager, me soutenir, me remotiver pendant ces années de travail : parents, amies, collègues, étudiants et famille. Je voudrais aussi montrer toute ma reconnaissance et ma gratitude à tous les membres de ma famille qui ont toujours été là, même quand ça n'allait pas. Merci à vous : A toi maman,. je viens à toi, o toi ma mère, avec ma force et ma foi, déposer humblement, à tes. pieds pour ta chaleur et ton bonheur, le fruit de ma sueur, à ton cœur ma mère, à ton âme ma chair, je te fais hommage de mon ouvrage. A toi papa, en témoignage de toute l’affection dont tu m’as comblée et de la confiance que tu as placé en moi, je te dédie le labeur de mes efforts. A toi Rédha, en témoignage de tout le soutien et la compréhension dont tu m’as fait preuve, pendant toutes ces années, me permettant de me construire comme chercheur. A ma petite Lyna que j’ai beaucoup délaissé ces derniers temps. A Lotfi, Hichem, Souheila ainsi que toute ma famille. Sans oublier, Faiza pour son aide très bénéfique..

(4) Résumé. Le « natural computing » est une nouvelle discipline où on s’intéresse à se rapprocher des fonctionnements biologiques par des simulations ou même des approximations, caractérisées par l’émergence d’un comportement complexe, afin de créer des solutions informatiques. Les systèmes immunitaires artificiels sont un exemple, ils se présentent comme une nouvelle métaphore puissante inspirée par le mécanisme de défense humain, pour le développement de paradigmes de calcul intelligents. Un intérêt grandissant côtoie ces systèmes, dû au fait que les mécanismes naturels qui permettent au corps humain d’atteindre son immunité, suggèrent de nouvelles idées pour l’apprentissage, la classification.etc. Les systèmes immunitaires artificiels sont composés principalement de: l’algorithme de la sélection négative, l’algorithme de la sélection de clones, la théorie des réseaux immunitaires et plus récemment la théorie du danger. Cette dernière est une nouvelle adjonction aux systèmes immunitaires artificiels, appréhendée par l’algorithme des cellules dendritique. Elle présente des propriétés intéressantes pour la classification des données. Par ailleurs, l’apprentissage, supervisé et non supervisé, est identifié comme une des problématiques majeures en extraction des connaissances à partir de données ou la fouille de donnés. Les besoins en analyse de données et en particulier en classification ont augmenté significativement. En effet, de plus en plus de domaines scientifiques nécessitent de catégoriser leurs données dans un but descriptif ou décisionnel. Deux approches sont proposées dans ce contexte : les méthodes statistiques, connues sous le nom de méthodes classiques, souffrent de plusieurs limites. Ainsi, elles laissent place aux méthodes issues de l’intelligence artificielle et particulièrement aux approches bio-inspirées. Notre travail se résume en l’apport d’une nouvelle synergie, par la fusion de ce qu’apporte les systèmes complexes comme solutions alternatives aux méthodes classiques et l’apprentissage machine. D’une façon plus précise, il est question de tirer profit des caractéristiques des systèmes immunitaires artificiels pour développer de nouvelles approches, pour l’apprentissage machine en général. Le but principal est d’examiner la théorie du danger et de la traduire dans le contexte de la classification des images. De ce fait, une approche basée algorithme des cellules dendritiques est proposée : en première application, pour classer les pixels d’une image en deux classes végétale ou sol à la base de leurs textures et couleurs. En deuxième application, l’algorithme est appliqué à la classification des feuilles végétales en utilisant la transformation en ondelette. Une deuxième approche propose l’application de l’algorithme de la sélection négative pour l’apprentissage et la classification. Deux développement ont été menés dans ce sens : le premier concerne la classification des pixels (peau, non peau). Quant au deuxième, il se veut une méthode de détection des changements dans une base de données biométriques. Les résultats obtenus sont encourageants, montrent la faisabilité et l’efficacité des approches proposées et ouvrent de nouvelles perspectives pour le domaine. Mots clé: Systèmes complexes, natural computing, systèmes immunitaire artificiels, théorie du danger, algorithme de la sélection négative, apprentissage, classification des images..

