Etude des performances de la classification par les Supports à Vaste Marge (SVM) : application au diagnostic vibratoire

Abstract

Les supports à vaste marge (SVM) est une nouvelle technique d'apprentissage statistique proposée par V. Vapnik en 1995. L'idée Essentielle des SVM consiste à projeter les données de l'espace d'entrée (appartenant à deux classes différentes) non linéairement séparables dans un espace de plus grande dimension appelé espace de caractéristiques de façon à ce que les données deviennent linéairement séparables. Dans cet espace, la technique de construction de l'hyperplan optimal est utilisée pour calculer la fonction de décision séparant les deux classes. Dans ce travail de thèse, nous avons étudié les SVM comme technique de classification pour le diagnostic vibratoire des machines tournantes. Un autre intérêt de cette étude sera accordé à la phase d'analyse qui représente l'extraction et la sélection du vecteur forme. Dans ce concept, un couplage des algorithmes génétiques(AG) et l’analyse discriminante linéaire (ADL) est utilisé pour la sélection de paramètres par ordre de pertinence au sens de discrimination entre les classes.