La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Fusion de données : introduction 1 Fusion de données De lutilisation des mesures de confiance Olivier COLOT « Ce que les hommes veulent en fait, ce nest.

Présentations similaires


Présentation au sujet: "Fusion de données : introduction 1 Fusion de données De lutilisation des mesures de confiance Olivier COLOT « Ce que les hommes veulent en fait, ce nest."— Transcription de la présentation:

1 Fusion de données : introduction 1 Fusion de données De lutilisation des mesures de confiance Olivier COLOT « Ce que les hommes veulent en fait, ce nest pas la connaissance, cest la certitude. » Bertrand Russel

2 2 Fusion de données : introduction 2 Road book Introduction (« Cé koi leu problème? », « A koi sa sair? ») Présentation des problématiques Imprécision et incertitude Fusion dinformations imparfaites: méthodes, techniques, champs dapplication,... Exemples Once upon a time the data fusion…

3 3 Fusion de données : introduction 3 Objectifs Des éléments relatifs à la « fusion » tant sur les aspects « méthodes » que sur les aspects « applications ». Intérêt de la fusion de données dans de nombreux domaines

4 4 Fusion de données : introduction 4 Who is it ? 1) Pamela Anderson? 2) George W. Bush? 3) E.T.? 4) The lord of the rings? Panel dexperts (Plusieurs capteurs) Comment résoudre le problème? Pamela E.T. ? Georg e or E.T. Décision Traitement de linformation Modélisation Agrégation (Fusion) Règle(s) de décision Segmentation, Analyse, RdF Objectif: Prendre une décision Désaccord Sources conflictuelles Petit exemple introductif !

5 5 Fusion de données : introduction 5 Petit exercice introductif! « Petits papiers et bouts de crayon! »

6 6 Fusion de données : introduction 6 E1 Quelle est ma taille en cm : E2 Quelle est ma taille en cm : E3 Quelle est ma taille en cm : A partir des informations données par E1, E2 et E3, quelle est ma taille en cm : Petit exercice introductif!

7 7 Fusion de données : introduction 7 Petit exercice introductif! Informations Source 4 Source 1Source 2 Source 3 Information combinée: Synthèse de la connaissance Combinaison (fusion)

8 8 Fusion de données : introduction 8 Fusion? Vous avez dit « Fusion »? Souvenez-vous! Et ça, ça ne vous rappelle rien? Et bien dautres exemples encore! avec Règle de Bayes Réseau de neurones

9 9 Fusion de données : introduction 9 « When you use information from one source, its plagiarism; When you use information from many, its information fusion.» Belur Dasarathy « La fusion dinformations consiste à combiner des informations issues de plusieurs sources afin daméliorer la prise de décision » Isabelle Bloch Fusion? Vous avez dit « Fusion »?

10 10 Fusion de données : introduction 10 « We are drowning in information but starved for knowledge. This level of information is clearly impossible to be handled by present means. Uncontrolled and unorganized information is no longer a resource in an information society, instead it becomes the enemy. » John Naisbitt, in Megatrends, 1982 Pourquoi la fusion? XXI ème siècle: Le siècle de linformation

11 11 Fusion de données : introduction 11 On dispose d'informations: de plus en plus riches et complexes, de nature et de fiabilité différentes. Systèmes d'information, de communication ou de commande Aider ou coopérer avec les opérationnels du domaine applicatif (les utilisateurs) dans le but de décider. Système interactif avec l'utilisateur Pilotage de certaines parties du systèmes modification des confiances sur l'exhaustivité d'un ensemble d'hypothèses envisagées ou en définissant en temps réel un équilibre entre différents critères de décision. Système doit pouvoir fournir des informations complémentaires sur les conflits entre sources dinformations par exemple Pourquoi la fusion? XXI ème siècle: Le siècle de linformation

