classification multisource via la théorie des croyances
DESCRIPTION
Classification multisource via la théorie des croyances. Anis BEN AïSSA FDC-EGC 04. 20 janvier 2004. Temps de parcours. Indicateur fondamental pour la caractérisation des conditions de circulation ; Intérêts des temps de parcours : 1. Régulation du trafic et information des usagers ; - PowerPoint PPT PresentationTRANSCRIPT
Classification Classification multisource via la multisource via la
théorie des croyancesthéorie des croyances
Anis BEN AïSSAFDC-EGC 04
20 janvier 2004
FDC-EGC.2004
2
• Indicateur fondamental pour la caractérisation des conditions de circulation ;
• Intérêts des temps de parcours :
1. Régulation du trafic et information des usagers ;
2. Forte demande sociale : collectivités locales, sociétés d’autoroutes, bureaux d’études, etc…
Temps de parcours
FDC-EGC.2004
3
Fusion de classifieurs• Problématique générale :
“Classification multisource pour l’estimation du temps de parcours ”.
• Sources de mesures & d’estimations1.1. Les capteurs :Les capteurs :
Boucle électromagnétique
2.2. Véhicules « Tests » : Véhicules « Tests » : Véhicules traceursVéhicules traceurs
3.3. Enquêtes minéralogiques : Enquêtes minéralogiques : Identification des plaquesIdentification des plaques
7852 MG 69F
FDC-EGC.2004
4
• Théorie des croyances : 1. Cadre de discernement : Θ ={ H1,…, HN }
2. Fonction de masse : m : 2Θ → [0;1] , A → m(A);
3. La combinaison de Dempster : (2 sources)
4. Stratégie de décision :1.1. Maximum de crédibilité 2. Maximum de proba-
pignistique
AX
A m (A) Cr X .,)( .,)(
)(
i
Ai H
m )PPig(HH i ACard
A
Bsi
mm
mm
Bm (mm(B)
AA
AA
AA
AAB
1
21
21
)().(1
)().(
))(2211
2211
2
FDC-EGC.2004
5
Matrice de confusion :
S {C,T} Taux de reconnaissance
(T.B.C.)
Taux de confusion :
nij : nombre de fois où le classifieur détecte l’hypothèse estimée j quand la
vraie hypothèse est i
TxRecTxConf 1
H1(S) … Hj(S) … Hr(S)
H1(R)
…
Hi(R)
…
Hr(R)
n11 … n1j … n1r
ni1 … nij … nir
nr1 … nrj … nrr
Hypothèses estimées
Hyp
othè
ses
vrai
es
r
jiij
r
jjj
n
n
TxRec
1,
1
Premier schéma : Approche de Xu
FDC-EGC.2004
6
Matrice de confusion :
Taux de reconnaissance (T.B.C.) S {C,T}
Taux de confusion :
nij : nombre de fois où le classifieur détecte l’hypothèse estimée j quand la
vraie hypothèse est i
H1(S) … Hj(S) … Hr(S)
H1(R)
…
Hi(R)
…
Hr(R)
n11 … n1j … n1r
ni1 … nij … nir
.
nr1 … nrj … nrr
Hypothèses estimées
Hyp
othè
ses
vrai
es
njj
r1..jn
n TBCTxRec
r
iij
jjjj
;
1
jj RecTxTxConf 1
Second schéma :
FDC-EGC.2004
7
Intégration du cadre de discernement
Normalisation de la matrice de confusion
r : nombre d’hypothèses (r = 6)
riHHmasseHHmassemasse ii
r
jjiHi ..1)/(])/([)(
1.
ripour
masseHmasse
HmasseHmasse
Hi
r
ii
ii ..1
)()(
)()(
1
Troisième schéma :
FDC-EGC.2004
8
Mise en œuvre• Evaluation de la classification :
1. Première méthode : Approche de XU
2. Deuxième méthode : M.2
3. Troisième méthode : M.3
Source Capteurs Traceurs Fus(Cr) Fus(Pig)
TBC % 33.91 30.07 13.48 33.91
Source Capteurs Traceurs Fus(Cr) Fus(Pig)
TBC % 33.91 30.07 24.35 33.91
Source Capteurs Traceurs Fus(Cr) Fus(Pig)
TBC % 33.91 30.07 25.22 42.17
FDC-EGC.2004
9
SYNTHESE
0
10
20
30
40
50
T.B
.C. %
M.1 M.2 M.3
Perf ormance de la classifi cation
Capteurs
Traceurs
Fus (Cr)
Fus (PPig)
FDC-EGC.2004
10
CONCLUSION
• Nouvelle modélisation des masses ;• La troisième approche améliore la qualité de
l’estimation. Elle détecte mieux les bonnes classes du TP(TBC= 42.17%)
• Théorie de l’évidence: souple & performante
• Utilisation d’autres schémas de modélisation pour comparer les performances.