• Français
    • English
  • Français 
    • Français
    • English
  • Login
View Document 
  •   Savoirs UdeS Home
  • Sciences
  • Sciences – Mémoires
  • View Document
  •   Savoirs UdeS Home
  • Sciences
  • Sciences – Mémoires
  • View Document
JavaScript is disabled for your browser. Some features of this site may not work without it.

Browse

All of Savoirs UdeSDomains & CollectionsBy Issue DateAuthorsTitlesSubjectsDirectorsThis CollectionBy Issue DateAuthorsTitlesSubjectsDirectors

My Account

Login

Statistics

View Usage Statistics

Un modèle de prédiction et de classification des visites moteurs basé sur les machines à vecteur de support

Thumbnail
View/Open
MR63001.pdf (17.29Mb)
Publication date
2010
Author(s)
Gagnon, Éric
Show full document record
Abstract
En tant que contribution pour l'amélioration du service clients aux détenteurs d'avions, ce modèle de prédiction et de classification des visites moteurs à [i.e. a] été inspiré des machines à vecteur de support (SVM) afin d'unifier les méthodes de prédiction des visites en usines. Ainsi, un tout nouveau modèle de classification de haut niveau pour la prédiction des visites de maintenance des moteurs d'avion en atelier se présente, permettant également l'identification des types de maintenances effectuées. Les SVM classiques permettent de résoudre des problèmes de classification binaire, mais comme le problème abordé n'est pas de type binaire, certaines modifications sont nécessaires sur les SVM afin de les rendre plus flexibles et efficaces pour résoudre des problèmes de classes multiples. Les résultats de l'expérimentation effectuée sur le modèle de prédiction et de classification des visites moteurs démontrent l'efficacité du modèle, ainsi que sa performance, sur des modèles multi-classes. Ces derniers sont beaucoup plus appropriés que d'autres résultats obtenus en utilisant les arbres de décision, ou encore l'algorithme des K plus proches voisins. L'un des plus grands avantages de cette méthode, comparativement aux méthodes traditionnelles de classification et de prédiction, est qu'elle permet de soutirer les relations présentent [i.e. présentes] dans la structure arborescente et d'ainsi déduire les relations entre les classes dans les noeuds de l'arbre. Ceci constitue une percée importante dans l'avancement des techniques d'apprentissage automatique qui utilisent un historique de données pour classer ou prédire les valeurs futures qui risquent d'être rencontrées. Il s'agit également d'un point tournant dans le passage d'un travail laborieux effectué manuellement par des experts à un algorithme performant qui déduit lui-même les règles intrinsèques enfouies dans un entrepôt de données.
URI
http://savoirs.usherbrooke.ca/handle/11143/4857
Collection
  • Sciences – Mémoires [1602]

DSpace software [version 5.4 XMLUI], copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
 

 


DSpace software [version 5.4 XMLUI], copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback