Résumé | Cet article explore une méthode d'intelligence computationnelle pour résoudre le problème de la détection des changements internes dans des processus fonction du temps, décrits au moyen de séries chronologiques hétérogènes à plusieurs variables, avec des valeurs de données imprécises ou manquantes. Les processus sont approximés au moyen d'ensembles de modèles AR non linéaires fonction du temps, représentés par un type spécial de réseaux neuronaux neuro flous. Des procédures de fouille de données basées sur une grille de calcul et un modèle de traitement à haut débit, faisant appel à des réseaux neuro flous et à des algorithmes génétiques, génèrent des ensembles de modèles constitués à partir de termes de décalage temporel dans une série chronologique, ainsi que de fonctions de prédiction représentées par des réseaux neuro flous. Grâce à la composition des modèles et à leur capacité de prédiction, on peut détecter les changements dans la structure interne des processus. Ces changements sont associés à la modification d'états stables et transitoires, à des zones présentant un comportement anormal, à de l'instabilité et à d'autres situations. Cette méthode est générale, et son potentiel est révélé par des expériences faisant intervenir le paléoclimat et les données solaires. |
---|