(5) Abstract. The "natural computing" is devoted to a new discipline which investigates the biological functions through simulations or even approximations, characterized by the emergence of a complex behaviour, in order to create computational solutions. Artificial immune systems are an example; they are a new powerful metaphor inspired by the human defence mechanism for the development of intelligent computing paradigms. Growing interests are surrounding these systems due to the fact that the natural mechanisms which allow the human body to reach its immunity, suggest new ideas for real world problems, such learning and classification. Artificial immune systems are mainly composed of: negative selection algorithm, the clonale selection algorithm, the immune network theory and more recently the danger theory. The danger theory is a new addition to artificial immune systems; it is apprehended by the dendritic cells algorithm. The theory presents interesting properties for data classification. Furthermore, supervised and unsupervised learning is identified as one of the major problems in knowledge extraction in data mining. The data analysis need, and classification in particular, has increased significantly. Indeed, more and more science areas need to categorize their data for descriptive purposes or decision-making tasks. Two approaches are proposed in this context: statistical methods, known as conventional methods, suffer from several limitations, give up their place to artificial intelligence approaches, particularly bio-inspired ones. Our contribution can be summarized in the provision of a new synergy, by merging complex systems, as alternatives to conventional methods, and machine learning problem. Precisely, it is a matter of taking advantage from artificial immune systems features to develop new approaches to machine learning in general. So, the main purpose is to examine the danger theory and to give the appropriate translation for the image classification field. Thus, an approach based on the dendritic cells algorithm is used: in the first application, we classify image pixels into two classes: vegetal or soil at the bases of their textures and colors. In the second application, the algorithm is applied to the classification of plant leaves using the wavelet transform. A second approach based negative selection algorithm is also proposed for learning and classification. Two developments were conducted in this way: the first, the classification of pixels as skin not skin and the second, for the classification of biometric data. The results are encouraging; they show the feasibility and the effectiveness of the proposed approaches and gives new perspectives to the domain. Keywords: Complex systems, natural computing, artificial immune systems, danger theory, the negative selection algorithm, machine learning, image classification..

