WO1992013315A1 - Procede de reconnaissance d'objets codes par des vecteurs - Google Patents

Procede de reconnaissance d'objets codes par des vecteurs Download PDF

Info

Publication number
WO1992013315A1
WO1992013315A1 PCT/FR1992/000060 FR9200060W WO9213315A1 WO 1992013315 A1 WO1992013315 A1 WO 1992013315A1 FR 9200060 W FR9200060 W FR 9200060W WO 9213315 A1 WO9213315 A1 WO 9213315A1
Authority
WO
WIPO (PCT)
Prior art keywords
vectors
vector
matrix
unknown
new
Prior art date
Application number
PCT/FR1992/000060
Other languages
English (en)
Inventor
Bertrand Giraud
Lon Chang Liu
Original Assignee
Commissariat A L'energie Atomique
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commissariat A L'energie Atomique filed Critical Commissariat A L'energie Atomique
Publication of WO1992013315A1 publication Critical patent/WO1992013315A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries

Definitions

  • the present invention relates to a method for recognizing objects encoded by vectors. It finds many applications in the field of spect roscopy. More specifically, it can be applied to the Resonance
  • Nuclear Magnetic (NMR) mass spectra for the identification of chemical pollutants and gamma ray spectra for the recognition of nuclear waste.
  • the method according to the present invention is applicable in neural networks.
  • a neural network is a network in which information is processed in parallel. This network seeks to imitate the human brain, in which each neuron functions more or less autonomously.
  • a computer neuron processes and stores data independently of other neurons. The organization of such neurons in a network provides a particular global behavior, occasioned by learning, that is to say that each neuron chooses to let, or not to let, pass information according to the information which has already passed through. through the network.
  • This learning is characterized, in a computer neural network, by synaptic weights. More mathematically, each neuron sees at its input a sum of information weighted by synaptic weights w.
  • a neural network makes it possible to process a lot of information in parallel in order to find a result.
  • He is known. in object recognition methods, to use a method called the pseudo-inverse matrix method applied in a neural network.
  • This pseudo-inverse matrix method consists notably in determining a GRAM-SCHMIDT [G] matrix from models S, that is to say sets of vectors S ⁇ coding objects to be recognized.
  • This GRAM-SCHMIDT matrix is defined by the relation:
  • ⁇ and v being numbers of the vectors serving as models for recognition, i indicating the number of the coordinate considered of said vectors, N being the dimension of the representation space considered and P the number of vectors coding the different models of objects to be recognized.
  • the synaptic weights w of the neural network can then be determined by the relation:
  • the matrix [G] is not invertible, in particular when the coefficients of said matrix are too little different from each other.
  • the method described above has a certain number of drawbacks and, in particular, that of not allowing the recognition of objects whose representative vectors taken as references are too similar. There are, for example, many cases of unrecognizable spectra because they are too close.
  • the spectra of the gamma rays emitted by this waste are generally very similar to each other. And the method, as explained previously, does not allow the recognition of these gamma ray spectra.
  • the object of the present invention is precisely this recognition of very close spectra. It implements a processing of the vectors coding the objects to be recognized before applying the known method of the pseudo-inverse matrix. This processing consists in changing the origin of the representation space in which said vectors are defined.
  • the invention relates to a method of recognizing objects coded by vectors in which a neural network is used capable of comparing an unknown vector to reference vectors defined in an original representation space B , each characterized by a label and stored by said neural network, these vectors defining:
  • S being a matrix representing said vectors, i indicating the considered coordinate of said vectors, ⁇ (or ⁇ ) indicating the vector considered;
  • the pretreatment of the vectors comprises a first step of hierarchical recognition. said first step comprising the following sub-steps:
  • One application of the method consists of a signaling device which can be manipulated remotely in order to recognize spectra, in particular of gamma rays emitted by nuclear waste.
  • Figures 1a, 1b, 1c, 1d and 1e are the representations of gamma ray spectra from nuclear waste;
  • Figure 2 is a schematic representation of a representation space corresponding to Figures 1a to 1e.
  • vector will be understood to mean a set of channels describing a spectrum. Mathematically, these vectors are coded by a series of numbers representing the coordinates of said vector in an N-dimensional space and grouped in a rectangular matrix S.
  • the values of the coefficients S ⁇ of the GRAM-SCHMIDT matrix [G], of the coefficients d ⁇ of the matrix [d] representing the distances between the vectors S ⁇ and S ⁇ and written: d ⁇ (2 - 2G ⁇ ) 1 ⁇ 2 , and coefficients ⁇ ⁇ of the matrix [ ⁇ ] representing the angular differences between the vectors S ⁇ and S ⁇ and written: ⁇ ⁇ Cos -1 [G ⁇ ], are the following:
  • the matrices d and ⁇ are two different ways of expressing the same notion of difference between two vectors S ⁇ and S ⁇ .
  • the matrix [G] is a unit matrix, the matrix has all its non-diagonal coefficients d ⁇ equal to and the matrix [ ⁇ ] has, outside its diagonal, only coeffi cient s ⁇ ⁇ of 90 °.
  • the matrix [ ⁇ ] confirms what FIGS. 1a and 1e show, namely that the spectra 1 and 5 are very similar to each other: indeed.
  • the angle ⁇ 15 between the vectors S 1 and S 2 is only 3 °.
  • the angle ⁇ 23 between the vectors S 2 and S 3 is only 7 °, which is very far from the ideal right angle.
  • the other angles are of an order of magnitude higher, namely about 25 °.
  • This sensitivity index a is defined for an origin B of the representation space.
  • it is sought to find a new origin B ′ of the representation space in order to make the vectors S ⁇ and S ⁇ more orthogonal.
  • This new origin B ' is found when the sensitivity index ⁇ is minimum.
  • the different sensitivity indices ⁇ are chosen using a systematic sampling method from among all the possible origins, any other method of choosing B 'being able to be used.
  • the new matrices obtained are the following:
  • FIG. 2 is a representation of the representation space of the five vectors of the example considered. Said vectors are represented by points S1, S2, S3, S4 and S5.
  • the invention makes it possible to implement a hierarchical preprocessing for vector recognition. It is first of all a question of listing in an increasing order of values all the distances d ⁇ between two vectors S ⁇ and S ⁇ , forming a
  • connection matrix [c] the set of determined aggregates: its coefficients C ⁇ where the pair of labels ( ⁇ , ⁇ ) has been taken into account and its coefficients C ⁇ symmetrical of C ⁇ being equal 1; the other coefficients are 0.
  • the comparison of an unknown vector is then done in several stages.
  • the unknown vector to be determined is first compared to a vector representing the aggregate, said vector being determined as an average of all the vectors contained in an aggregate.
  • the unknown vector is then compared to each vector contained in the selected aggregate as being the most similar.
  • the list of the distances between the vectors is as follows: d 15 ⁇ d 23 ⁇ d 14 ⁇ d 45 ⁇ d 12 ⁇ d 34 ⁇ d 25 ⁇ d 24 ⁇ d 13 ⁇ d 35
  • connection matrix [c] is as follows:
  • connection matrix [C '] is then as follows:
  • FIG. 2 makes it possible to understand that the new origin B ', chosen without carrying out the hierarchical recognition preprocessing, does not ensure the quasi-orthogonality of the vectors. Indeed, by considering more particularly the aggregate (S 2 , S 3 ), it is seen that the origin B 'chosen, as shown in FIG. 2, does not allow the orthogona li ted between the vectors S 2 and S 3 . On the contrary, if we have chosen the aggregate (S 2 , S 3 ) as the most similar, we can place our in a restricted space with an origin B "allowing a quasi-orthogonality of S 2 and S 3 .
  • the invention can indeed be embodied in a manipulative or autonomous signaling device comprising in particular the following organs:
  • This mi croca Iculateur has two successive layers of elements:
  • the invention also applies to many other fields where the information is codable by a vector, in particular spectroscopy: mass spectra of pollutants, nuclear magnetic resonance spectra, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

