Afficher la notice abrégée

dc.contributor.authorRossi, Fabrice
dc.contributor.authorConan-Guez, Brieuc
dc.date.accessioned2011-05-23T10:36:02Z
dc.date.available2011-05-23T10:36:02Z
dc.date.issued2003
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/6315
dc.descriptionhttp://basepub.dauphine.fr/xmlui/handle/123456789/340en
dc.description.abstractfrL'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.isofren
dc.subjectAnalyse de données fonctionnellesen
dc.subjectRéseaux de neuronesen
dc.subjectPerceptrons multi-couchesen
dc.subjectRégressionen
dc.subjectDiscriminationen
dc.subjectApproximation universelleen
dc.subjectConsistanceen
dc.subjectSpectrométrieen
dc.subject.ddc519en
dc.titleUn modèle semi-paramétrique neuronal pour la régression et la discrimination sur données fonctionnellesen
dc.typeDocument de travail / Working paper
dc.contributor.editoruniversityotherINRIA;France
dc.description.abstractenWe 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.nameUniversité Paris-Dauphineen
dc.publisher.cityParisen
dc.identifier.citationpages16 pagesen
dc.relation.ispartofseriestitleCahiers du CEREMADEen
dc.relation.ispartofseriesnumber2003-38en
dc.description.sponsorshipprivateouien
dc.subject.ddclabelProbabilités et mathématiques appliquéesen


Fichiers attachés à cette notice

Thumbnail
Thumbnail

Ce document fait partie de la (des) collection(s) suivante(s)

Afficher la notice abrégée