Distribution temps-fréquence à paramétrisation radialement Gaussienne optimisée pour la classification

Show full item record

Files in this item

PDF 03•Honeine(2008037).pdf 1.630Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/28620
Title: Distribution temps-fréquence à paramétrisation radialement Gaussienne optimisée pour la classification
Author: HONEINE, Paul; RICHARD, Cédric
Abstract: Cet article traite de l’optimisation des distributions temps-fréquence pour la résolution de problèmes de classification de signaux. On s’intéresse en particulier à la distribution à fonction de paramétrisation radialement Gaussienne, que l’on ajuste par optimisation de l’alignement noyau-cible. Initialement développé pour la sélection de noyau reproduisant en Machine Learning, ce critère présente l’intérêt de ne nécessiter aucun cycle d’apprentissage. On montre que l’on peut obtenir la fonction de paramétrisation radialement Gaussienne maximisant celui-ci en détournant une technique classique de réduction de termes interférentiels dans les représentations temps-fréquence. On illustre l’efficacité de cette approche à l’aide d’expérimentations.
Description: Time-frequency and time-scale distributions offer a broad class of tools for nonstationary signal analysis. The price to pay is however the choice of a well-adapted, possibly signal-dependent, representation. Time-frequency distributions with radially Gaussian kernel (RGK) provide tunable representations for a large class of applications. This parameterization was initially introduced by Baraniuk and Jones in [1] for reducing interference terms in time-frequency distributions. The RGK has attracted the attention of many researchers since this pioneering work, for instance [3] where it is optimized for a given classification problem. However, all these works do not necessarily take advantage of the recent developments in pattern recognition with kernel machines. This paper provides a connection between the optimization of RGK for classifying non-stationary signals and some criteria coming from the machine learning literature. We consider more specifically the kernel-target alignment, a criterion that allows to select optimal reproducing kernels. We show that this criterion leads to an optimization problem similar to that initially proposed by Baraniuk and Jones for signal analysis. Experimental results demonstrate the relevance of our approach...
Subject: Analyse temps-fréquence; classification; noyau; radialement Gaussien; critère d’alignement; reconnaissance des formes; Time-frequency analysis; radially Gaussian kernel; kernel-target alignment; machine learning
Publisher: GRETSI, Saint Martin d'Hères, France
Date: 2008

This item appears in the following Collection(s)

Show full item record

Advanced Search