Skip to Main content Skip to Navigation
Theses

Non convex optimization techniques based on DC programming and DCA and evolution methods for clustering

Résumé : Nous nous intéressons particulièrement, dans cette thèse, à quatre problèmes en apprentissage et fouille de données : clustering pour les données évolutives, clustering pour les données massives, clustering avec pondération de variables et enfin le clustering sans connaissance a priori du nombre de clusters avec initialisation optimale des centres de clusters. Les méthodes que nous décrivons se basent sur des approches d’optimisation déterministe, à savoir la programmation DC (Difference of Convex functions) et DCA (Difference of Convex Algorithms), pour la résolution de problèmes de clustering cités précédemment, ainsi que des approches évolutionnaires élitistes. Nous adaptons l’algorithme de clustering DCA–MSSC pour le traitement de données évolutives par fenêtres, en appréhendant les données évolutives avec deux modèles : fenêtres fixes et fenêtres glissantes. Pour le problème du clustering de données massives, nous utilisons l’algorithme DCA en deux phases. Dans la première phase, les données massives sont divisées en plusieurs sous-ensembles, sur lesquelles nous appliquons l’algorithme DCA–MSSC pour effectuer un clustering. Dans la deuxième phase, nous proposons un algorithme DCA-Weight pour effectuer un clustering pondéré sur l’ensemble des centres obtenues à la première phase. Concernant le clustering avec pondération de variables, nous proposons également deux approches: clustering dur avec pondération de variables et clustering floue avec pondération de variables. Nous testons notre approche sur un problème de segmentation d’image. Le dernier problème abordé dans cette thèse est le clustering sans connaissance a priori du nombre des clusters. Nous proposons pour cela une approche évolutionnaire élitiste. Le principe consiste à utiliser plusieurs algorithmes évolutionnaires (EAs) en même temps, de les faire concourir afin d’obtenir la meilleure combinaison de centres initiaux pour le clustering et par la même occasion le nombre optimal de clusters. Les différents tests réalisés sur plusieurs ensembles de données de grande taille sont très prometteurs et montrent l’efficacité des approches proposées
Document type :
Theses
Complete list of metadatas

Cited literature [188 references]  Display  Hide  Download

https://hal.univ-lorraine.fr/tel-01750817
Contributor : Thèses Ul <>
Submitted on : Thursday, March 29, 2018 - 12:55:41 PM
Last modification on : Tuesday, April 10, 2018 - 1:27:07 AM

File

DDOC_T_2014_0099_TA.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : tel-01750817, version 1

Collections

Citation

Minh Thuy Ta. Non convex optimization techniques based on DC programming and DCA and evolution methods for clustering. Other [cs.OH]. Université de Lorraine, 2014. English. ⟨NNT : 2014LORR0099⟩. ⟨tel-01750817⟩

Share

Metrics

Record views

176

Files downloads

104