Time warp invariant sparse coding and dictionary learning for time series classification and clustering

Résumé : L'apprentissage de dictionnaires à partir de données temporelles est un problème fondamental pour l’extraction de caractéristiques temporelles latentes, la révélation de primitives saillantes et la représentation de données temporelles complexes. Cette thèse porte sur l’apprentissage de dictionnaires pour la représentation parcimonieuse de séries temporelles. On s’intéresse à l’apprentissage de représentations pour la reconstruction, la classification et le clustering de séries temporelles sous des transformations de distortions temporelles. Nous proposons de nouveaux modèles invariants aux distortions temporelles.La première partie du travail porte sur l’apprentissage de dictionnaire pour des tâches de reconstruction et de classification de séries temporelles. Nous avons proposé un modèle TWI-OMP (Time-Warp Invariant Orthogonal Matching Pursuit) invariant aux distorsions temporelles, basé sur un opérateur de maximisation du cosinus entre des séries temporelles. Nous avons ensuite introduit le concept d’atomes jumelés (sibling atomes) et avons proposé une approche d’apprentissage de dictionnaires TWI-kSVD étendant la méthode kSVD à des séries temporelles.Dans la seconde partie du travail, nous nous sommes intéressés à l’apprentissage de dictionnaires pour le clustering de séries temporelles. Nous avons proposé une formalisation du problème et une solution TWI-DLCLUST par descente de gradient.Les modèles proposés sont évalués au travers plusieurs jeux de données publiques et réelles puis comparés aux approches majeures de l’état de l’art. Les expériences conduites et les résultats obtenus montrent l’intérêt des modèles d’apprentissage de représentations proposés pour la classification et le clustering de séries temporelles.
Type de document :
Thèse
Machine Learning [cs.LG]. Université Grenoble Alpes, 2018. English. 〈NNT : 2018GREAM062〉
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-02069011
Contributeur : Abes Star <>
Soumis le : vendredi 15 mars 2019 - 14:05:09
Dernière modification le : dimanche 17 mars 2019 - 01:03:12

Fichier

VARASTEH_YAZDI_2018_diffusion....
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-02069011, version 1

Collections

STAR | LIG | UGA

Citation

Saeed Varasteh Yazdi. Time warp invariant sparse coding and dictionary learning for time series classification and clustering. Machine Learning [cs.LG]. Université Grenoble Alpes, 2018. English. 〈NNT : 2018GREAM062〉. 〈tel-02069011〉

Partager

Métriques

Consultations de la notice

34

Téléchargements de fichiers

15