Comparaison de méthodes de classification application à l'identification d'objets ferromagnétiques sous-marins
Comparison of Classification Methods An Application in Underwater Ferromagnetic Object Identification
OPEN ACCESS
The time-frequency analysis of magnetic signals, generated by ferromagnetic objects, is used to extract a robust discriminant parameter set for their classification . After the feature selection phase, an extensive study is performed in order to validate the most appropriate classifier structure, in terms of the correct classification rate and the generalization ability. The K-NN Family and the neural networks based classifiers are the candidates we are working with. The Fuzzy-logic contribution and the neural networks capabilities are highlighted by means of a large number of test vectors and for a significative S/N ratio range.
Résumé
L'analyse temps-fréquence des signaux magnétiques, générés par des objets ferromagnétiques sous-marins, est utilisée afin de trouver un ensemble de paramètres discriminants pour leur classification . Après l'étape de sélection de caractéristiques, une étude étendue est menée pour comparer différentes structures de classifieurs, en fonction du taux moyen de bonne classification et de la capacité de généralisation. Les vertus de la logique floue, intégrée dans les classifieurs de la famille des K plus proches voisins (K-NN), et des classifieurs à base de réseaux de neurones sont mises en évidence au moyen d'un grand nombre de vecteurs de test et à une plage significative de variation pour le rapport S/B.
Magnetic Underwater Signais, Time-Frequency Analysis, Fuzzy-Logic, Neural Networks, Classification
Mots clés
Signaux magnétiques sous-marins, analyse temps- fréquence, logique floue, réseaux de neurones, classification
[1] A. Quinquis : Classification des signaux magnétiques TBF sous contrainte de decision. Thèse de doctorat d'Université de Bretagne Occidentale, 1989.
[2] R . Blanpain : Réseaux de magnétomètres. Traitement du signal et de l'information. ENSIEG/SEE, Grenoble, 1994.
[3] A. Quinquis, S . Rossignol : Noise Reduction, with a Noise Reference, of Underwater Magnetic Signals . Digital Signal Processing, p. 240-248, Vol . 6 , Nr. 4, 1996.
[4] L. Marple : Digital Spectral Analysis with Applications . Prentice-Hall, 1987.
[5] R.R . Coifman, M .V. Wickerhauser : Entropy Based Algorithms for Best Basis Selection. IEEE Trans . Inform. Theory IT, vol. 38, p . 713-718, 1992.
[6] G. Saporta : Probabilites, analyse des donnees et statistique . Technip, Paris ,1990.
[7] V. Neagoe : Pattern Recognition Theory. Roumanian Academy Edition House , Bucarest, 1994.
[8] E . Backer : Computer-Assisted Reasoning in Cluster Analysis . Prentice Hall , 1995 .
[9] J .-P. Cocquerez et al . : Analyse d'images : filtrage et segmentation. Masson , 1995 .
[10] S . Banks : Signal Processing, Image Processing and Pattern Recognition. Prentice Hall, 1990.
[11] B . Kosko : Neural Networks for Signal Processing . Prentice Hall, 1990 .
[12] D . Nguyen, B . Widrow : Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights . International Joint Conference of Neural Networks, vol .3, p . 21-26, 1990.
[13] R . Fletcher : Practical Methods of Optimisation . Wiley, 1987.
[14] J .F. Mari, A . Napoli : Aspects de la classification . Rapport de recherche 2909 . INRIA, 1996.
[15] G. Burel : Réseaux de neurones en traitement d'images . Thèse de doctorat d'Université de Bretagne Occidentale, 1991.
[16] B .W. Dahanayake et al . : Quick Learner : Smart Neural Nets . Proceedings of ICSPAT, Boston, p . 1398-1402, 1995.
[17] S . Chen et al . : Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks . IEEE Trans . on NN, Vol . 2, No . 2, p. 302 - 309, 1991.
[18] T. Kohonen : Self-Organisation and Associative Memory . Springer-Verlag, 1984.