(6) ‫ٍيخض‪:‬‬ ‫"اىس٘سبت اىطبيؼيت" حخظض خديد يؼْ‪ ٗ ٚ‬يٖخٌ بخقييد اى٘ظائف اىبي٘ى٘خيت بؼَيياث ٍساماة أٗ ٍقازباث‬ ‫حخَيص بظٖ٘ز سي٘ك ٍؼقدة‪ ،‬إليدا زي٘ه ىَشامو باسخؼَاه اىنَبي٘حس‪.‬‬ ‫ّظٌ اىَْاػت اىَظطْؼت ٍثاه ىٖرٓ اىَبا زاث‪,‬‬ ‫حط٘يس َّاذج اىس٘سبت اىرميت حصايد االٕخَاً بٖرٓ‬ ‫اىْظٌ بسبب مُ٘ اآلىياث اىطبيؼيت اىخي حسَر ىدٖاش اىدفاع اىخ٘طو إى‪ ٚ‬زظاّخٔ حقخسذ أفناز خديدة ‪.‬‬ ‫أساسا ٍِ‪ :‬خ٘ازشً االخخياز اىسيبي ‪ ,‬خ٘ازشً االسخْساش ‪ّ ,‬ظسيت‬ ‫يخنُ٘‬ ‫اىشبنت اىَْاػيت ّٗظسيت اىخطس في اآلّٗت األخيسة‪ّ .‬ظسيت اىخطس إضافت خديدة إى‪ٚ‬‬ ‫ىٖا خظائض ٍثيسة ىالٕخَاً ىخظْيف اىبياّاث ‪.‬‬ ‫اىخؼيٌ اىَ٘خٔ ٗ اىغيس ٍ٘خٔ يؼخبس ٗازدة ٍِ اىَشامو اىسئيسيت في اسخخساج اىَؼسفت‬ ‫ٍِ اىبياّاث أٗ بياّاث اىبسث‪ٗ .‬ب٘خٔ خاص ىخظْيف اىبياّاث ٗحسييو االزخياخاث اىخي قد شا ث شيا ة‬ ‫مبيسة ‪ٗ .‬يقخسذ اىخؼيٌ اىَ٘خٔ ٗ اىغيس ٍ٘خٔ ّٖديِ في ٕرا اىسياق‪ :‬األساىيب اإلزظائيت‪ ،‬اىَؼسٗفت‬ ‫باىطسق اىخقييديت‪ ،‬اىخي ح٘اخٔ ػدة قي٘ ‪ ,‬فخسمج اىَداه ألساىيب اىرما االططْاػي ٗ باىخظ٘ص اىْٖح‬ ‫اىَسخ٘زاة ٍِ اىطبيؼت‪.‬‬ ‫االسخفا ة ٍِ خظائض ّظٌ اىَْاػت اىَظطْؼت‬ ‫‪.‬اىْخائح اىَخسظو ػييٖا ٍشدؼت‪ٗ ،‬أظٖسث خدٗ‪ٗ ٙ‬فؼاىيت اىْٖح‬ ‫ى٘ضغ ّٖح خديدة ىيخؼيٌ ٗ حظْيف‬ ‫اىَقخسزت ٗبرىل يفخر فسطًا خديدة ىيَداه‪.‬‬ ‫الكلمات الرئيسية‪ :‬اىْظٌ اىَؼقدة‪ ،‬اىس٘سبت اىطبيؼيت‪ّ ،‬ظٌ اىَْاػت ٍظطْؼت‪ّ ،‬ظسيت اىخطس‪ ،‬خ٘ازشً‬ ‫االخخياز اىسيبي ‪ ،‬اىخؼيٌ‪ ،‬حظْيف اىظ٘زة‪.‬‬.

(7) Table des matières. Table des matières. Table des matiéres…………………………………………………………………… I Table des figures ………………………………………………………………………… VIII Tables des tableaux …………………………………………………………………… X Chapitre 01. Introduction Générale. 1. 2. 3. 4.. Contexte et motivation……………………………………………………………………... 1 Problématique et Objectifs…………………………………………………………………. 3 Contribution………………………………………………………………………………... 4 Structure de la thèse………………………………………………………………………... 6. Chapitre 2. Systèmes Complexes et Natural Computing Introduction……………………………………………………………………………. 9. Partie 01 : Les systèmes complexes 1. Introduction………………………………………………………………………………… 10 2. Complexité et système complexe…………………………………………………………...10 3. Définition d’un système complexe………………………………………………………… 11 4. Exemples de systèmes complexes naturels…………………………………………………12 5. Propriétés des systèmes complexes…………………………………………………………13 5.1. Non linéarité………………………………………………………………………... 13 5.2. Irréductibilité……………………………………………………………………….. 14 5.3. Ordre/Chaos………………………………………………………………………... 14 5.4. Auto-organisation…………………………………………………………………...14 5.5. L’émergence………………………………………………………………………...14. Partie 02 : Le Natural computing (Computation naturelle) 1. Introduction………………………………………………………………………………….. 16 2. Le Natural Computing………………………………………………………………………..16 3. Les systèmes bio-inspirés (bio-inspired computing) ………………………………………...18. I.