12 12 Fusion de données : introduction 12 Accroissement du nombre de sources d'information – développement de nouveaux capteurs (ex : imagerie médicale) IRM+angiographie; Scanner+echographie – développements de nouveaux algorithmes – augmentation de la puissance de calcul Besoin en information de haut niveau Intégration de l'opérateur humain dans la boucle Intérêt de la fusion

13 13 Fusion de données : introduction 13 Combinaison de données issues de différentes sources, en vue de répondre à une certaine question (valeur dun paramètre). Problématique récente : e.g. multiplication des capteurs, systèmes décentralisés,… Domaines dapplications : Fusion multi-capteurs (application militaire, télédétection, etc.) Systèmes dinterrogation de bases de données multiples Combinaison davis dexperts Difficulté du problème : données incomplètes, incertaines, hétérogènes, issues de sources de fiabilité inconnue, éventuellement dépendantes. Cadres théoriques : probabilités, possibilités, croyances. Pourquoi la fusion?

14 14 Fusion de données : introduction 14 Système autonome Interaction système-opérateur

15 15 Fusion de données : introduction 15 Système télé-opéré Interaction système-opérateur

16 16 Fusion de données : introduction 16 Système opéré Interaction système-opérateur

17 17 Fusion de données : introduction 17 Modélisation de la connaissance sur un système réel mais dont on ne connaît qu'une image partielle et/ou déformée. Fusion dirigée par les buts – reconstruction la plus complète et précise – décision la plus fiable quen se fondant sur une seule source dinformation Cadre de la fusion

18 18 Fusion de données : introduction 18 Techniques de fusion de données permettent: 1- de mettre à profit un nombre maximum de données, en tenant compte de la diversité de leurs imperfections 2- en tentant de pallier les faiblesses de certaines avec les point forts des autres 3- dans le but de fournir une information élaborée, dédiée et pertinente vis-à-vis du contexte. Le processus global 1- Situation réelle est observée par un ensemble de capteurs de plus ou moins haut niveau fournissant plusieurs vues déformées de la situation (ex.: convolution par une lentille optique). 2- Informations sont alors collectées et exploitées conjointement par un traitement de fusion permettant destimer la situation réelle. Principes de base de la fusion

19 19 Fusion de données : introduction 19 Systèmes de fusion de données 1- s'appuient principalement sur des étapes de modélisation 2- de recalage 3- et de combinaison (ou fusion, ou agrégation) d'informations 4- puis de décision De linformation à la décision

20 20 Fusion de données : introduction 20 Information et représentation mathématique permet de l'exploiter constitue l'étape de modélisation de l'information réflexion sur le sens de chacune des informations manipulées modélisation doit être adaptée de façon fidèle au sens de l'information réellement disponible fidélité de modélisation conduit à des problèmes d'hétérogénéité ou d'hybridité (plus l'ensemble des informations dont on veut tenir compte est large, plus on rencontre les problèmes de représentation des données et plus ils deviennent cruciaux) De linformation à la décision

21 21 Fusion de données : introduction 21 Points essentiels: Mécanismes de modélisation et éventuellement recalage Mécanisme de fusion (éventuellement données hétérogènes) Prise en compte de la notion de fidélité entre le sens de l'information réellement disponible et le sens de la représentation mathématique (pertinence, confiance, fiabilité) Règles de décision sappuyant sur les résultats de la fusion En résumé Remarque: Prise en compte de la fiabilité des sources dinformation lors de la modélisation par exemple, si cela est possible

22 22 Fusion de données : introduction 22 Où? Quand? Comment?