Procédé permettant de reconnaître des objets codés par des vecteurs. L'invention concerne un procédé mis en ÷uvre dans des réseaux neuronaux et permettant de différencier des objets de référence très similaires afin de pouvoir leur identifier très précisément des objets inconnus. Ce procédé consiste à changer l'origine de l'espace dans lequel sont représentés les vecteurs codant lesdits objets, afin de rendre les vecteurs plus orthogonaux entre eux et donc plus différenciables. Ce changement d'origine effectué, la méthode connue de la matrice pseudo-inverse est mise en ÷uvre. Un perfectionnement de l'invention consiste en un prétraitement des vecteurs, les vecteurs de référence étant alors regroupés en agrégats. Le vecteur inconnu est tout d'abord comparé à chaque vecteur moyen représentatif d'un agrégat puis, lorsque l'agrégat le plus ressemblant a été sélectionné, le vecteur inconnu est comparé à chaque vecteur de référence composant ledit agrégat. L'invention s'applique à la spectrométrie et particulièrement, aux spectres de rayons gamma émis par des déchets nucléaires.

Description

PROCEDE DE RECONNAISSANCE D'OBJETS CODES PAR DES VECTEURS
DESCRIPTION
La présente invention concerne un procédé permettant de reconnaître des objets codés par des vecteurs. Elle trouve de nombreuses applications dans le domaine de la spect roscopie. De façon plus particulière, elle peut s'appliquer à la Résonance
Magnétique Nucléaire (RMN), aux spectres de masse pour l'identification de polluants chimiques et aux spectres de rayons gamma pour la reconnaissance de déchets nucléaires.
On comprendra par "reconnaissance" d'objet, l'identification d'un objet inconnu à un objet de référence choisi parmi plusieurs références.
Le procédé selon la présente invention s'applique dans des réseaux neuronaux.
Un réseau neuronal est un réseau dans lequel les informations sont traitées en parallèle. Ce réseau cherche à imiter le cerveau humain, dans lequel chaque neurone fonctionne de façon plus ou moins autonome. Un neurone informatique traite et mémorise des données indépendamment des autres neurones. L'organisation de tels neurones en réseau fournit un comportement global particulier, occasionné par un apprentissage, c'est-à-dire que chaque neurone choisit de laisser, ou de ne pas laisser, passer l'information selon les informations qui ont déjà transité par le réseau. Cet apprentissage est caractérisé, dans un réseau neuronal informatique, par des poids synaptiques. De façon plus mathématique, chaque neurone voit à son entrée une somme d'informations pondérées par des poids synaptiques w.
En résumé, un réseau neuronal permet de traiter de nombreuses informations en parallèle pour la recherche d'un résultat.
De tels réseaux neuronaux sont décrits plus précisément dans le document "Réseaux de neurones artificiels" paru aux Presses Polytechniques et Universitaires Romandes, ouvrage dans lequel a été dressé un état de l'art, en 1989, dans le domaine des réseaux neuronaux.
Il est connu. dans les procédés de reconnaissance d'objets, d'utiliser une méthode appelée méthode de la matrice pseudo-inverse appliquée dans un réseau neuronal.
Un tel procédé est décrit dans l'article intitulé "Collective computationa l properties of neural network : New learning mechanisms" de Messieurs PERSONNAZ, GUYON et DREYFUS, article publié dans la revue "Physical Review A" de Novembre 1986.
Cette méthode de matrice pseudo-inverse consiste notamment à déterminer une matrice de GRAM-SCHMIDT [G] à partir de modèles S, c'est-à-dire d'ensembles de vecteurs Sμ codant des objets à reconnaître. Cette matrice de GRAM-SCHMIDT est définie par la relation :
Figure imgf000004_0001
μ et v étant des numéros des vecteurs servant de modèles pour la reconnaissance, i indiquant le numéro de la coordonnée considérée desdits vecteurs, N étant la dimension de l'espace de représentation considéré et P le nombre de vecteurs codant les différents modèles d'objets à reconnaître.
Ces modèles sont normalisés de sorte que les éléments diagonaux Gμμ de la matrice [G], dans laquelle μ varie de 1 à P, sont égaux à 1. On constate alors que les autres coefficients de la matrice [G] sont tous proches de 1, les modèles étant fortement corrélés.
