Reconnaissance des formes dans un environnement non-stationnaire
Apprentissage dynamique dans un environnement non-stationnaire

Lorsque les données évoluent dans le temps, il est important que le classifieur soit capable de s'adapter en tenant compte de ces évolutions. Ces changements peuvent être dus soit à une variation normale des paramètres et/ou de la structure du système, soit à des dégradations affectant ses caractéristiques intrinsèques et son comportement. Ces systèmes, appelés évolutifs, dynamiques ou non-stationnaires, couvrent un large champ d'applications : électromécanique, chimique, thermique, médical, énergétique, etc. Ils manipulent des données non-stationnaires qui peuvent présenter trois difficultés majeures. La première difficulté réside dans l'énorme quantité de données, constamment générées par des applications diverses au cours du temps. Ces flux de données sont potentiellement infinis, et il est presque impossible de les stocker. Seul un bref résumé de ces données peut être extrait et stocké...