(8) Table des matières 3.1 Les réseaux de neurones…………………………………………………………….. 19 3.1.1. La motivation biologique………………………………………………… 19 3.1.2. Principes………………………………………………………………….. 20 3.1.3. Domaines d'application des réseaux de neurones artificiels………………22 3.1.4. Les tendances actuelles et les problèmes ouverts………………………… 22 3.2 Les approches évolutionnaires……………………………………………………… 22 3.2.1. La motivation biologique………………………………………………… 22 3.2.2. Principes………………………………………………………………….. 23 3.2.3 Les algorithmes génétiques……………………………………………….. 24 3.2.4. Domaines d'application de l'informatique évolutive……………………... 24 3.2.5. Les tendances actuelles et les problèmes ouverts………………………… 24 3.3 L’intelligence en essaim (Swarm intelligence)…………………………………….. 25 3.3.1. L’optimisation par les colonies de fourmis (ACO)……………………… 26 3.3.1.1. Motivation biologique et principe……………………………… 26 3.3.2. Optimisation par essaim de particules : PSO (Particle swarm optimization)…………………………………………………………….. 27 3.3.2.1 Motivation biologique et principe………………………………. 27 3.3.3. Domaines d’applications de l'intelligence en essaim…………………….. 27 3.3.4. Les tendances actuelles et les problèmes ouverts………………………… 28 3.4. Les systèmes immunitaires artificiels (AIS)……………………………………….. 28 3.4.1. La motivation biologique et principe de fonctionnement…………………29 3.4.2. Domaines d’applications………………………………………………..... 29 3.4.3. Les tendances actuelles et les problèmes ouverts………………………… 29 4. La synthèse des phénomènes naturels sur ordinateurs……………………………………….. 29 4.1. La géométrie fractale……………………………………………………………….. 30 4.1.1. La dimension fractale…………………………………………………….. 30 4.1.2. Les automates cellulaires (AC)…………………………………………... 31 4.1.3. Les systèmes de Lindenmayer……………………………………………. 32 4.1.4. Domaines d'applications des automates cellulaires et des L-systèmes…... 33 4.1.5. Les tendances actuelles et les problèmes ouverts………………………… 33 4.2. La vie artificielle…………………………………………………………………… 34 4.2.1. L'essence de la vie………………………………………………………... 34 4.2.2. L'essence de la vie artificielle…………………………………………….. 34 4.2.3. Exemples de projets de vie artificielle…………………………………….35 4.2.4. Domaine d’application de la vie artificielle……………………………… 36 5. Systèmes à base d’éléments naturels………………………………………………………… 36 5.1. DNA computing……………………………………………………………………. 36 5.2. L’informatique quantique…………………………………………………………... 37 6. Comparaisons entre les approches du natural computing…………………………………… 38 7. Motivations : Pour quoi le « Natural computing » ? ………………………………………... 40 8. Conclusion…………………………………………………………………………………... 41. Chapitre 3. Les Systèmes Immunitaires Artificiels Introduction…………………………………………………………………………………....... 42 1. Un survol sur le système immunitaire biologique…………………………………………… 43 1.1 Le système immunitaire naturel…………………………………………………….. 43 1.2. Le mécanisme de défense…………………………………………………………... 45 1.3. Propriétés du système immunitaire naturel………………………………………… 45 II.

(9) Table des matières 2. Les systèmes immunitaires artificiels: « from In vivo to in silico »………………………… 46 2.1 Définition…………………………………………………………………………… 47 2.2 Etapes de résolution d’un problème par les AIS……………………………………. 47 2.2.1 La représentation………………………………………………………….. 49 2.2.1.1 Le modèle Shape Space…………………………………………. 49 2.2.2 Les mesures d’affinité…………………………………………………….. 49 2.2.3 Les algorithmes immunitaires de base……………………………………. 50 2.2.3.1 L’algorithme de la sélection négative…………………………... 51 1. L’inspiration biologique……..…………………... 51 2. L’algorithme……………………………………. 51 2.2.3.2 L’algorithme de la sélection clonale……………………………. 53 1. L’inspiration biologique…………………………... 53 2. L’algorithme………………………………………. 54 2.2.3.3 Le réseau immunitaire………………………………………….. 56 1. L’inspiration biologique…………………………... 56 2. L’algorithme………………………………………. 56 2.2.3.4 L’algorithme des cellules dendritiques…………………………. 57 1. L’inspiration biologique…………………………... 57 2.2.4 Domaines d’application…………………………………………………… 58 2.3 Système Immunitaires Artificiels, Réseaux de Neurones Artificiel Et Algorithme Génétique………………………………………………………………………... 61 3. Conclusion…………………………………………………………………………………… 63. Chapitre 4. Théorie du danger et Algorithme des cellules Dendritiques Introduction……………………………………………………………………………………... 