23 23 Fusion de données : introduction 23 Applications militaires : – détection, identification et suivi de cibles – surveillance des champs de bataille – détection de mines enfouies ou sous-marines Applications aéronautiques et spatiales : – imagerie satellitaire – commande d'engins spatiaux (fusées et robots) Domaines dapplication Applications médicales : – observation du corps et des pathologies – aide au geste et au diagnostic médical Robotique et véhicules intelligents – robots d'assistance humaine (fauteuils roulants, véhicule automobile, machines agricoles,…) – robots autonomes en environnement difficile (robots sous-marins, robots d'intervention, micro-robots,…) Assistance à l'opérateur humain : – aide au diagnostic – salle de contrôle (aiguilleurs du ciel)

24 24 Fusion de données : introduction 24 capteurs physiques : – type images : caméra, télémètre, radar, images IRM, images ultrason – type signaux : température, vitesse, accélération, temps de vol… capteurs logiques (analogiques ou numériques): – modules de traitement de signaux – modules de traitement d'images connaissances a priori : – objets et leurs caractéristiques – scène observée (cartes, atlas...) – règles d'évolution... Pour se comprendre… Sources d'information

25 25 Fusion de données : introduction 25 Type des données Mesures de type numérique : – distance – niveau de gris – durée d'un signal … Décision de type symbolique : – situation dangereuse – existence d'une lésion – cible offensive... « Matière brute » et « produits manipulés »

26 26 Fusion de données : introduction 26 Données numériques : – Valeur absolue (longueur, température) – Valeur relative (%) Les plus fréquentes Données ordinales : – Ranger des élèves du plus petit au plus grand – Echelle de salaires (petit, moyen, élevé) on peut définir un ordre A

27 27 Fusion de données : introduction 27 Informations numériques informations données sous forme de nombre espace de définition ordonné exemple : la largeur du véhicule est de 1,5m X « Matière brute » et « produits manipulés »

28 28 Fusion de données : introduction 28 Informations symboliques informations données sous forme de symboles, de propositions, de règles espace de définition non ordonné H1H1 H2H2 H4H4 H3H3 H 1 : lobjet est une voiture H 2 : lobjet est un camion H 3 : lobjet est une moto H 4 : lobjet est un piéton « Matière brute » et « produits manipulés »

29 29 Fusion de données : introduction 29 Hypothèses et propositions Hypothèses H i Eléments de l'ensemble de définition …, H n } hypothèses singletons (exclusives, exhaustives) Propositions A i Eléments de l'ensemble 2 des parties de 2 …, } « Matière brute » et « produits manipulés »

30 30 Fusion de données : introduction 30 Rapprochement avec la théorie des ensembles OU logique : union ET logique : intersection Proposition : union d'hypothèses OU entre les hypothèses i j i j hypothèse composite noté i j ou ij Vision ensembliste

31 31 Fusion de données : introduction 31 Utilisation d'un modèle de conversion Conversion numérique-symbolique

32 32 Fusion de données : introduction 32 Imperfections des données Les capteurs et les algorithmes «parfaits» nexistent pas. – imprécision – incertitude – retard – manque de données Nécessité dune modélisation des erreurs Caractéristiques des données manipulées

33 33 Fusion de données : introduction 33 Exemple de limagerie Image: entachée de bruit conditions dacquisition, chaîne de mesure, quantification Conséquences: sur les couleurs par exemple sur lhomogénéité des régions, des textures sur les contours … donc…. imprécisions et incertitudes Conséquences sur les traitements et résultats: risques derreur interprétation(s) faussée(s) Caractéristiques des données manipulées

34 34 Fusion de données : introduction 34 Le monde nest pas parfait….les informations non plus! «Je mesure environ 1m80!» «Il pleuvra peut-être demain!» «Il pleuvra peut-être beaucoup demain!» Imprécision Incertitude Les 2 pour corser le tout! Répétition des mesures valeurs différentes (Incertitude)Causes Variations des conditions de mesure (variables dinfluence) Imperfection des capteurs (bruit électronique,…) Une valeur unique ne représente pas la réalité La fusion doit permettre de tenir compte des imprécisions et des incertitudes Subjectivité? Caractéristiques des données manipulées

35 35 Fusion de données : introduction 35 Différentes formes dimperfection : Imprécision : traduit le manque dexactitude de la connaissance (en terme quantitatif) Incertitude : traduit le degré de conformité de linformation à la réalité Incomplétude : absence dinformation apportée par une source sur certains aspects du problème Ambiguïté : information fournie peut conduire à 2 interprétations différentes Conflit : plusieurs informations conduisent à des interprétations contradictoires Caractéristiques des données manipulées

