Use of Evidence Theory for the Fusion and the Estimation of Relevance of Data Sources: Application to an Alcoholic Bioprocess. Théorie des Fonctions de Croyance pour la Fusion et L’Évaluation de la Pertinence des Sources D’Informations: Application À un B

Use of Evidence Theory for the Fusion and the Estimation of Relevance of Data Sources: Application to an Alcoholic Bioprocess

Théorie des Fonctions de Croyance pour la Fusion et L’Évaluation de la Pertinence des Sources D’Informations: Application À un Bioprocédé Fermentaire

Sébastien Régis Andrei Doncescu  Jacky Desachy 

Groupe de Recherche en Informatique et Mathématiques Appliquées des Antilles et de la Guyane, Université des Antilles et de la Guyane 97159 Pointe-à-Pitre Guadeloupe, France

Laboratoire d’Analyse et d’Architecture des Systèmes, 31077 cedex 04 Toulouse, France

Page: 
115-131
|
Received: 
2 May 2006
|
Accepted: 
N/A
|
Published: 
30 April 2007
| Citation

OPEN ACCESS

Abstract: 

In this paper,we present an application of the evidence theory for the classification of physiological states in a bioprocess.We are particularly interested by the relevance of the data sources which are here biochemical parameters measured during the bioprocess.The evidence theory,and more particularly the notion of conflict is used to evaluate the relevance of each data source.An other measure of conflict,based on a distance,is also used,and provides in some cases,better results than the classical notion of conflict of the evidence theory.Results are presented for two kinds of bioprocesses:batch process (which corresponds to a supervised classification) and fed-batch process (which corresponds to an unsupervised classification).

Résumé

Dans cet article,nous présentons une application de la théorie des fonctions de croyance pour la classification d’états physiologiques dans un bioprocédé. Nous nous intéressons surtout à la pertinence des sources d’informations qui sont ici des paramètres biochimiques mesurés durant le procédé. La théorie des fonctions de croyance,et plus particulièrement la notion de conflit est utilisée pour évaluer la pertinence de chaque source d’information. Une autre mesure du conflit,basée sur une distance,est utilisée comme alternative,et fournit dans certains cas,des résultats plus cohérents qu’avec le conflit défini dans la théorie de Demspter et Shafer. Les résultats concernant deux types de bioprocédés (procédé batch correspondant à une classification supervisée,et procédé fed-batch correspondant à une classification non supervisée) sont présentés.

Keywords: 

Evidence theory,classification,relevance,bioprocesses

Mots clés

Théorie des fonctions de croyance,classification,pertinence,bioprocédé

1. Introduction
2. Bioprocédé et Classification
3. Pertinence des Sources d’Informations et Théorie des Fonctions de Croyance
4. Résultats Expérimentaux
5. Conclusion
  References

[1] le Grand Dictionnaire Terminologique. http://www.granddictionnaire.com. Office Québécois de la langue française. 

[2] le Trésor de la Langue Française Informatisé. http://atilf.atilf.fr/tlf.htm. CNRS-ATILF. 

[3] Dictionnaire Alphabétique et Analogique de la Langue Française, 1969. Ed. Le Robert. 

[4] A. APPRIOU. Décision et Reconnaissance des formes en signal. Hermes Sciences, 2002. 

[5] A. AYOUN and P. SMETS. Data association in multi-target detection using the transferable belief model. International Journal of Intelligent Systems, 16:1167-1182, 2001. 

[6] S. BALUJA and D. POMERLEAU. Dynamic relevance: vision-based focus attention using artificial neural networks. Artificial Intelligence, 97:381-395, 1997. 

[7] J.-P. BARTHÉLEMY and E. MULLET. Choice basis: A model for multiattribute preferences. British J. of Math. And Stat. Psychology, 39:106-124, 1986. 

[8] I. BLOCH. Fusion d'informations numériques : panorama méthodologique. In JNRR'05, 2005. 

[9] I. BLOCH and A. HUNTER. Fusion: General concepts and characteristics. International Journal of Intelligent Systems, 16:1107-1134, Eds 2001. 

[10] A. BLUM and P. LANGLEY. Selection of relevant features and examples in machines learning. Artificial Intelligence, 97:245-271, 1997. 

[11] P. BORLUND. The concept of relevance in IR. Journal of the American Society for Information Science and Technology, 54(10):913-025, 2003. 

[12] H. BRACKER. Utilisation de la théorie de Dempster-Shafer pour la classification d'images satellitaires à l'aide de données multi-sources et multi-temporelles. Thèse de Doctorat, Ecole Nationale des Télécommunications de Bretagne, 1996.

