Français | Anglais
Accueil
Membres
Recherches
Documentation
Séminaires au LRTS
Photos
Publications
Liens
Événements

Gestion
 


Fusion de données

La fusion de données consiste à la combinaison d'information provenant de plusieurs capteurs dans le but d'obtenir une information plus précise. Pour l'être humain, le cerveau reçoit et traite les signaux envoyés par les organes responsables de ses cinq sens de manière à lui fournir une image plus claire de la situation; ceci lui permet de bien décider et agir malgré les limites de ses sens. Ainsi, la fusion de données est une forme d'intelligence artificielle pour l'aide à la décision en tenant compte de l'imperfection des données.

La fusion de données utilise un cadre de raisonnement, des règles de combinaison et des règles de décision. Depuis des siècles, seule la théorie des probabilités avec les règles de Bayes servaient pour combiner les informations; mais ce cadre de raisonnement ne traite que de la discordance des données. Le raisonnement évidentiel de Shaffer, plus général et actuellement très populaire, permet le traitement de l'ambiguïté (dicorde et non-spécificité) des données. La règle de combinaison de Dempster est alors celle employée à cause de ses qualités de commutativité et d'associativité.

Dans le groupe de fusion du LRTS, on s'intéresse à d'autres cadres de raisonnement qui traitent l'incertitude générale (ambiguïté et flou) des données comme la théorie des ensembles flous, qui insèrent des règles logiques d'inférences comme le calcul d'incidence ou la cadre de Fagin-Halpern; qui supposent des objets non-exhaustifs comme la théorie de Dézert-Smarandache. On élabore aussi diverses règles de combinaison ou de décision ainsi que des outils de mesures de qualité pour comparer les résultats obtenus. On regarde particulièrement du côté de règles adaptatives qui tiennent compte du niveau de conflit des informations, de décision basée sur la théorie de l'utilité. On a aussi proposé un distance euclidienne entre corps d'évidence, des mesures d'ambiguïté et des mesures d'incertitude généralisée.


Professeurs liés au domaine 
Dominic Grenier  

Étudiants au doctorat liés au domaine 
Pascal Djiknavorian Approximation optimale des fonctions de croyance dans le cadre de raisonnement Dezert-Smarandache 
François Rhéaume Méthode de machines à état liquide pour la classification spatiotemporelle 

Chercheurs liés au domaine 
Pierre Valin  



Liens officiels du domaine