64 1. La Théorie du danger……………………………………………………………………........ 65 1.1 Essence de la théorie………………………………………………………………... 65 1.2 Le projet « The danger project »……………………………………………………. 65 1.3 Motivation de la théorie…………………………………………………………….. 66 2. L'algorithme de cellules dendritiques (DCA)……………………………………………….. 68 2.1 Le modèle biologique de DCA……………………………………………………… 70 2.1.1 Présentation des cellules dendritiques (DC)…………………………….. 70 2.1.2 Présentation des signaux et de l’antigène……………………………….. 71 2.1.2.1 Les signaux d'entrée……………………………………………... 72 1. Signal de Danger……………………………………………... 72 2. Signal sans danger « Safe »………………………………….. 72 3. Abstraction de l’antigène……………………………………... 72 2.1.2.2 Signaux de sortie………………………………………………... 72 1. Le signal CSM………………………………………………... 72 2. Le signal semi-mature………………………………………… 72 3. Le signal mature……………………………………………… 72 2.2 Le modèle abstrait de DCA………………………………………………………… 73 2.3 L’algorithme des cellules dendritiques : Un classifieur……………………………. 75 2.4 L’algorithme des cellules dendritiques déterministe……………………………….. 76 2.4.1 De DCA à dDCA : Les points de disparité……………………………….. 77 2.4.2 Description de DCA déterministe (dDCA)……………………………….. 78 3. Domaines d’applications : le passé, le présent et le futur…………………………………… 81 4. Conclusion…………………………………………………………………………………… 82 III.

(10) Table des matières. Chapitre 5. Apprentissage Machine et Classification Introduction……………………………………………………………………………………... 84 1. Introduction à la fouille de données………………………………………………………….. 85 1.1 Définition…………………………………………………………………………… 86 1.2 Motivation…………………………………………………………………………... 87 1.3 Démarche méthodologique………………………………………………………….. 87 1.4 Les tâches de la fouille de données…………………………………………………. 88 1.5 Les Techniques utilisées pour la fouille de données……………………………….. 89 2. L'apprentissage machine……………………………………………………………………... 89 2.1 Définition…………………………………………………………………………… 89 2.2 Les différents types d’apprentissage………………………………………………... 90 2.2.1 Apprentissage versus modélisation……………………………………….. 90 2.2.2 Paramétrique versus non-paramétrique…………………………………… 90 2.2.3 Génératif versus discriminant……………………………………………... 90 2.3 Techniques d'apprentissage automatique…………………………………………… 91 2.3.1 Apprentissage supervisé………………………………………………….. 91 2.3.2 Apprentissage non-supervisé……………………………………………... 91 2.3.3 Apprentissage semi-supervisé…………………………………………….. 92 2.3.4 Apprentissage par renforcement…………………………………………... 92 2.4 Facteurs de pertinence et d'efficacité……………………………………………….. 92 3. Classification………………………………………………………………………………..... 93 3.1 Domaines d’applications……………………………………………………………. 93 3.2 Formulation du problème de la classification………………………………………. 93 3.3 Les méthodes de la classification…………………………………………………… 94 3.3.1. Les méthodes issues de l’intelligence artificielle Vs issues des statistiques……………………………………………………………….. 95 3.3.2. Les méthodes paramétriques Vs non paramétriques…………………….. 95 3.3.3 Les méthodes symboliques versus adaptatives……………………………. 95 3.3.4 Quelques techniques de classification…………………………………….. 95 3.3.4.1 Les arbres de décision…………………………………………… 96 1. Principe……………………………………………………….. 96 2. L’algorithme…………………………………………………... 97 3.3.4.2 Les Séparateurs à Vastes Marges (SVM)……………………….. 97 1. Principe……………………………………………………..… 97 4. La classification automatique : Clustering ………………………………………………….. 98 4.1 Domaines d’application……………………………………………………………... 99 4.2 Formulation du problème du clustering……………………………………………..100 4.3 Evaluation du clustering……………………………………………………………..101 4.3.1 Qualité d’un cluster………………………………………………………..101 4.3.2 Les mesures de ressemblance……………………………………………...101 4.3.2.1. Définitions………………………………………………………101 4.3.2.2. Indice de dissimilarité…………………………………………...101 4.3.2.3. La distance (données numériques)………………………………102 4.3.2.4. Indice de similarité (Mesure de la similarité)…………………...102 4.4 Les approches pour le clustering……………………………………………………103 4.4.1 Quelques techniques du clustering………………………………………..103 4.4.1.1. Les k-moyennes (k-means)……………………………………..103 1. Principe……………………………………………………….. 103 IV.

