Optimizing time-frequency representations for signal classification using radially Gaussian kernels

Distribution temps-fréquence à paramétrisation radialement Gaussienne optimisée pour la classification

Paul Honeine (1) , Cédric Richard (1)

1 LM2S - Laboratoire Modélisation et Sûreté des Systèmes

Cet article traite de l’optimisation des distributions temps-fréquence pour la résolution de problèmes de classification de signaux. On s’intéresse en particulier à la distribution à fonction de paramétrisation radialement gaussienne, que l’on ajuste par optimisation de l’alignement noyau-cible. Initialement développé pour la sélection de noyau reproduisant en Machine Learning, ce critère présente l’intérêt de ne nécessiter aucun cycle d’apprentissage. On montre que l’on peut obtenir la fonction de paramétrisation radialement gaussienne maximisant celui-ci en détournant une technique classique de réduction de termes interférentiels dans les représentations temps-fréquence. On illustre l’efficacité de cette approche à l’aide d’expérimentations.

Mots clés: analyse temps-fréquence; classification; noyau; radialement Gaussien; critère d’alignement; reconnaissance des formes

Domaines: Apprentissage [cs.LG]; Traitement du signal et de l'image [eess.SP]; Traitement du signal et de l'image [eess.SP]

Paul Honeine, Cédric Richard. Distribution temps-fréquence à paramétrisation radialement Gaussienne optimisée pour la classification. Traitement du Signal, 2008. ⟨hal-01965588⟩