Lorsque la matrice G est inversible, les poids synaptiques w du réseau neuronal peuvent alors être déterminés par la relation :
Figure imgf000005_0001
Cependant, dans certains cas, la matrice [G] n'est pas inversible, notamment lorsque les coefficients de ladite matrice sont trop peu différents les uns des autres.
Le procédé précédemment décrit présente un certain nombre d'inconvénients et, en particulier, celui de ne pas permettre la reconnaissance d'objets dont les vecteurs représentatifs pris comme références sont trop semblables. Il y a, par exemple, de nombreux cas de spectres non reconnai ssables car trop voisins.
Dans le cas particulier de la reconnaissance de déchets nucléaires, les spectres des rayons gamma émis par ces déchets sont généralement très similaires les uns des autres. Et le procédé, tel qu'exposé précédemment, ne permet pas la reconnaissance de ces spectres de rayons gamma. La présente invention a justement pour objet cette reconnaissance de spectres très voisins. Elle met en oeuvre un traitement des vecteurs codant les objets à reconnaître avant d'appliquer le procédé connu de la matrice pseudo-inverse. Ce traitement consiste à changer l'origine de l'espace de représentation dans lequel sont définis lesdits vecteurs.
De façon plus précise, l'invention a pour objet un procédé de reconnaissance d'objets codés par des vecteurs dans lequel on utilise un réseau neuronal apte à comparer un vecteur inconnu à des vecteurs de référence définis dans un espace de représentation d'origine B, caractérisés chacun par un label et mémorisés par ledit réseau neuronal, ces vecteurs définissant :
- une matrice de GRAM-SCHMIDT [G], telle que :
Figure imgf000006_0001
S étant une matrice représentatrice desdits vecteurs, i indiquant la coordonnée considérée desdits vecteurs, μ (ou ʋ ) indiquant le vecteur considéré ;
- des poids synaptiques w du réseau neuronal déterminés par un procédé de matrice pseudo-inverse tel que :
Figure imgf000006_0002
[G-1] étant la matrice inverse de la matrice de GRAM-SCHMIDT, lesdits poids synaptiques permettant de comparer les vecteurs à reconnaître avec les vecteurs de référence, procédé caractérisé en ce qu'il consiste en un prétraitement desdits vecteurs, ce prétraitement comprenant les étapes suivantes :
- détermination, pour les origines de l'espace de représentation, des indices de sensibilité définis par la trace de la matrice [G-1] à savoir σ = Tr [G-1] ;
- choix d'une nouvelle origine B' de l'espace de représentation assurant un indice de sensibilité minimum ;
- calcul de la nouvelle matrice rectangulaire S' en appliquant la relation : S ' iμ = Siμ - B'i,
- application du procédé de la matrice pseudo-inverse à la nouvelle matrice S' en calculant la nouvelle matrice [G'] de GRAM-SCHMIDT et les nouveaux poids synaptiques w' .
Avantageusement, le prétraitement des vecteurs comprend une première étape de reconnaissance hiérarchique. ladite première étape comportant les sous-étapes suivantes :
- liste, selon un ordre de valeurs croissantes, de toutes les distances entre vecteurs de référence de sorte que tous les labels soient pris en considération ;
- regroupement en agrégats des vecteurs de référence les plus voisins les uns des autres ;
- comparaison du vecteur inconnu avec chacun des agrégats, chaque agrégat étant représenté par un vecteur moyen ; - sélection de l'agrégat dont le vecteur moyen est le plus proche du vecteur inconnu ; et
- comparaison du vecteur inconnu avec chaque vecteur contenu dans l'agrégat sélectionné comme étant le plus voisin.
Une application du procédé consiste en un dispositif de signalisation manipulable à distance afin de reconnaître des spectres, notamment de rayons gamma émis par des déchets nucléaires.
D'autres caractéristiques et avantages ressortiront de la description qui va suivre, donnée à titre illustratif et non limitatif en référence aux dessins dans lesquels :
- les figures 1a, 1b, 1c, 1d et 1e sont les représentations de spectres de rayons gamma provenant de déchets nucléaires ;
- la figure 2 est une représentation schématique d'un espace de représentation correspondant aux figures 1a à 1e.