(11) Table des matières 2. L’algorithme…………………………………………………... 4.4.1.2. Les cartes auto-organisatrices (SOM)………………………….. 1. Principe……………………………………………………….. 2. L’algorithme…………………………………………………... 5. Un survol sur l’image mining………………………………………………………………... 5.1 Classification et clustering d’image………………………………………………… 6. Conclusion…………………………………………………………………………………..... 103 104 104 104 105 105 106. Chapitre 6. La Théorie du Danger pour La Classification d’Images Introduction……………………………………………………………………………………... 108 1. Formulation du problème…………………………………………………………………….. 109. Partie 01. L’algorithme des cellules dendritiques pour la classification des pixels végétal/sol 1. Application de DCA à la classification automatique des images……………………………. 1.1 Représentation des éléments immunitaires de DCA…………………………………. 1.1.1. L’espace des caractéristiques………………………………………………. 1.1.1.1 Les caractéristiques de la couleur……………………………… 1.1.1.2 Les caractéristiques de la texture………………..………………. 1.2 Modélisation des éléments immunitaires…………………………………………...... 1.2.1 Résumé des signaux de DCA dans le cadre de l’approche proposée………. 1. Les signaux en entrée……………………………………………… 2. Les signaux intermédiaires………………………………………… 3. Les signaux de sortie………………………………………………. 1.3 Description de l’approche proposée………………………………………………….. 1.3.1 Initialisation Déterminer les différents paramètres………………………… 1.3.2 Phase traitement des signaux et mise à jour………………………………. 1.3.3 La phase d’agrégation……………………………………………………... 111 111 111 111 111 111 113 113 113 113 113 115 115 116. 2. Résultats expérimentaux et discussion……………………………………………………….. 2.1 Description des données ……………………………………………………………... 2.2 Discussion et Paramètres…………………………………………………………...... 2.3 Evaluation des résultats………………………………………………………………. 3. Bilan………………………………………………………………………………………….. 116 116 117 118 120. Partie 02. L’algorithme des cellules dendritiques pour la classification des feuilles végétales 1. Application de DCA à la classification des feuilles végétales……………………………….. 1.1 La transformation en ondelette……………………………………………………….. 1.2 La modélisation des éléments immunitaires de DCA………………………………. 1.2.1 Résumé des signaux de DCA dans le cadre de l’approche proposée………… 1. Les signaux en entrée…………………………………………....... 2. Les signaux intermédiaires………………………………………... 3. Les signaux de sortie……………………………………………… V. 123 123 124 125 125 125 125.