36 36 Fusion de données : introduction 36 On peut diminuer lincertitude dune proposition en augmentant son imprécision. – Exemple : « Le prof mesure probablement plus de 1.70 m » « Le prof mesure très certainement plus de 1.50 m » Autre forme dimperfection de linformation : ambiguïté, flou – Exemple : « Le prof est grand » – Nécessite une extension de la théorie des ensembles Théorie des sous-ensembles flous. Imprécision, incertitude

37 37 Fusion de données : introduction 37 Imprécision Estimation de la différence entre la mesure d provenant du capteur et la valeur réelle inconnue X à mesurer. Xd Caractéristiques des données manipulées Exemples : «Je mesure environ 180cm!» « La taille du prof est 180cm plus ou moins 2cm » Cela signifie : « La réelle valeur X de la taille du prof est dans lintervalle [178cm ; 182cm] »

38 38 Fusion de données : introduction 38 Incertitude Doute sur la réalité des différentes hypothèses H i de l'ensemble (confiance) Exemples : «Il pleuvra peut-être demain!» La probabilité que lindividu observé soit G.W.B. est de 90%. Caractéristiques des données manipulées

39 39 Fusion de données : introduction 39 Modélisation de la méconnaissance (ignorance) Représentation du fait que l'on ne sait pas – modélisation implicite (probabilités) – modélisation explicite (masse de croyance sur le référentiel) Exemple : – jeu de pile ou face : P(pile) = 50%, P(face) = 50% Joueriez vous votre vie sur un toss? Méconnaissance, ignorance

40 40 Fusion de données : introduction 40 Conflit des sources dinformation Conflit Des sources dinformation peuvent être en désaccord et générer ainsi un conflit dans le processus de fusion. Question: Peut-on gérer ce conflit? Si oui, comment? désaccord Certaines théories permettent la gestion du conflit Pamela E.T. ? Georg e or E.T.

41 41 Fusion de données : introduction 41 Principe Estimation d'une donnée par la combinaison de plusieurs données Estimation des erreurs associées (précision, certitude) Fusion

42 42 Fusion de données : introduction 42 Sources d'information Sources redondantes : même espace de définition (espace de discernement) ex : estimation distance d par capteur à ultrasons et télémètre laser; Sources complémentaires : espaces de définition différents ex : détection d'une lésion par sa forme et sa position Fusion

43 43 Fusion de données : introduction 43 Sources concordantes les informations données par les deux sources sont compatibles ex : source 1 : la mesure d [12,15] source 2 : la mesure d [10,13] la qualité des informations est améliorée Fusion 12m15m 10m 13m S2S2 S1S1 S 1S 2 Fusion : Vérité dans S 1S 2

44 44 Fusion de données : introduction 44 Sources discordantes les informations données par les deux sources sont incompatibles ex : source 1 : la mesure d [12,15] source 2 : la mesure d [9,11] discordance (conflit) si les données sont fusionnées, la qualité du résultat est dégradée Fusion 12m 15m 9m11m S2S2 S1S1 S 1S 2 = Ø Fusion : 9m15m Vérité dans S 1 S 2

45 45 Fusion de données : introduction 45 Conflit Causes du conflit : – capteurs physiques : fonctionnement dégradé (dysfonctionnement dun capteur) – capteurs logiques : mauvaise configuration – choix des hypothèses (mise en correspondance...) Modélisation du conflit utilisation d'une mesure Fusion

46 46 Fusion de données : introduction 46 Décision Choix d'une hypothèse ou d'une valeur numérique Prise de risque Exemple en détection : – faux positifs – faux négatifs Définition d'un critère de choix – compromis "précision - certitude" – maximisation d'une mesure Décision avec ou sans rejet Fusion

