Approches immunologiques pour la reconnaissance des formes
No Thumbnail Available
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le travail présenté dans ce document se situe
dans le contexte général des systèmes d’aide à la
décision. Nous nous intéressons notamment à ce
type de systèmes utilisés dans le domaine de la
reconnaissance biométrique et celui du diagnostic médical. Plus précisément, notre étude se
focalise sur l’apport des approches immunologiques dans la tâche de classification des
processus de reconnaissance de formes impliqués dans les types de systèmes cités
précédemment.
Notre intérêt vers les systèmes immunitaires artificiels, inspirés de l’immunologie naturelle, se
justifie par leurs caractéristiques attrayantes, leur succès dans plusieurs voies de recherche et le
fait qu’ils soient peu explorés dans les domaines applicatifs considérés dans notre étude.
Notre exploration des approches immunologiques nous a orienté vers la proposition et
l’amélioration de classifieurs basés sur le système immunitaire artificiel de reconnaissance
(Artificial Immune Recognition System ou AIRS) et ses trois variantes AIRS1, AIRS2 et AIRS
parallèle.
Dans la première partie de notre travail, nous proposons un système biométrique
d’identification des personnes basé sur la démarche en utilisant un accéléromètre. Une
amélioration a été apportée sur les trois classifieurs par l’intégration de trois types de
distances : Hamming, Manhattan et Chebychev lors du calcul de l’affinité.
La deuxième partie de notre travail porte sur deux types de données médicales. En effet, nous
effectuons la classification des données mammographiques en plus d’un autre type de données
médicales, collectées à partir des images rétiniennes pour confirmer ou infirmer la présence
d’une rétinopathie diabétique. Dans ce dernier cas, l’approche immunologique est utilisée avec
les trois types de classifieurs AIRS en introduisant une modification de la méthode de
classification lors de l’étape de test. Ce changement consiste à remplacer le KPPV (K Plus
Proches Voisins) par un KPPV flou pour classifier les nouvelles données par rapport aux
cellules mémoire qui ont été créées pendant l’apprentissage.
Les résultats que nous avons obtenus sont prometteurs et confirment l’intérêt de l’utilisation
des approches immunologiques pour la reconnaissance de formes dans le domaine de la
biométrie et de l’aide au diagnostic médical.