(12) Table des matières 1.3. Description de l’approche proposée………………………………………………... 1.3.1 Initialisation…………………………………………………………………... 1.3.2 La phase traitement du signal et de mise à jour………………………............ 1. Mise à jour des données…………………………………………... 2. Cycle des cellules…………………………………………………. 1.3.3 La phase d’agrégation…………………………………………………….... 126 126 126 126 126 127. 2. Résultats expérimentaux et discussion……………………………………………………….. 2.1 Description des données : Présentation de la base de données Flavia……………….. 2.2 L’ensemble de données et paramètres………………………………………………... 2.3 Evaluation des résultats………………………………………………………………. 3. Bilan…………………………………………………………………………………………... 127 127 127 128 129. Conclusion……………………………………………………………………………………… 129. Chapitre 7. Apprentissage et Classification Par L’Algorithme de la Sélection Négative Introduction……………………………………………………………………………………... 130 1. Discussion sur l’algorithme de la sélection négative………………………………………… 130 2. Formulation du problème ……………………………………………………………….…… 132. Partie 01. Algorithme de la sélection négative pour l’identification de la peau Introduction……………………………………………………………………… 133 1. Une approche basée ASN pour la classification Peau / Non Peau…………………………… 1.1. Représentation des éléments immunitaires……………………………………….. 1.1.1. Caractéristiques de la couleur…………………………………………….. 1.1.2. Caractéristiques de la texture……………………………………………... 1.2 Modélisation des éléments immunitaires………………………………………….. 1.3 Description de l'approche proposée………………………….……………………. 1.3.1 Initialisation……………………………………………………………... 1.3.2. Apprentissage……………........................................................................ 1.3.3. Classification……………………………………………………………... 2. Résultats expérimentaux et discussion……………………………………………………….. 2.1 Description des données…………………………………………………………….. 2.2 Discussion et paramètres……………………………………………………………. 2.3 Evaluation et discussion………………………….…………………………………. 3. Bilan…………………………………………………………………………………………... 133 133 133 133 134 135 136 136 136 136 136 136 139 141. Partie 02. Algorithme de la sélection négative pour la détection des changements dans une base de données biométriques Introduction……………………………………………………………………… 142 1. L’algorithme de la sélection négative pour la détection des changements dans une base de données biométriques…………………………………………………………………… 143 1.1 Extraction des caractéristiques……………………………………………………….. 144 VI.

(13) Table des matières 1.1.1 Acquisition de l’iris……………………………………………………….. 1.1.2 Segmentation……………………………………………………………... 1.1.3 Normalisation…………………………………………………………….. 1.1.4 Extraction du gabarit de l’iris……………………………………………... 1.2 La phase d’apprentissage…………………………………………………………... 1.2.1 Modélisation des éléments immunitaires…………………………………. 1. Le self………………………………………………………………… 2. Le non self (les antigènes)……………………………………………. 3. La forme de l’espace (Shape-space)…………………………………. 4. L'affinité………………………………………………………………. 4.1 La distance de Hamming…………………………………… 1.2.2 Les étapes de la phase d’apprentissage…………………………………… 1.3 Détection des changements………………………………………………………….. 2. Résultats expérimentaux et discussion………………………………………………………. 2.1. Description des données : Présentation de la base de données Casia………………... 2.2 Discussion et paramètres……………………………………………………………... 2.3 Tests et performances………………………………………………………………… 3. Bilan…………………………………………………………………………………………. Conclusion………………………………………………………………………………………. 144 144 145 145 145 145 145 145 145 146 146 146 147 147 147 148 148 150 150. Chapitre 8. Conclusion Générale. 8.1 Bilan et discussion………………………………………………………………….. 151 8.2 Perspectives de recherches………………………………………………………….. 153. Bibliographie de l’auteur……………………………………………………………. 154. Références bibliographiques ………………………………………………………. 155. VII.

