From system Identification (hybride system and system with binary output) to pattern extraction

Les travaux de cette thèse portent sur l'identification des systèmes et l'extraction de motifs à partir de données. Dans le cadre de l'identification des systèmes, nous nous intéressons plus précisément à l'identification des systèmes dynamiques hybrides et l'identification des systèmes dynamiques linéaires ayant une sortie binaire. Deux classes très populaires des systèmes hybrides sont les systèmes linéaires à commutations et les systèmes affines par morceaux. Nous faisons tout d'abord un état de l'art sur les méthodes d'identification de ces deux classes. Nous proposons ensuite un algorithme basé sur une méthode d'identification de type OBE "Outer Bounding Ellipsoid" pour l'identification en temps réel des systèmes à commutations soumis à un bruit borné. Nous présentons ensuite plusieurs extensions de l'algorithme soit pour l'identification des systèmes affines par morceaux, l'identification des systèmes à commutations décrits par un modèle du type erreur de sortie et l'identification des systèmes MIMO à commutations. Nous abordons ensuite le problème d'identification des systèmes linéaires ayant une sortie binaire en introduisant un point de vue original consiste à formuler le problème d'identification comme un problème de classification. Ceci permet de proposer deux algorithmes d'identification basés sur l'utilisation des SVMs. Le premier algorithme est dédié à l'identification des systèmes à temps discret et le deuxième algorithme est dédié à l'identification des systèmes à temps continu. Dans le cadre de l'extraction de motifs, nous présentons dans un premier temps un état de l'art sur les algorithmes d'extraction de motifs et sur les techniques de la classification non supervisée. Ensuite, nous proposons un algorithme d'extraction de motifs à partir des données basé sur des techniques de classification non supervisée.In this thesis, we deal with the identification of systems and the extraction of patterns from data. In the context of system identification, we focus precisely on the identification of hybrid systems and the identification of linear systems using binary sensors. Two very popular classes of hybrid systems are switched linear systems and piecewise affine systems. First, we give an overview of the different approaches available in the literature for the identification of these two classes. Then, we propose a new real-time identification algorithm for switched linear systems, it's based on an Outer Bounding Ellipsoid (OBE) type algorithm suitable for system identification with bounded noise. We then present several extensions of the algorithm either for the identification of piecewise affine systems, the identification of switched linear systems described by an output error model and the identification of MIMO switched linear systems. After this, we address the problem of the identification of linear systems using binary sensors by introducing an original point of view. We formulate the identification problem as a classification problem. This formulation allows the use of supervised learning algorithms such as Support Vector Machines (SVMs) for the identification of discrete time systems and the identification of continuous-time systems using binary sensors. In the context of pattern extraction, we first present an overview of the different pattern extraction algorithms and clustering techniques available in the literature. Next, we propose an algorithm for extracting patterns from data based on clustering techniques