47 47 Fusion de données : introduction 47 Architecture de fusion Niveau de fusion : – niveau signal / pixel – niveau attribut – niveau objet – niveau décision Mécanismes : – conversion numérique/symbolique – mise en correspondance – combinaison – décision Fusion

48 48 Fusion de données : introduction 48 « Mouaaais... mais en pratique??? » = =

49 49 Fusion de données : introduction 49 Exemples de problème de fusion

50 50 Fusion de données : introduction 50 « Jai la mémoire qui flanche, jme souviens plus très bien… » Reconnaissance d'un objet : RDF capteur 1 : rouge ou bleu capteur 2 : rouge ou bleu capteur 3 : rond ou carré } Même espace de discernement Cadres de discernement différents

51 51 Fusion de données : introduction 51 « Alea jacta est ! » Librement inspiré de M. Rombaut (LIS – UJF, Grenoble) Face du dé

52 52 Fusion de données : introduction 52 FusionSignature SAR IR Reconnaissance « ô mon bateau, ô ô ô ô! » CRM, Canada

53 53 Fusion de données : introduction 53 Image fusionnée de la même cible constituée de la combinaison de 87 images séquentielles, chacune d'elles étant semblable à l'image du haut. La résolution, à la fois spatiale et thermique, a été grandement améliorée; on peut voir clairement les points chauds et on commence à pouvoir identifier le navire. Reco. = ???!!! Reco. = possible Image thermique simple dun ? obtenue à laide dun système imageur infrarouge aérien à plusieurs éléments. Chaque carré représente le rayonnement reçu par un élément détecteur. Objet Volant, Naviguant ou Immobile (OVNI)? CRDV Canada

54 54 Fusion de données : introduction 54 Plan 1958 Image optique 1992 Image radar1992Fusion probabiliste (Bayes + MAP) Fusion évidentielleVérité terrain 1992 Big Brother is watching you! ONERA

55 55 Fusion de données : introduction 55 Segmentation de coupes IRM et reconstruction 3D T2 T1 T1Gado Contexte de létude Imagerie médicale Aide au diagnostic Suivi de patients atteints de cancers IRM

56 56 Fusion de données : introduction 56 T1Gado T2 IRM Conflit Segmentation par différents modèles

57 57 Fusion de données : introduction 57 IRM

58 58 Fusion de données : introduction 58 EEG étiquetage subjectif par 5 experts 0= onde delta 1 = complexe K Détection de complexes K Daprès T. Denœux (Heudiasyc – UTC) Qui a raison?

59 59 Fusion de données : introduction 59 I II III I : source mineure II : source active III : source critique Surveillance acoustique dappareils à pression Daprès T. Denœux (Heudiasyc – UTC)

60 60 Fusion de données : introduction 60 Comparaison des 2 experts étiquetage incertain et imprécis Gestion de limprécis et de lincertain Daprès T. Denœux (Heudiasyc – UTC)

61 61 Fusion de données : introduction 61 Détection dobstacles (INRETS - LIVIC)

62 62 Fusion de données : introduction 62 Détection dobstacles (INRETS - LIVIC)

63 63 Fusion de données : introduction 63 Détection dobstacles (INRETS - LIVIC)

64 64 Fusion de données : introduction 64 Accrochez-vous…on va décoller!!!

65 65 Fusion de données : introduction 65 Gestion de limprécis et de lincertain: Les théories en compétition

66 66 Fusion de données : introduction 66 Incertitude, imprécision Ensemble : ensemble (continu ou discret) dhypothèses, de possibilités, de réponses possibles à une certaine question. y=réponse correcte. La valeur de y peut être – connue (y= ) – inconnue (y ) – partiellement connue (cas le plus fréquent) Problème : comment modéliser des connaissances partielles, et les utiliser dans des raisonnements ? Gestion de limprécis et de lincertain