(14) Table des figures. Table des figures Fig.2.1. Représentation d’une Pyramide de complexité…………………………………………………. Fig.2.2. Les éléments influant le développement du natural computing et ses différentes branches……. Fig.2.3. Le natural computing et ses différentes branches………………………………………………. Fig.2.4. Représentation d'un neurone a) neurone naturel b) neurone artificiel………………………..… Fig.2.5. Structure d'un neurone artificiel. Le neurone calcule la somme de ses entrées puis cette valeur passe à travers la fonction d'activation pour produire sa sortie…………………………………. Fig.2.6 Les différentes architectures de réseaux de neurones artificiels………………………………… Fig.2.7. Schéma global d'un système évolutionnaire…………………………………………………….. Fig.2.8 Les opérateurs génétiques appliqués à des individus à codage binaire………………………….. Fig.2.9 L’optimisation par les colonies de fourmis……………………………………………………… Fig.2.10 L’optimisation par essaim de particules………………………………………………………... Fig.2.11 (a)Exemple de fractales (b) fougères fractales en 3d………………………………………….. Fig.2.12 Le brocoli un exemple de fractale naturelle……………………………………………………. Fig.2.13 Présentation de la structure d’un automate cellulaire…………………………………………... Fig.2.14 (A) La texture d'un vrai coquillage et son équivalent généré par un automate cellulaire (B) Le flocon de neige de Norman Packard…………………………………….………………………. Fig.2.15. Des exemples de modèles générés par la géométrie fractale………………………………….. Fig.2.16. La double hélice de l'ADN…………………………………………………………………….. Fig.2.17. La représentation d’un Bit, d’un Pbit et d’un Qubit…………………………………………... Fig.3.1.Structure multi couches du système immunitaire…………………………………………….…. Fig.3.2. Les différents types d’immunité…………………………………………………………..…….. Fig.3.3. Représentation du mécanisme de défense du système immunitaire……………………………. Fig.3.4. Schéma général pour concevoir un algorithme immunitaire…………………………………… Fig.3.5 Schéma général pour résoudre un problème par un AIS………………………………………… Fig.3.6 Représentation du modèle forme espace ( Shape Space)……………………………………...… Fig.3.7. Les Systèmes immunitaires artificiels (AIS) comme branche de l'intelligence artificielle…………………..……………………………………………………………………. Fig.3.8 Structure générale de l’algorithme de la sélection négative………………………………..…… Fig.3.9 Pseudo code de la phase examen de l’algorithme de la sélection négative……………………… Fig.3.10 Structure générale de l’algorithme de sélection clonale…………………………………….….. Fig.3.11 Pseudo code de l’algorithme de la sélection clonale…………………………………………… Fig.3.12. La sélection clonale et la sélection négative………………………………………………….. Fig.3.13 Pseudo code de l’algorithme du réseau immunitaire…………………………………………... Fig.4.1. Illustration de la théorie du danger……………………………………………………………… Fig.4.2. Diagramme du processus de développement DCA…………………………………….………. Fig.4.3 Illustration de la différentiation des cellules dendritiques……………………………….……… Fig.4.4. Le modèle abstrait de la différenciation des cellules dendritiques………………………..……. Fig.4.5. Le modèle abstrait de DCA…………………………………………………………......………. Fig.5.1 Un aperçu des étapes de l'ECD…………………………………………………………....……. Fig.5.2 Le processus de d’extraction de connaissance…………………………………………….……. Fig.5.3 La fouille de données (Data mining) : le cœur de KDD (Knowledge Data Discovery)……….... Fig.5.4 Structure d'un Arbre de décision……………………………………………………………..…. Fig.5.5 Un exemple de classification de deux classes par les SVM………………………………..……. Fig.5.5.Illustration de l’objectif du clustering………………………………………………………….... Fig.6.1. Représentation de l’antigène et de l’anticorps…………………………………………………. Fig.6.2.Organigramme de DCA projeté à la classification d’images…………………………………… Fig.6.2. Bis .Organigramme de DCA projeté à la classification d’images……………………………….. VIII. 11 18 18 20 21 21 23 25 26 28 30 30 31 32 33 37 38 43 44 45 48 48 49 51 52 53 55 55 56 57 67 69 70 71 74 85 86 87 96 98 101 112 114 115 118.

(15) Table des figures Fig.6.3. Exemple d’application sur une image végétale…………………………………………………. Fig.6.4. Résultats obtenus par l’approche proposée DCA……………………………………………….. 120 Fig.6.5. La structure arbre de la transformation en ondelette……………………………………………. 123 Fig.6.6. Exemples d’images utilises lors des tests……………………………………………………….. 128 Fig.7.1. Représentation de l’anticorps et de l'antigène…………………………………………………... 134 Fig.7.2 L’algorithme de la sélection négative pour la classification peau/ non peau……………………. 135 Fig.7.3. Des échantillons de la bibliothèque peau……………………………………………………….. 137 Fig.7.4. Interface graphique de l’application…………………………………………………………….. 138 Fig.7.5. Exemple de résultat de l’approche proposée……………………………………………………. 139 Fig.7.6 Les différentes étapes de l’approche proposée…………………………………………………. 143 Fig.7.7. Exemples d’images d’iris de la base de données Casia……………………………………….. 147. IX.