Auteurs : Khadidja Henni ^1,2; Olivier Alata ³; Lynda Zaoui ¹; Abdellatif ELIDRISSI ; Ahmed Moussa ^4,5

• 1 Université des sciences et de la Technologie d'Oran Mohamed Boudiaf [Oran]
• 2 Laboratoire LSSD,
• 3 Laboratoire Hubert Curien
• 4 Ecole Nationale des Sciences Appliquées
• 5 Laboratoire des Technologies de l'Information et de la Communication de l'ENSA de Tanger.

Cet article décrit un nouvel algorithme non supervisé de classification des données multidimensionnelles. Il consiste à détecter les prototypes des classes présentes dans un échantillon et à appliquer l’algorithme KNN pour la classification de toutes les observations. La détection des prototypes des classes est basée sur les processus ponctuels marqués, c’est d’une part une adaptation de la méthode de Métropolis-Hasting-Green qui génère des mouvements manipulant les objets du processus (naissance, mort…) et d’autre part une modélisation de Gibbs qui introduit la fonction de potentiel matérialisant les interactions du processus en termes d’énergie. Plusieurs expérimentations ont été réalisées sur des données ponctuelles multidimensionnelles où les classes sont non linéairement séparables et des données réelles issues des puces à ADN. Une comparaison avec des méthodes de classification existantes a permis de montrer l’efficacité de ce nouvel algorithme.