Institut Français des Sciences et Technologies des Transports, de l'Aménagement et des Réseaux

Type de document

COMMUNICATION AVEC ACTES INTERNATIONAL (ACTI)

Langue

francais

Auteur

LAKHDAR ; SBAI ; KOITA

Résumé / Abstract

Les méthodes de classification statistiques non supervisées basées sur l'estimation de la fonction de densité de probabilité ont un vaste champ d'application, mais beaucoup de problèmes conditionnent les performances de ces méthodes à savoir le choix optimal de la largeur de la fenêtre de l'estimateur. Dans cet article, nous nous sommes intéressés à un estimateur à noyau robuste de la fonction de densité de probabilité qui présente une robustesse à toute contamination de l'échantillon d'apprentissage. Cet estimateur à noyau robuste (RKDE) de la fonction de densité de probabilité donne des résultats intéressants dans le sens que l'utilisation de cette estimation est moins sensible aux valeurs extrêmes [1]. En se basant sur les propriétés statistiques des lois de probabilités des variables aléatoires, nous adoptons le principe du maximum d'entropie en vue de la détermination de la valeur optimale du paramètre de lissage utilisé dans l'estimateur. Dans le critère proposé, le paramètre de lissage est dit optimal dans le sens d'avoir un taux d'erreur de classification minimal. Finalement, nous allons illustrer la robustesse de notre démarche d'optimisation de l'estimateur à noyau robuste à l'aide d'un ensemble de trajectoires des véhicules en virage. Estimateur à Noyau, Principe du maximum d'entropie, Classification des trajectoires de véhicules