méthode d’apprentissage appliquée à la détection de sources de bruits environnementaux
DESCRIPTION
Entreprise d’accueil :. Université Montpellier II Sciences et techniques du Languedoc. IKHLEF HAFID. Février / Juillet 2005. Méthode d’apprentissage appliquée à la détection de sources de bruits environnementaux. Responsable Enseignant : Mr Claude Bohatier - PowerPoint PPT PresentationTRANSCRIPT
Méthode d’apprentissage appliquée à la détection de sources de bruits
environnementaux
DESS Recherche & Développement de produits industrielsAnnée Universitaire 2004-2005
Entreprise d’accueil :
IKHLEF HAFID
Université Montpellier IISciences et techniques du Languedoc
Responsable Enseignant : Mr Claude BohatierResponsable Entreprise : Mr Paul Honeïne
Février / Juillet 2005
Sommaire
• Introduction Présentation de l ’entreprise SONALYSE Présentation du sujet
• Apprentissage statistique « théorie » Apprentissage statistique SVM « Support Vector Machine »
• Logiciel
• Application et résultats Application à la détection de bruits environnementaux
Résultats et discussion.
• Conclusion et perspectives
Démonstration
Stage DESS RDPI 1 Sonalyse
. Introduction
Apprentissage
Application Résultats
Présentation de l’entreprise : SONALYSE s.a.s
Année de création : 2002
Président : Bernard Durr
Secteur d’activité : Contrôle qualité
L’analyse vibratoire de pièces mécaniques permet de détecter
des défauts indécelables par d’autres méthodes
Excitation
Mesure
Solutions pour le Contrôle Qualité VibroacoustiqueSolutions pour le Contrôle Qualité Vibroacoustique
Accéléromètre / Micro
Enregistrement (.wav)
An
alys
e
Pièce mécanique
Stage DESS RDPI 2 Sonalyse
Exemple : Moteur Crouzet
www.sonalyse.fr/
. Introduction
Apprentissage
Application Résultats
Présentation du sujet
Objectifs :
Maîtriser la méthode de classification SVM.
Développer un logiciel de classification en C#.
Utiliser ce logiciel pour une classification de bruits environnementaux.
Stage DESS RDPI 3 Sonalyse
But de l’application :
Directive Européenne du 25 juin 2002 évaluation et gestion du bruit dans l’environnement.
Dans un premier temps détecter automatiquement un bruit de mobylette et de klaxons.
Généraliser avec des bases d’apprentissage complètes.
. Introduction
Apprentissage
Application Résultats
Présentation du sujet
Base de données pour l’apprentissage : Enregistrements de bruits d’avions, klaxons et mobylettes fournis par un partenaire de SONALYSE.
Extraction des descripteurs SPECTRADYS :
C’est une succession d’opérations appliquées directement sur le signal enregistré pour isoler un ou plusieurs phénomènes
particuliers.
Stage DESS RDPI 4 Sonalyse
Outils de développement:
Outils pour l’application:
Langage de programmation C# .NET : Interface utilisateur et programme de calcul.
. Introduction
Apprentissage
Application Résultats
Apprentissage statistique
Base d’apprentissage
Stage DESS RDPI 5 Sonalyse
= n observations.
observations
= Données + étiquettes.
Val 1,val2…
Val 1,val2….
Val 1,val2….
A
A
B
Fonction Décision
. Introduction
Apprentissage
Application Résultats
SVM « Support Vector Machine »
Ensemble d’apprentissage = signaux de plusieurs classes
Méthode SVM -> Fonction séparatrice optimale (Maximiser les marges).
La séparatrice est un hyperplan d’équation w.x+b=0
Le vecteur qui s’appuie sur la marge = définit la séparatrice = Support Vector.
Stage DESS RDPI 6 Sonalyse
Sgn (w . x +b) = Classe
. Introduction
Apprentissage
Application Résultats
SVM « Support Vector Machine »
Dans le cas non séparable (Linéairement) on utilise la projection des données sur
Plusieurs dimensions grâce au fonctions noyaux.
Si le problème d’optimisation est impossible à résoudre avec le noyau sélectionné, on normalise les données pour obtenir une matrice conforme.
Pour classifier des données qui divergent on peut assouplir les conditions de classification à l’aide d’un terme de tolérance.
Il est possible de détecter des données n’appartenant pas à la classe d’apprentissage; en faisant un apprentissage avec la méthode « Novelty detection »
Pour un problème comportant un très grand nombre de données on utilise une méthode de décomposition pour résoudre le problème d’optimisation.
Stage DESS RDPI 7 Sonalyse
. Introduction
Apprentissage
Application Résultats
SVM Designer
Démonstration du logiciel
Stage DESS RDPI 8 Sonalyse
Spectradys
SVM
. Introduction
Apprentissage
Application Résultats
détection de sources de bruits environnementaux
Stage DESS RDPI 9 Sonalyse
Enregistrement de bruits de mobylettes, avions et klaxons = base de donnée
Pré traitement à l’aide de spectradys : on ne garde que la partie pertinente du signal. Analyse de la représentation Temps/ fréquences afin de trouver le descripteur adapté.
Le même descripteurs pour chaque enregistrement (Spectradys)
Fichiers d’apprentissage : 79 fichiers (Mobylettes et Klaxons) Fichiers d’application : 122 fichiers
Noyau essayés : Linéaire, polynomiale, Gauss RBF, Gauss NLA, exponentiel, KMOD, Sigmoïde et Spline.
. Introduction
Apprentissage
Application Résultats
Stage DESS RDPI 10 Sonalyse
détection de sources de bruits environnementaux
. Introduction
Apprentissage
Application Résultats
Stage DESS RDPI 11 Sonalyse
Plusieurs noyaux et paramètres appliqués = défaut des SVM
Le meilleur résultats avec noyau gaussien (projection dans un espace infini)
2 fichiers de mobylettes reste inclassifiers :- Conditions d’enregistrement différentes.
Les klaxons doivent être pré classifier avec une recherche de descripteur spécifique.
Une base de donnée de meilleur qualité est nécessaire
détection de sources de bruits environnementaux
. Conclusion et perspectives
Stage DESS RDPI 12 Sonalyse
Logiciel de classification utilisant les méthodes SVM : - C-SVM (accepte des erreurs) - ν-SVM (représente à la fois le taux d’erreurs et de SV) - ν-SVND (Novelty detection) détection de classe différente de l’ensemble d’apprentissage. Construction d’une hyper sphère contenant les points. Application : - Classification des bruits de mobylettes et de klaxons …avec la possibilité de généraliser à d’autres sources de bruit suivant la base de données disponible. - Les données de la base d’apprentissage sont parfaitement classifiées… il est donc possible d’obtenir de très bon résultats en sélectionnant les données. - Une pré classification des bruits de klaxons suivant les modèles est néanmoins nécessaire.
Conclusion
. Conclusion et perspectives
Stage DESS RDPI 12 Sonalyse
-Algorithme multi classes.
- Édition d’un rapport pour l’apprentissage et l’application
- Recherche un descripteur idéal.
- Constituer une base de donnée complète. - Appliquer la méthode de classification SVM à cette base de données
perspectives
RQ&Q U E S T I O N SQ U E S T I O N S
REPONSESREPONSES