[13] X.-W. CHEN. An improved branch and bound algorithm for feature selection. Pattern Recognition Letters, 24:1925-1933, 2003. 

[14] A. CORD, C. AMBROISE, and J.-P. COCQUEREZ. Feature selection in robust clustering based on laplace mixture. Pattern Recognition Letters, 27:627-635, 2006. 

[15] A.P. DEMPSTER. A generalisation of bayesian inference. Journal of the Royal Statistical Society, 30:205-247, 1968. 

[16] T. DENOEUX. A k-nearest neighbor classification rule based on Dempster-Shafer theory. IEEE trans. on systems, man, and cybernetics, 25(5):804-813, Mai 1995. 

[17] J. DESACHY, L. ROUX, and E.-H. ZAHZAH. Numeric and symbolic data fusion: a soft computing approach to remote sensing images analysis. Pattern Recognition Letters, 17:1361-1378, 1996. 

[18] J. DEZERT and F. SMARANDACHE. On the generation of hyperpowersets for the dezert-smarandache thoery. In Fusion 2003, pages 1118-1125, 2003. 

[19] J. DEZERT and F. SMARANDACHE. Advances and Application in Dezert-Smarandache Theory, chapter Combining Uncertain and Paradoxical Evidences in Dezert-Smarandache Thoery. 2004. 

[20] J. DEZERT and F. SMARANDACHE. The generalized pignistic transformation. In Fusion 2004, Stockholm Suède, 2004. 

[21] D. DUBOIS and H. PRADE. On the relevance of non-standard theories of uncertainty in modeling and pooling expert opinions. Reliability Engineering and System Safety, 36(2), 1992. 

[22] D. DUBOIS and H. PRADE. Possibility theory and data fusion in poorly informed environments. Control Engineering Practice, 2(5):811-823, 1994. 

[23] R. FELIX. Relationships between goals in multiple attribute decision making. Fuzzy Sets and Systems, 67:47-52, 1994. 

[24] G. GOMA, J.-L. URIBELARREA,V. GUILLOUET, and C. JOUVE. Tackling complexity in industrial microbiology for bioprocess. In 4rth International Congress on Bioprocess in Food Industries, Clermont-Ferrand, 11-13 Juillet 2004. 

[25] R. GREINER,A.J. GROVE, and A. KOGAN. Knowing what doesn't matter: exploiting the omission of irrelevant data. Artificial Intelligence, 97:345-380, 1997. 

[26] H. GREISDORF. Relevance: an interdisciplinary and information science perspective. Informing Science, 3(2):67-72, 2000. 

[27] R. HAENNI. Are alternatives to Dempster's rule of combination real alternatives? comments on "About belief function combination and conflict management problem"-Lefevre et al. Information Fusion, 3:237-239, 2002. 

[28] M. KUDO and J. SKLANSKY. Comparison of algorithms that select features for pattern classifiers. Pattern Recognition, 33:25-41, 2000. 

[29] L. LARDON. Représentation et gestion des incertitudes pour le diagnostic par la théorie de Dempster-Shafer: application aux procédés biologiques. Thèse de Doctorat, Ecole Nationale Supérieure Agronomique de Montpellier, Montpellier, 2004. 

[30] L. LARDON,A. PUNAL, and J.-P. STEYER. On-line diagnostic and uncertainty management using evidence theory-experimental illustration to anaerobic digestion processes. Journal of Process Control, 14:747-763, 2004. 

[31] M. LAZO-CORTÈS and J. RUIZ-SCHULCLOPER. Determining the feature relevance for non-classically described objects and a new algorithm to compute typical fuzzy testors. Pattern Recognition Letters, 16:1259-1265, 1995. 

[32] E. LEFEVRE, O. COLOT, and P. VANNOORENBERGHE. Belief function combination and conflict management. Information Fusion, 3:149-162, 2002. 

[33] E. LEFEVRE, O. COLOT, and P. VANNOORENBERGHE. Reply to the comments of R. Haenni on the paper "Belief function combination and conflict management". Information Fusion, 4:63-65, 2003. 

[34] L. MASCARILLA. Apprentissage de connaissance pour l'interprétation d'images sattelite. Thèse de Doctorat, Univerisité P. Sabatier, Toulouse, 1996. 

[35] H. MONTGOMERY. Analysing and Aiding Decision Processes, chapter Decision rules and the search for a dominance structure :towards a process model of decision making, pages 343-369. NorthHolland, 1983. 

