Un modèle semi-paramétrique neuronal pour la régression et la discrimination sur données fonctionnelles

Rossi, Fabrice; Conan-Guez, Brieuc

dc.contributor.author	Rossi, Fabrice HAL ID: 77
dc.contributor.author	Conan-Guez, Brieuc HAL ID: 21890
dc.date.accessioned	2011-05-23T10:36:02Z
dc.date.available	2011-05-23T10:36:02Z
dc.date.issued	2003
dc.identifier.uri	https://basepub.dauphine.fr/handle/123456789/6315
dc.description	http://basepub.dauphine.fr/xmlui/handle/123456789/340	en
dc.description.abstractfr	L'objectif de cet article est de présenter un nouveau modèle neuronal adapté à la régression sur variables explicatives fonctionnelles. Nous décrivons le perceptron multi-couches (PMC) fonctionnel et résumons les propriétés théoriques de celui-ci, en terme de puissance de calcul et d'estimation des paramètres. Nous proposons ensuite deux techniques de mise en oeuvre informatique que nous illustrons dans une application en spectrométrie. Le PMC fonctionnel est ainsi comparé au PMC classique ainsi qu'à des méthodes plus classiques adaptées elles aussi aux données fonctionnelles. Dans l'exemple choisi, il apparaît clairement que les PMC fonctionnels obtiennent de meilleures performances que les autres techniques et représentent la fonction de régression de façon très parcimonieuse.	en
dc.language.iso	fr	en
dc.subject	Analyse de données fonctionnelles	en
dc.subject	Réseaux de neurones	en
dc.subject	Perceptrons multi-couches	en
dc.subject	Régression	en
dc.subject	Discrimination	en
dc.subject	Approximation universelle	en
dc.subject	Consistance	en
dc.subject	Spectrométrie	en
dc.subject.ddc	519	en
dc.title	Un modèle semi-paramétrique neuronal pour la régression et la discrimination sur données fonctionnelles	en
dc.type	Document de travail / Working paper
dc.contributor.editoruniversityother	INRIA;France
dc.description.abstracten	We introduce in the present article a new neural model adapted to regression problems in which explanatory variables are functions. The paper describes the functional Multi-Layer Peceptron (MLP) and summarizes its main theoretical properties: universal approximation and consistent parameter estimation. We propose two possible numerical implementations of the model and show how to apply them to a spec- trometric problem. This application example shows that functional MLP achieve better performances than other techniques while using a very low number of numerical parameters.	en
dc.publisher.name	Université Paris-Dauphine	en
dc.publisher.city	Paris	en
dc.identifier.citationpages	16 pages	en
dc.relation.ispartofseriestitle	Cahiers du CEREMADE	en
dc.relation.ispartofseriesnumber	2003-38	en
dc.description.sponsorshipprivate	oui	en
dc.subject.ddclabel	Probabilités et mathématiques appliquées	en