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

Show simple item record

dc.contributor.author HONEINE, Paul
dc.contributor.author RICHARD, Cédric
dc.date.accessioned 2009-09-10T09:39:43Z
dc.date.available 2009-09-10T09:39:43Z
dc.date.issued 2008
dc.identifier.citation Traitement du Signal [Trait. Signal], 2008, Vol. 25, N° 6 p. 469-479 en
dc.identifier.issn 0765-0019
dc.identifier.uri http://hdl.handle.net/2042/28620
dc.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... en
dc.description.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. en
dc.format.extent 1709510 bytes
dc.format.mimetype application/pdf
dc.language.iso fr en
dc.publisher GRETSI, Saint Martin d'Hères, France en
dc.relation.ispartofseries Traitement du Signal
dc.subject Analyse temps-fréquence en
dc.subject classification en
dc.subject noyau en
dc.subject radialement Gaussien en
dc.subject critère d’alignement en
dc.subject reconnaissance des formes en
dc.subject Time-frequency analysis en
dc.subject radially Gaussian kernel en
dc.subject kernel-target alignment en
dc.subject machine learning en
dc.title Distribution temps-fréquence à paramétrisation radialement Gaussienne optimisée pour la classification en
dc.title.alternative Optimizing time-frequency representations for signal classification using radially Gaussian kernels en
dc.type Article en

Files in this item

PDF 03•Honeine(2008037).pdf 1.630Mb

This item appears in the following Collection(s)

Show simple item record

Advanced Search