[36] P. NARENDRA and K. FUKUNAGA. A branch and bound algorithm for feature subset selection. IEEE Transactions on Computers, 26(9):917-922, 1977. 

[37] N. PIERA-CARRETÉ, P. DESROCHES, and J. AGUILARMARTIN. Lamda: an incremental conceptual clustering system. Technical report, LAAS-CNRS, 1988. 

[38] B.W. PORTER, R. BAREISS, and R.C. HOLTE. Concept learning and heuristic classification in weak-theory domains. Artificial Intelligence, 45(1-2):229-263, 1990. 

[39] P. PUDIL, F. FERRI, J. NOVOVICOVA, and J. KITTLER. Floating search methods in feature selection. Pattern Recognition Letters, 15:1119-1125, 1994. 

[40] S. RÉGIS. Segmentation, classification, et fusion d'informations de séries temporelles multi-sources: application à des signaux dans un bioprocédé. Thèse de Doctorat, Université des Antilles et de la Guyane, Novembre 2004. 

[41] S. RÉGIS, A. DONCESCU, J.-P. ASSELIN DE BEAUVILLE, and J. DESACHY. Evaluation de la pertinence de paramètres biochimiques et classification pour la caractérisation des états physiologiques dans un bioprocédé par la théorie de l'évidence. Revue des Nouvelles Technologies de l'Information, C-1, 2004. 

[42] S. RÉGIS, L. FAURE, A. DONCESCU, J.-L. URIBELARREA, L. MANYRI, and J. AGUILAR-MARTIN. Adaptive physiological states classification in fed-batch fermentation process. In IFAC CAB'9, Nancy, France, Mars 2004. 

[43] J.A. ROELS. Energetics and kinetics in biotechnology, chapter Macroscopic theory and microbial growth and product formation, pages 23-73. Elsevier Biomedical Press, 1983. 

[44] L. ROUX. Auto-adaptive information-fusion for satelitte images classification. In Sattelite Remote Sensing 2, Paris, Septembre 1995. 

[45] E. LE SAUX. Extraction et Implémentation de stratégies expertes. Application à des processus Industriels. Thèse de Doctorat, EHESS, 2000. 

[46] J. SCHUBERT. On non specific evidence. International Journal of Intelligent Systems, 8:711-725, 1993.

[47] J. SCHUBERT. Finding a posterior domain probability distribution by specifying nonspecific evidence. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 3:163-185, 1995. 

[48] J. SCHUBERT. Specifying nonspecific evidence. International Journal of Intelligent systems, 11:525-563, 1996. 

[49] G. SHAFER. A Mathematical Theory of Evidence. Princeton University Press, New Jersey, 1976. 

[50] J. SHANTEAU. Competence in experts: The role of tasks characteristics. Organizational behavior and human decision processes, 1992. 

[51] J. SHANTEAU. How much information does an expert use? is it relevant? Acta Psychologica, pages 75-86, 1992. 

[52] J. SIEDLECKI and J. SKLANSKY. A note on genetic algorithm for large-scale feature selection. Pattern Recognition Letters, 10:335347, 1989. 

[53] H. SIMON. Models of Thought. Yale University Press New Haven, 1979. 

[54] P. SMETS. Non standard Logics for Automated Reasoning, chapter Belief Functions, pages 29-39. Academic Press, 1988. 

[55] P. SMETS. The combination of evidence in the transferable belief model. IEEE Trans. on Pattern Analysis and Machine Intelligence, (12):447-458, 1990. 

[56] P. SMETS and R. KENNES. The transferable belief model. Artificial Intelligence, 66:191-234, 1994. 

[57] J.P. STEYER. Sur une approche qualitative des systèmes physiques : aide en temps réel à la conduite des procédés fermentaires. Thèse de Doctorat, Université Paul Sabatier,Toulouse France, Décembre 1991. 

[58] J. WAISSMAN-VILANOVA. Construction d'un modèle comportemental pour la supervision de procédés: application à une station de traitement des eaux. Thèse de Doctorat, LAAS – CNRS, Novembre 2000. 

[59] R. YAGER. On the Dempster-Shafer framework and new combination rules. Information Sciences, 41:93-138, 1987. 

[60] L. ZADEH. A mathematical theory of evidence (book review). AI magazine, 5(3):81-83, 1984. 

[61] L. ZADEH. A note on web intelligence, world knowledge and fuzzy logic. Data and Knowledge Engineering, 50:291-304, 2004.