Méthode d’apprentissage appliquée à la détection de sources de bruits environnementaux

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


Exemple : Moteur Crouzet

www.sonalyse.fr/

http://www.sonalyse.fr/

. Introduction

Apprentissage


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.


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


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.


Outils de développement:

Outils pour l’application:

Langage de programmation C# .NET : Interface utilisateur et programme de calcul.

. Introduction

Apprentissage


Apprentissage statistique

Base d’apprentissage


= n observations.

observations

= Données + étiquettes.

Val 1,val2…

Val 1,val2….

Val 1,val2….

A

A

B

Fonction Décision

. Introduction

Apprentissage


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.


Sgn (w . x +b) = Classe

. Introduction

Apprentissage


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.


. Introduction

Apprentissage


SVM Designer

Démonstration du logiciel


Spectradys

SVM

C:\Documents and Settings\ikhlef\Bureau\Spectradys\Spectradys.exe

. Introduction

Apprentissage


détection de sources de bruits environnementaux


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




. Introduction

Apprentissage



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


. Conclusion et perspectives


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


-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

Méthode d’apprentissage appliquée à la détection de sources de bruits environnementaux

Documents

Transcript of Méthode d’apprentissage appliquée à la détection de sources de bruits environnementaux