67 67 Fusion de données : introduction 67 Incertitude, imprécision Modèle général : élément dinformation = (A, confiance) A=ensemble de valeurs possibles pour y confiance : confiance dans le fait que y A. Deux formes principales dimperfection de linformation : – imprécision : card(A)>1 – incertitude : confiance non absolue (doute) dans la véracité de linformation Exemples : – « Pierre mesure entre 1.70 m et 1.90 m » – « Pierre mesure probablement 1.80 m » – « Pierre mesure probablement entre 1.70 m et 1.90 m » Gestion de limprécis et de lincertain

68 68 Fusion de données : introduction 68 Incertitude, imprécision On peut diminuer lincertitude dune proposition en augmentant son imprécision. – Exemple : « Le prof mesure probablement plus de 1.70 m » « Le prof mesure très certainement plus de 1.50 m » Autre forme dimperfection de linformation : ambiguïté, flou – Exemple : « Le prof est grand » – Nécessite une extension de la théorie des ensembles théorie des ensembles flous. Gestion de limprécis et de lincertain

69 69 Fusion de données : introduction 69 Incertitude et imprécision en RdF Rappel : objets ou système décrits par 2 variables : – x X (=R d ) (vecteur forme) – y (classe) Problèmes : ayant observé x, – donner une prédiction ponctuelle de y (« affectation à une classe »), mais aussi – décrire lincertitude sur y (important quand intégration dans un processus de décision plus complexe). Gestion de limprécis et de lincertain

70 70 Fusion de données : introduction 70 Apprentissage Supervisé classifieur ensemble dapprentissage n exemples (x i,y i ) entrée connue prédiction ponctuelle ou probabiliste (mesure de probabilité P sur ) Gestion de limprécis et de lincertain

71 71 Fusion de données : introduction 71 Généralisation classifieur 1 ensemble dapprentissage = données imprécises ou incertaines e i = connaissance partielle sur (x i,y i ) entrée x partiellement connue Fusion … description de la connaissance partielle sur y compte tenu de toutes les sources dinformation et de leur incertitude classifieur q Gestion de limprécis et de lincertain

72 72 Fusion de données : introduction 72 Bases de données hétérogènes Ex : base de données médicales Jusquà une date t 0 : ={, 2 } A partir de t 0 : on identifie 2 variantes de la maladie 2 { 1, 22 } Nouvel ensemble ={, 21, 22 } Parmi les cas étiquetés avant t 0, certains seront étiquetés de manière imprécise. étiquetage imprécis Gestion de limprécis et de lincertain

73 73 Fusion de données : introduction 73 Méthodes probabilistes ou non probabilistes RdF, diagnostic Commande floue Règle(s) de décision Lois de commande Extraire les caractéristiques Apprendre Comprendre Construire Acquérir Représentation Environnement Contexte Informations a priori Multi-capteurs Multi-sources Multi-modalité Expert(s) Fiabilité Confiance Hétérogénéité Imprécises Incertaines Incomplètes Hétérogènes Modèle(s)? Multi-modèles? Stratégies Décider Agir Interpréter Numériques / Symboliques Monde observé De linformation à la décision Système de perception

74 74 Fusion de données : introduction 74 De linformation à la décision 1. Modélisation des connaissances 2. Combinaison des connaissances 3. Décision Les étapes fondamentales Définition dune architecture ad hoc

75 75 Fusion de données : introduction 75 Fusionner des données nécessite qu'elles soient définies dans le même cadre de discernement Modélisation des connaissances – d mesure numérique – espace des hypothèses = {petit, moyen, grand} – C d confiance Mécanismes de fusion Mesure de confiance

76 76 Fusion de données : introduction 76 Modélisation des connaissances pour deux sources – d 1 et d 2 mesures numériques – même espace des hypothèses – C d1 et C d2 confiances Mécanismes de fusion d1d1 d2d2