Tout au long de la description, on comprendra par "vecteur" un ensemble de canaux décrivant un spectre. Mathématiquement, ces vecteurs sont codés par une suite de nombres représentant les coordonnées dudit vecteur dans un espace à N dimensions et regroupés dans une matrice rectangulaire S.
Afin de mieux illustrer la description, un exemple concret, mais limité à un petit nombre de vecteurs, sera décrit. Cet exemple utilise cinq spectres comportant chacun soixante dix canaux, comme montré sur les figures 1a à 1e, ce qui signifie que la matrice des modèles S est de dimension 70 × 5, soit cinq colonnes et soixante dix lignes. Ainsi, tout couple de vecteurs ( Sμ , Sʋ ) définit des coefficients d'une matrice de GRAM-SCHMIDT
[G], telle que :
Figure imgf000009_0001
μ et ʋ variant de 1 à 5, pour notre exemple de réa li sation.
On peut voir sur les figures 1a et le que les spectres 1 et 5 sont très similaires. Il en est de même des spectres 2 et 3 des figures 1b et 1c. Le spectre 4 de la figure 1d est, quant à lui, assez dissemblable des spectres 1, 2, 3 et 5 pour être reconnu aisément.
Selon ces spectres, les valeurs des coefficients Sμʋ de la matrice de GRAM-SCHMIDT [G], des coefficients dμʋ de la matrice [d] représentant les distances entre les vecteurs Sμ et Sʋ et s'écrivant : dμʋ = (2 - 2Gμʋ ) ½, et des coefficients αμʋ de la matrice [α] représentant les différences angulaires entre les vecteurs Sμ et Sʋ et s'écrivant : αμʋ Cos-1 [Gμʋ], sont les suivantes :
Figure imgf000010_0001
Figure imgf000010_0002
Figure imgf000010_0003
Les matrices d et α sont deux façons différentes d'exprimer la même notion de différence entre deux vecteurs Sμ et Sʋ .
Dans un cas i déa l d ' o rthogonali té des vecteurs Sμ et Sʋ , la matrice [G] est une matrice unité, la matrice a tous ses coefficients dμʋ non diagonaux égaux à
Figure imgf000010_0004
et la matrice [α] ne possède, hors de sa diagonale, que des coeffi cient s αμʋ de 90°.
La matrice [α] confirme ce que montrent les figures 1a et 1e, à savoir que les spectres 1 et 5 sont très ressemblants l'un à l'autre : en effet. l'angle α15 entre les vecteurs S1 et S2 n'est que de 3°. De même, l'angle α23 entre les vecteurs S2 et S3 n'est que de 7°, ce qui est très loin de l'angle droit idéal. Les autres angles sont d'un ordre de grandeur plus élevé, à savoir 25° environ.
Ces spectres (1, 5) et (2, 3) font donc typiquement partie des spectres difficiles, voire impossibles, à différencier par la méthode connue.
Pour chaque matrice [G] déterminée, un indice de sensibilité σ peut être calculé par la somme des valeurs propres de [G-1], communément appelée trace (abréviation Tr) par la relation : σ = Tr [G-1] .
Cet indice de sensibilité a est défini pour une origine B de l'espace de représentation. Dans le procédé selon l'invention, on cherche à trouver une nouvelle origine B' de l'espace de représentation afin de rendre les vecteurs Sμ et Sʋ plus orthogonaux. Cette nouvelle origine B' est trouvée lorsque l'indice de sensibilité σ est minimum.
Dans un mode de réalisation préféré de l'inventeur, les différents indices de sensibilité σ sont choisis en utilisant une méthode d'échantillonnage systématique parmi toutes les origines possibles, toute autre méthode de choix de B' pouvant être utilisée.
Dans l'exemple selon le procédé objet de l'invention, la valeur de l'indice σ m in im u m est σmin = 38,3. Idéalement, si le changement d'origine permet de rendre tous les vecteurs orthogonaux, l'indice de sensibilité minimum serait égal à P, c'est-à-dire au nombre de vecteurs pris en considération dans la réalisation. Dans l'exemple décrit, on aurait σmin = 5.
Cet indice de sensibilité choisi, les nouvelles matrices [G'], [d'] e t [ α'] sont déterminables à partir des relations suivantes :
S'iμ = Siμ - B'i
Figure imgf000012_0001
d 'μʋ = (2 - 2G 'μʋ)½, et
α'μʋ = Cos -1 (G'μʋ)
Les nouvelles matrices obtenues sont les ui vantes :
Figure imgf000012_0002
Figure imgf000012_0003
Figure imgf000013_0001
Les coefficients, hors diagonale, de ces nouvelles matrices sont plus proches respectivement de 0, de
Figure imgf000013_0002
et de 90°.
La nouvelle matrice [G'] ainsi obtenue est inversible. Il est alors possible de calculer les nouveaux poids synaptiques w' par la relation :
Figure imgf000013_0003
