Méthode d’apprentissage appliquée à la détection de sources de bruits environnementaux

1. Entreprise d’accueil : Université Montpellier II Sciences et techniques du Languedoc IKHLEF HAFID Février / Juillet 2005 Méthoded’apprentissage appliquée à la détection de sources de bruits environnementaux Responsable Enseignant : Mr Claude Bohatier Responsable Entreprise  : Mr Paul Honeïne DESS Recherche & Développement de produits industriels Année Universitaire 2004-2005

2. Sommaire • Introduction Présentation de l ’entreprise SONALYSE Présentation du sujet • Apprentissage statistique « théorie » Apprentissage statistique SVM « Support Vector Machine » • Logiciel • Application et résultats Application à la détection de bruits environnementaux Résultats et discussion. • Conclusion et perspectives Démonstration Stage DESS RDPI 1 Sonalyse

3. Excitation Mesure Introduction Apprentissage Application Résultats . Présentation de l’entreprise : SONALYSE s.a.s • Année de création : 2002 • Président : Bernard Durr • Secteur d’activité : Contrôle qualité www.sonalyse.fr/ Solutions pour le Contrôle Qualité Vibroacoustique L’analyse vibratoire de pièces mécaniques permet de détecter des défauts indécelables par d’autres méthodes Exemple : Moteur Crouzet Accéléromètre / Micro Analyse Pièce mécanique Enregistrement (.wav) Stage DESS RDPI 2 Sonalyse

4. Introduction Apprentissage Application Résultats . Présentation du sujet Objectifs : • Maîtriser la méthode de classification SVM. • Développer un logiciel de classification en C#. • Utiliser ce logiciel pour une classification de bruits environnementaux. But de l’application : • Directive Européenne du 25 juin 2002 • évaluation et gestion du bruit dans l’environnement. • Dans un premier temps détecter automatiquement un bruit de mobylette et de klaxons. • Généraliser avec des bases d’apprentissage complètes. Stage DESS RDPI 3 Sonalyse

5. Introduction Apprentissage Application Résultats . Présentation du sujet Outils de développement: Langage de programmation C# .NET : Interface utilisateur et programme de calcul. Outils pour l’application: Base de données pour l’apprentissage : Enregistrements de bruits d’avions, klaxons et mobylettes fournis par un partenaire de SONALYSE. Extraction des descripteurs SPECTRADYS : C’est une succession d’opérations appliquées directement sur le signal enregistré pour isoler un ou plusieurs phénomènes particuliers. Stage DESS RDPI 4 Sonalyse

6. Introduction Apprentissage Application Résultats . Apprentissage statistique Base d’apprentissage = n observations. = Données + étiquettes. observations Val 1,val2… Val 1,val2…. Val 1,val2…. A A B Fonction Décision Stage DESS RDPI 5 Sonalyse

7. Introduction Apprentissage Application Résultats . SVM « Support Vector Machine » Ensemble d’apprentissage = signaux de plusieurs classes Méthode SVM -> Fonction séparatrice optimale (Maximiser les marges). La séparatrice est un hyperplan d’équation w.x+b=0 Le vecteur qui s’appuie sur la marge = définit la séparatrice = Support Vector. Sgn(w . x +b) = Classe Stage DESS RDPI 6 Sonalyse

8. Introduction Apprentissage Application Résultats . SVM « Support Vector Machine » Dans le cas non séparable (Linéairement) on utilise la projection des données sur Plusieurs dimensions grâce au fonctions noyaux. Si le problème d’optimisation est impossible à résoudre avec le noyau sélectionné, on normalise les données pour obtenir une matrice conforme. Pour classifier des données qui divergent on peut assouplir les conditions de classification à l’aide d’un terme de tolérance. Il est possible de détecter des données n’appartenant pas à la classe d’apprentissage; en faisant un apprentissage avec la méthode « Novelty detection » Pour un problème comportant un très grand nombre de données on utilise une méthode de décomposition pour résoudre le problème d’optimisation. Stage DESS RDPI 7 Sonalyse

9. Introduction Apprentissage Application Résultats . Démonstration du logiciel SVM Designer Spectradys SVM Stage DESS RDPI 8 Sonalyse

10. Introduction Apprentissage Application Résultats . détection de sources de bruits environnementaux • Enregistrement de bruits de mobylettes, avions et klaxons = base de donnée • Pré traitement à l’aide de spectradys : • on ne garde que la partie pertinente du signal. • Analyse de la représentation Temps/ fréquences afin de trouver le • descripteur adapté. • Le même descripteurs pour chaque enregistrement (Spectradys) • Fichiers d’apprentissage : 79 fichiers (Mobylettes et Klaxons) • Fichiers d’application : 122 fichiers • Noyau essayés : Linéaire, polynomiale, Gauss RBF, Gauss NLA, exponentiel, KMOD, Sigmoïde et Spline. Stage DESS RDPI 9 Sonalyse

11. Introduction Apprentissage Application Résultats . détection de sources de bruits environnementaux Stage DESS RDPI 10 Sonalyse

12. Introduction Apprentissage Application Résultats . détection de sources de bruits environnementaux • Plusieurs noyaux et paramètres appliqués = défaut des SVM • Le meilleur résultats avec noyau gaussien (projection dans un espace infini) • 2 fichiers de mobylettes reste inclassifiers : • - Conditions d’enregistrement différentes. • Les klaxons doivent être pré classifier avec une recherche de descripteur spécifique. • Une base de donnée de meilleur qualité est nécessaire Stage DESS RDPI 11 Sonalyse

13. Conclusion et perspectives . Conclusion • Logiciel de classification utilisant les méthodes SVM : • - C-SVM (accepte des erreurs) • - ν-SVM (représente à la fois le taux d’erreurs et de SV) • - ν-SVND (Novelty detection) détection de classe différente de l’ensemble d’apprentissage. Construction d’une hyper sphère contenant les points. • Application : - Classification des bruits de mobylettes et de klaxons …avec la possibilité de généraliser à d’autres sources de bruit suivant la base de données disponible. - Les données de la base d’apprentissage sont parfaitement classifiées… il est donc possible d’obtenir de très bon résultats en sélectionnant les données. - Une pré classification des bruits de klaxons suivant les modèles est néanmoins nécessaire. Stage DESS RDPI 12 Sonalyse

14. Conclusion et perspectives . perspectives • Algorithme multi classes. • Édition d’un rapport pour l’apprentissage et l’application • Recherche un descripteur idéal. • Constituer une base de donnée complète. • Appliquer la méthode de classification SVM à cette base de données Stage DESS RDPI 12 Sonalyse

15. Q & Q U E S T I O N S REPONSES R