Motifs Séquentiels Flous : Un Peu, Beaucoup, Passionnément - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Conference Papers Year : 2005

Motifs Séquentiels Flous : Un Peu, Beaucoup, Passionnément

Abstract

La plupart des bases de données issues du monde réel sont constituées de données numériques et historiées (données de capteurs, données scientifiques, données démographiques). Dans ce cadre les algorithmes d'extraction de motifs séquentiels, s'ils sont adaptés au caractère temporel des données ne permettent pas le traitement de données numériques. es données sont alors pré-traitées pour les transformer en données binaire, ce qui entraîne une perte d'information. Des algorithmes ont donc été proposés pour traiter les données numériques sous forme d'intervalles et d'intervalles flous notamment. En ce qui concerne la recherche de motifs séquentiels fondée sur des intervalles flous, les deux méthodes de la littérature ne sont pas satisfaisantes car incomplètes soit dans le traitement des séquences soit dans le calcul du support. Dans cet article, nous proposons donc trois méthodes d'extraction de motifs séquentiels flous {SPEEDYFUZZY, MINIFUZZY et TOTALLYFUZZY) et en détaillons les algorithmes sous-jacents en soulignant les différents niveaux de fuzzification. Ces algorithmes sont implémentés et évalués à travers différentes expérimentations menées sur des jeux de tests synthétiques.
Fichier principal
Vignette du fichier
1000357.pdf (414.92 Ko) Télécharger le fichier
Origin : Publisher files allowed on an open archive

Dates and versions

lirmm-00106089 , version 1 (21-09-2019)

Identifiers

  • HAL Id : lirmm-00106089 , version 1

Cite

Céline Fiot, Anne Laurent, Maguelonne Teisseire. Motifs Séquentiels Flous : Un Peu, Beaucoup, Passionnément. EGC: Extraction et Gestion des Connaissances, Jan 2005, Paris, France. pp.507-518. ⟨lirmm-00106089⟩
88 View
154 Download

Share

Gmail Facebook X LinkedIn More