La figure 2 est une représentation de l'espace de représentation des cinq vecteurs de l'exemple considéré. Lesdits vecteurs sont représentés par les points S1, S2, S3, S4 et S5. Le point B' est la nouvelle origine choisie de façon à ce que l'indice de sensibilité soit minimum, à savoir σ'min = 38,3 pour l'exemple considéré.
Suivant un perfectionnement tout à fait intéressant, l'invention permet de mettre en oeuvre un prétraitement hiérarchique de reconnaissance des vecteurs. Il s'agit tout d'abord de lister dans un ordre croissant de valeurs toutes les distances dμʋ entre deux vecteurs Sμ et Sʋ , formant une
"paire ordonnée", μ étant inférieur à ʋ . On obtient ainsi
Figure imgf000013_0004
distances ordonnées. Cependant, seules les premières plus petites distances, faisant apparaître tous les labels μ ou ʋ de valeurs 1 à P, sont prises en considération pour la suite dudit traitement. Des agrégats de D vecteurs sont ainsi déterminés, D étant le nombre choisi de vecteurs compris dans un agrégat.
Il est possible de représenter sous forme de matrice de connexion [c] l'ensemble des agrégats déterminés : ses coefficients Cμʋ où le couple de labels ( μ , ʋ ) a été pris en considération et ses coefficients Cʋμ symétriques de Cμʋ valant 1 ; les autres coefficients valent 0.
La comparaison d'un vecteur inconnu se fait alors en plusieurs étapes. Le vecteur inconnu à déterminer est tout d'abord comparé à un vecteur représentant l'agrégat, ledit vecteur étant déterminé comme une moyenne de tous les vecteurs contenus dans un agrégat. Le vecteur inconnu est alors comparé à chaque vecteur contenu dans l'agrégat sélectionné comme étant le plus ressemblant.
Dans l'exemple considéré, d'après les valeurs données par la matrice [d], la liste des distances entre les vecteurs est la suivante : d15 < d23 < d14 < d45 < d12 < d34 < d25 < d24 < d13 < d35
Les distances d15, d23 et d14 font apparaître tous les labels, à savoir 1, 2, 3, 4 et 5. Seules, ces trois distances sont prises en compte pour la suite du traitement. On prend ainsi le nombre 3 comme nombre D de paires définissant les agrégats. Ces agrégats sont (145) et (23) pour D = 3.
La matrice de connexion [c] est la suivante :
Figure imgf000015_0001
Le nombre de paires ordonnées retenues peut aussi bien prendre des valeurs inférieures D', telles que D' = D/2 ou toute autre fraction significative de D.
Par exemple, on peut choisir D' = 2. Dans ce cas, le nombre de vecteurs par agrégat est au maximum deux, et les agrégats sont (15), (23) et (4). La matrice de connexion [C'] correspondante est alors la suivante :
Figure imgf000015_0002
Lorsque le prétraitement décrit ci-dessus est terminé, la suite de la reconnaissance du vecteur inconnu se poursuit, telle que décrite précédemment.
La figure 2 permet de comprendre que la nouvelle origine B', choisie sans effectuer le prétraitement hiérarchique de reconnaissance, n'assure pas la quasi-orthogona lité des vecteurs. En effet, en considérant plus particulièrement l'agrégat (S2, S3), on voit que l'origine B' choisie, telle que montré sur la figure 2, ne permet pas l 'orthogona li té entre les vecteurs S2 et S3. Au contraire, si l'on a choisi l'agrégat (S2, S3) comme le plus ressemblant, on peut se placer dans un espace restreint avec une origine B" permettant une quasi-orthogonalité de S2 et S3.
La d e s c r ip t ion ci-dessus s'appuie sur un exemple précis de spectres de rayons gamma émis par des déchets nucléaires, mais l'invention peut s'appliquer à de nombreux autres domaines de la spect roscopie.
L'invention peut en effet se concrétiser dans un dispositif de signalisation manipulable ou autonome comportant notamment les organes suivants :
- un détecteur multicanaux de spectre de rayons γ émis par des déchets nucléaires ; et
- un microcaIculateur recevant les informations captées par le détecteur. Ce mi croca Iculateur comporte deux couches successives d'éléments :
a) la couche mémoire des poids synaptiques, enregistrant les modèles de reconnaissance, selon la règle exposée par l'invention ; et
b) la couche de neurones identificateurs aptes à évaluer la ressemblance entre le signal et l'un des modèles.
L'invention s'applique également à de nombreux autres domaines où l'information est codable par un vecteur, notamment la spectroscopîe : spectres de masse de polluants, spectres de résonance magnétique nucléai re, etc.

