001032089
100  $a                         y50      
101  $afre
2001 $aClassification des régresseurs non linéaires en utilisant le classificateur SVM$bressource électronique
210  $aUniversité de Batna 2 - Mustafa Ben Boulaid : Département d'Electronique$cUniversité de Batna 2 - Mustafa Ben Boulaid
328 1$bMagister$cElectronique$eDépartement d'Electronique , Université de Batna 2 - Mustafa Ben Boulaid
330  $aLes avantages qu’apportent les régresseurs non linéaires par rapport aux régresseurs linéaires proviennent principalement de leurs possibilités d’apprentissage.  Leur principe réside dans la construction de modèles mathématiques génériques, établissant une relation entre les entrées et les sorties du problème à résoudre ; le modèle contient un certain nombre de paramètres, qui sont appris en fonction d’exemples connus (entrées + sorties) du problème à résoudre [1, 2].  Le choix du meilleur régresseur non linéaire pour une application donnée est très difficile.  Pour une base de donnée quelconque nous proposons d’utiliser trois types de régresseurs non linéaires par exemple les réseaux de neurones artificiels (RBF et MLP)  et le régresseur SVM. Le but de ce travail est de proposer un système de classification basé sur l’algorithme support vectors machines (SVM) pour déterminer le meilleur régresseur non linéaire [3, 4, 5].  En d’autres termes, l’évaluation finale est obtenue en choisissant la sortie estimée du meilleur régresseur non linéaire trouvé sur la base de la partition adéquate de l’espace des caractéristiques (features).
610  $aRégression, SVM, apprentissage, features
700  $aOuld Ahmed, vall khyarkoum
701  $aArray
801 0$aDZ$bCERIST PNST
901$ac