Generalized k-means based clustering for temporal data under time warp

Résumé : L'alignement de multiples séries temporelles est un problème important non résolu dans de nombreuses disciplines scientifiques. Les principaux défis pour l'alignement temporel de multiples séries comprennent la détermination et la modélisation des caractéristiques communes et différentielles de classes de séries. Cette thèse est motivée par des travaux récents portant sur l'extension de la DTW pour l'alignement de séries multiples issues d'applications diverses incluant la reconnaissance vocale, l'analyse de données micro-array, la segmentation ou l'analyse de mouvements humain. Ces travaux fondés sur l'extension de la DTW souffrent cependant de plusieurs limites : 1) Ils se limitent au problème de l'alignement par pair de séries 2) Ils impliquent uniformément les descripteurs des séries 3) Les alignements opérés sont globaux. L'objectif de cette thèse est d'explorer de nouvelles approches d'alignement temporel pour la classification non supervisée de séries. Ce travail comprend d'abord le problème de l'extraction de prototypes, puis de l'alignement de séries multiples multidimensionnelles...
Type de document :
Thèse
Artificial Intelligence [cs.AI]. Universite Grenoble Alpes, 2016. English
Liste complète des métadonnées

Littérature citée [97 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/tel-01394280
Contributeur : Saeid Soheily-Khah <>
Soumis le : lundi 13 novembre 2017 - 11:46:21
Dernière modification le : jeudi 16 novembre 2017 - 01:09:57

Identifiants

  • HAL Id : tel-01394280, version 2

Citation

Saeid Soheily-Khah. Generalized k-means based clustering for temporal data under time warp. Artificial Intelligence [cs.AI]. Universite Grenoble Alpes, 2016. English. 〈tel-01394280v2〉

Partager

Métriques

Consultations de la notice

78

Téléchargements de fichiers

69