77 77 Fusion de données : introduction 77 Gains attendus de la modélisation des incertitudes Flexibilité : prise en compte de la totalité des informations disponibles, même hétérogènes, de précision et de fiabilité variables Robustesse : tolérance à limprécision et lincertitude des entrées du système de décision. Fusion de décisions, système interactif daide à la décision : linfluence de la sortie dun système sur la décision doit dépendre de lincertitude associée Il faut un cadre mathématique permettant de modéliser toutes les formes dincertitude Mécanismes de fusion

78 78 Fusion de données : introduction 78 Modélisation des connaissances Combinaison des connaissances Décision Mécanismes de fusion Confiance après combinaison

79 79 Fusion de données : introduction 79 Modélisation des connaissances Combinaison des connaissances Décision Mécanismes de fusion Exemple : MAP en probabilités

80 80 Fusion de données : introduction 80 3 formalismes : – probabilités (vision fréquentiste et subjective) – possibilités (sous-ensembles flous) – évidence (croyance, Dempster-Shafer) Formalismes disponibles Didier DUBOISHenri PRADE Lofti ZADEH Glenn SHAFERPhilippe SMETSThierry DENŒUX Thomas BAYES

81 81 Fusion de données : introduction 81 Théorie des probabilités (Bayes, Kolmogorov, Cox, Jeffreys) Inconvénient: introduction de lois a priori Fusion: Règle de Bayes r Théorie des sous-ensembles flous et des possibilités (Zadeh, Bezdek, Dubois & Prade) Degrés dappartenance Mesures de possibilité et de nécessité Fusion: plusieurs opérateurs r Théorie de lévidence (Shafer, Smets, Kholas) Masses de croyance, crédibilité, plausibilité, probabilité pignistique Fusion: Opérateurs de Dempster, Yager, Dubois & Prade, Smets, Lefevre et al. Formalismes disponibles

82 82 Fusion de données : introduction 82 Théorie des probabilités Théorie des probabilités Approche fréquentiste une probabilité = la limite d'une fréquence d'occurrence d'événements Approche subjective (ou confiance) une probabilité reflète simplement un état de connaissance et le lien avec une fréquence réelle d'occurrence n'existe que dans certains cas. Théories non probabilistes Théories non probabilistes théorie des possibilités (cadre de la logique floue) théorie de l'évidence proposée par Shafer (1976). Deux écoles de pensée : 1- les probabilistes: les résultats et mécanismes auxquels conduisent ces approches toujours atteints par une méthode strictement probabiliste (à condition qu'elle soit suffisamment adaptée) 2- les adeptes de la théorie de l'évidence ou des possibilités volonté de chercher une modélisation plus fidèle sémantiquement vis-à-vis de l'information disponible. Formalismes disponibles

83 83 Fusion de données : introduction 83 1) Réfléchir avant dagir (bien analyser le problème posé)! 2) Ne pas sortir la grosse artillerie si cela nest pas nécessaire ! 3) Savoir pourquoi on choisit une méthode ou une technique plutôt quune autre! 4) Réfléchir pour savoir si la méthode ou la technique est un tant soit peu raisonnable [cf. règles 1), 2) et 3) ] dans le cadre de son application! 5) Ne jamais ignorer les informations (quand elles existent) qui peuvent permettre de faciliter la résolution du problème! Les règles du bon « fusionneur » Conseils

84 84 Fusion de données : introduction 84 « When the only tool you have is a hammer, everything looks like a nail. » Lotfi ZADEH (cf. aussi Abraham MASLOW) Le « principe du marteau » et autres petits adages "The proof of the pudding is in the eating.» Célèbre proverbe cité par Philippe SMETS On peut faire des tas de choses avec la fusion dinformations imparfaites à condition de savoir ce que lon cherche à faire! …et postscriptum!

85 85 Fusion de données : introduction 85 This is the end of this part! This is the end of this part!


Télécharger ppt "Fusion de données : introduction 1 Fusion de données De lutilisation des mesures de confiance Olivier COLOT « Ce que les hommes veulent en fait, ce nest."

Présentations similaires


Annonces Google