Apprentissage de règles de classification à partir de données provenant de systèmes similaires

Il s'agit d'etudier une ou plusieurs methodes de classification de donnees dans le but de definir un systeme de diagnostic ou de surveillance generique d'un parc de machines ou plus generalement de systemes. Dans le cas considere, les donnees expertisees viennent de plusieurs elements du parc. Elles constituent l'ensemble d'apprentissage de depart. L'approche consiste a definir un classifieur par element et a le fusionner avec un second classificateur commun a tous les systemes (il s'agira ici du classifieur generique). La regle specifique a chaque element et celle commune a l'ensemble du parc sont determinees de facon classique selon la methode d'apprentissage choisie. Plusieurs methodes de classification (discrimination lineaire et SVM lineaire) ont ete considerees. Pour chaque element, la fusion est obtenue par combinaison lineaire des sorties du classifieur specifique et de la regle generique. Une etude experimentale a ete menee. Son objet a ete de comparer la regle composee ainsi obtenue aux regles specifiques et a la regle generique. Le poids attribue a chaque regle ainsi que l'impact du nombre d'echantillons de la population d'apprentissage sur la performance ont ete analyses dans un cas simple simule. Chaque element a deux modes de fonctionnement representes par deux classes gaussiennes de meme variance (dans ce cas, le discriminateur optimal est lineaire). Les variances et moyennes des classes changent legerement pour chaque element. Les travaux realises permettent de montrer l'interet de la fusion et l'influence du nombre d'echantillons par classe sur les poids relatifs des regles specifiques par rapport a la regle generique. De tres nombreuses questions restent ouvertes et sont en cours d'investigation (determination de la regle composee optimale, determination de sous-groupes d'elements...).