Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Discovery Grants Program - Individual

Université Laval

$22,000.00

Algorithmes évolutionaires, apprentissage incrémental et reconnaissance des formes

FY 2007-08

Summary
Les algorithmes évolutionnaires («Evolutionary Computations») sont des techniques émergentes dans le domaine de l'intelligence à base de calcul («computational intelligence»). Dans le contexte d'un problème déterminé, elles consistent essentiellement à faire évoluer un ensemble de structures de données représentant des solutions pour ce problème, on parle de population d'individus, grâce à un processus de sélection naturelle inspiré de la théorie de Darwin et d'une série d'opérateurs, tels les croisements et les mutations, inspirés de la génétique cellulaire. Le processus de sélection engendre une nouvelle génération d'individus alors que les opérateurs génétiques transforment ou combinent ceux-ci pour créer de nouveaux individus que l'on espère meilleurs que leurs prédécesseurs. En apprentissage incrémental, on suppose explicitement que l'ensemble des données devant servir à l'apprentissage n'est pas totalement disponible a priori. Le système doit donc apprendre de façon incrémentale, c'est-à-dire au fur et à mesure que de nouvelles données deviennent disponibles. Il doit améliorer ses performances au fil du temps, mais sans recommencer systématiquement son apprentissage à partir de zéro. Il doit donc être en mesure de: 1) acquérir de nouvelles connaissances sans requérir la mémorisation de toutes les données d'apprentissage; 2) retenir ce qu'il a appris précédemment, dans la mesure du possible, tant que les nouvelles connaissances n'entrent pas en conflit direct avec les anciennes; et 3) accepter de nouvelles catégories de connaissances (classes de formes), qu'il n'a jamais observées auparavant. Pour cette recherche, nous proposons de développer de nouvelles approches méthodologiques basées sur les algorithmes évolutionnaires pour résoudre des problèmes de reconnaissance des formes dans un contexte d'apprentissage incrémental.
Program
Discovery Grants Program - Individual
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
155389-2006
Name nom
Parizeau, Marc
Department département
Génie électrique et génie informatique
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2007
Competition year année de concours
2006
Award amount
22000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
Discovery grants programs
Group fr
Programmes de subventions à la découverte
Committee code
331
Committee name en
Computing and Information Sciences - B
Committee name fr
Informatique - B
Area of application code
802
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Information systems and technology
Area of application fr
Systèmes d'information et technologie de l'information
Research subject code
2605
Research subject group en
Robotics
Research subject group fr
Robotique
Research subject en
Pattern analysis and machine intelligence
Research subject fr
Analyse de formes et intelligence artificielle
Partie
2
Nb partie
5
Application title
Algorithmes évolutionaires, apprentissage incrémental et reconnaissance des formes
Keyword
NA
Application summary
Les algorithmes évolutionnaires («Evolutionary Computations») sont des techniques émergentes dans le domaine de l'intelligence à base de calcul («computational intelligence»). Dans le contexte d'un problème déterminé, elles consistent essentiellement à faire évoluer un ensemble de structures de données représentant des solutions pour ce problème, on parle de population d'individus, grâce à un processus de sélection naturelle inspiré de la théorie de Darwin et d'une série d'opérateurs, tels les croisements et les mutations, inspirés de la génétique cellulaire. Le processus de sélection engendre une nouvelle génération d'individus alors que les opérateurs génétiques transforment ou combinent ceux-ci pour créer de nouveaux individus que l'on espère meilleurs que leurs prédécesseurs. En apprentissage incrémental, on suppose explicitement que l'ensemble des données devant servir à l'apprentissage n'est pas totalement disponible a priori. Le système doit donc apprendre de façon incrémentale, c'est-à-dire au fur et à mesure que de nouvelles données deviennent disponibles. Il doit améliorer ses performances au fil du temps, mais sans recommencer systématiquement son apprentissage à partir de zéro. Il doit donc être en mesure de: 1) acquérir de nouvelles connaissances sans requérir la mémorisation de toutes les données d'apprentissage; 2) retenir ce qu'il a appris précédemment, dans la mesure du possible, tant que les nouvelles connaissances n'entrent pas en conflit direct avec les anciennes; et 3) accepter de nouvelles catégories de connaissances (classes de formes), qu'il n'a jamais observées auparavant. Pour cette recherche, nous proposons de développer de nouvelles approches méthodologiques basées sur les algorithmes évolutionnaires pour résoudre des problèmes de reconnaissance des formes dans un contexte d'apprentissage incrémental.