Claims

REVENDICATIONS
1. Procédé de reconnaissance d'objets codés par des vecteurs, permettant l'analyse de spectres, dans lequel on utilise un réseau neuronal apte à comparer un vecteur inconnu, déterminé par des moyens de détection multicanaux, à des vecteurs de référence définis dans un espace de représentation d'origine B, caractérisés chacun par un label et mémorisés par ledit réseau neuronal, ces vecteurs définissant : - une matrice de GRAM-SCHMIDT [G], telle que :
Figure imgf000017_0002
S étant une matrice représentatrice desdits vecteurs, i une coordonnée considérée desdits vecteurs, μindiquant le vecteur considéré, μindiquant un autre vecteur considéré ;
- des poids synaptiques w du réseau neuronal déterminés par un procédé de matrice pseudo-inverse, tel que :
Figure imgf000017_0001
[G-1] étant la matrice inverse de la matrice de GRAM-SCHMIDT, lesdits poids synaptiques permettant de comparer les vecteurs à reconnaître avec les vecteurs de référence,
procédé caractérisé en ce qu'il consiste en un prétraitement desdits vecteurs effectué par des moyens de calculs reliés aux moyens de détection, ce prétraitement comprenant les étapes suivantes :
- détermination pour des origines de l'espace de représentation, des indices de sensibilité définis par la trace [G-1], à savoir σ= Tr [G-1] ; - choix d'une nouvelle origine B' de l'espace de représentation assurant un indice de sensibilité minimum σmin ;
- calcul de la nouvelle matrice rectangulaire S' en appliquant la relation :
S'iμ = Siμ - B'i ;
- application du procédé de la matrice pseudo-inverse à la nouvelle matrice S' en calculant la nouvelle matrice [G'] de GRAM-SCHMIDT et les nouveaux poids synaptiques w' ;
- obtention, en fonction des poids synaptiques w' déterminés, du vecteur de référence le plus ressemblant au vecteur inconnu.
2. Procédé selon la revendication 1, caractérisé en ce que le prétraitement des vecteurs comprend une première étape de reconnaissance hiérarchique, ladite première étape comportant les sous-étapes suivantes :
- liste, selon un ordre de valeurs croissantes, de toutes les distances entre vecteurs de référence de sorte que tous les labels soient pris en considération ;
- regroupement en agrégats des vecteurs de référence les plus voisins les uns des autres ;
- comparaison du vecteur inconnu avec chacun des agrégats, chaque agrégat étant représenté par un vecteur moyen ;
- sélection de l'agrégat dont le vecteur moyen est le plus proche du vecteur inconnu ; et
- comparaison du vecteur inconnu avec chaque vecteur contenu dans l'agrégat sélectionné comme étant le plus voisin.
3. Application du procédé selon l'une des revendications 1 ou 2, à un dispositif de signalisation manipulable à distance afin de reconnaître des spectres de rayons gamma émis par des déchets nucléaires.
PCT/FR1992/000060 1991-01-25 1992-01-23 Procede de reconnaissance d'objets codes par des vecteurs WO1992013315A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR91/00867 1991-01-25
FR9100867A FR2672141B1 (fr) 1991-01-25 1991-01-25 Procede de reconnaissance d'objets codes par des vecteurs.

Publications (1)

Publication Number Publication Date
WO1992013315A1 true WO1992013315A1 (fr) 1992-08-06

Family

ID=9409064

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR1992/000060 WO1992013315A1 (fr) 1991-01-25 1992-01-23 Procede de reconnaissance d'objets codes par des vecteurs

Country Status (3)

Country Link
EP (1) EP0568616A1 (fr)
FR (1) FR2672141B1 (fr)
WO (1) WO1992013315A1 (fr)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0631254A2 (fr) * 1993-06-14 1994-12-28 Motorola, Inc. Réseau neuronal et méthode d'opération
WO1997026549A1 (fr) * 1996-01-16 1997-07-24 Auburn International, Inc. Utilisation d'un reseau neuronal et de techniques de regression partielle par les moindres carres pour obtenir la mesure d'une ou de plusieurs proprietes d'un polymere avec un systeme rmn monte en ligne
EP0871936A1 (fr) * 1995-06-23 1998-10-21 Exxon Research And Engineering Company Procede de prediction des proprietes chimiques ou physiques de melanges complexes
EP0871976A1 (fr) * 1995-06-23 1998-10-21 Exxon Research And Engineering Company Procede de preparation de produits melanges
US6492639B1 (en) 1997-03-27 2002-12-10 Hkr Sensorsysteme Gmbh Method and apparatus for recognizing properties of a sample based on mass spectroscopy
GB2577909A (en) * 2018-10-10 2020-04-15 Symetrica Ltd Gamma-ray spectrum classification

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PHYSICAL REVIEW, A. GENERAL PHYSICS. vol. 34, Novembre 1986, NEW YORK US pages 4217 - 4228; L. PERSONNAZ ET AL.: 'Collective computational properties of neural networks: New learning mechanisms' cité dans la demande *
RICHARD O. DUDA AND PETER E.HART 'PATTERN CLASSIFICATION AND SCENE ANALYSIS' 1973 , JOHN WILEY AND SONS , NEW YORK, US *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0631254A2 (fr) * 1993-06-14 1994-12-28 Motorola, Inc. Réseau neuronal et méthode d'opération
EP0631254A3 (fr) * 1993-06-14 1995-02-15 Motorola Inc Réseau neuronal et méthode d'opération.
US5720002A (en) * 1993-06-14 1998-02-17 Motorola Inc. Neural network and method of using same
EP0871936A1 (fr) * 1995-06-23 1998-10-21 Exxon Research And Engineering Company Procede de prediction des proprietes chimiques ou physiques de melanges complexes
EP0871976A1 (fr) * 1995-06-23 1998-10-21 Exxon Research And Engineering Company Procede de preparation de produits melanges
EP0871976A4 (fr) * 1995-06-23 1999-06-30 Exxon Research Engineering Co Procede de preparation de produits melanges
EP0871936A4 (fr) * 1995-06-23 1999-06-30 Exxon Research Engineering Co Procede de prediction des proprietes chimiques ou physiques de melanges complexes
WO1997026549A1 (fr) * 1996-01-16 1997-07-24 Auburn International, Inc. Utilisation d'un reseau neuronal et de techniques de regression partielle par les moindres carres pour obtenir la mesure d'une ou de plusieurs proprietes d'un polymere avec un systeme rmn monte en ligne
US6492639B1 (en) 1997-03-27 2002-12-10 Hkr Sensorsysteme Gmbh Method and apparatus for recognizing properties of a sample based on mass spectroscopy
GB2577909A (en) * 2018-10-10 2020-04-15 Symetrica Ltd Gamma-ray spectrum classification
GB2577909B (en) * 2018-10-10 2020-11-18 Symetrica Ltd Gamma-ray spectrum classification
US11500112B2 (en) 2018-10-10 2022-11-15 Symetrica Limited Gamma-ray spectrum classification

Also Published As

Publication number Publication date
FR2672141A1 (fr) 1992-07-31
EP0568616A1 (fr) 1993-11-10
FR2672141B1 (fr) 1993-04-09

Similar Documents

Publication Publication Date Title
EP0521548B1 (fr) Procédé et dispositif avec un réseau neuronal pour classer des données
EP0115462B1 (fr) Procédé de reconnaissance automatique d&#39;une image, à partir d&#39;une image correspondante de référence
EP3620970B1 (fr) Procédé d&#39;extraction de caractéristiques d&#39;une empreinte digitale représentée par une image d&#39;entrée
FR3088467A1 (fr) Procede de classification d&#39;une image d&#39;entree representative d&#39;un trait biometrique au moyen d&#39;un reseau de neurones a convolution
EP0875032B1 (fr) Procede d&#39;apprentissage generant des reseaux de neurones de petites tailles pour la classification de donnees
EP0454535B1 (fr) Système neuronal de classification et procédé de classification utilisant un tel système
WO1992013315A1 (fr) Procede de reconnaissance d&#39;objets codes par des vecteurs
EP0681270A1 (fr) Procédé de trajectographie d&#39;objets et dispositif de mise en oeuvre de ce procédé
EP0446974A1 (fr) Procédé de classification mis en oeuvre dans un réseau de neurones en couches pour classification multiclasses et réeseau de neurones en couches selon le procédé
CN114830242A (zh) 用于基于分析数据进行表征的机器视觉
FR2767943A1 (fr) Appareil de classification utilisant une combinaison de methodes statistiques et de reseaux neuronaux, destine notamment a la reconnaissance d&#39;odeurs
FR2767942A1 (fr) Appareil de classification destine notamment a la reconnaissance d&#39;odeurs
EP1639579A1 (fr) Procede et systeme d&#39;analyse de signaux vocaux pour la representation compacte de locuteurs
EP4099228A1 (fr) Apprentissage automatique sans annotation ameliore par regroupements adaptatifs en ensemble ouvert de classes
EP0396171A1 (fr) Procédé pour l&#39;analyse de textures et analyseur
EP2825995B1 (fr) Système pour déterminer l&#39;identification d&#39;un appareil photographique a partir d&#39;une photographie et procédé mis en oeuvre dans un tel système
EP0929867A1 (fr) Procede d&#39;apprentissage pour la classification de donnees selon deux classes separees par une surface separatrice d&#39;ordre 1 ou 2
WO2004038346A1 (fr) Procede et dispositif de test comportant un capteur de signaux vibratoires
CN115115898B (zh) 一种基于无监督特征重构的小样本目标检测方法
EP3920101A1 (fr) Methode de reduction de la taille d&#39;un reseau de neurones artificiel
EP3340065A1 (fr) Procédé de détermination de l&#39;état d&#39;un système, procédé de détermination d&#39;une méthode de projection optimale et dispositif mettant en oeuvre lesdits procédés
EP4187445A1 (fr) Procédé d&#39;apprentissage de valeurs de poids synaptique d&#39;un réseau de neurones, procédé de traitement de données, programme d&#39;ordinateur, calculateur et système de traitement associés
EP4202772A1 (fr) Procédé de mise au point d&#39;un dispositif de classification, procédé et système associés
EP1554687A2 (fr) SystEme associatif flou de description d objets multimEdia
FR3083354A1 (fr) Procede de modelisation pour le controle des resultats fournis par un reseau de neurones artificiels et autres procedes associes

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): CA JP US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FR GB GR IT LU MC NL SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
WWE Wipo information: entry into national phase

Ref document number: 1992904649

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 1992904649

Country of ref document: EP

WWR Wipo information: refused in national office

Ref document number: 1992904649

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: CA

WWW Wipo information: withdrawn in national office

Ref document number: 1992904649

Country of ref document: EP