Mise en place d’un système hybride MLP, DBSCAN, SVM pour la prise de décision sur la conformité des produits frais, cas du laboratoire de microbiologie de l’Office Congolais de Contrôle (OCC)

Abstract

Dans cet article, nous proposons une architecture hybride innovante qui combine un réseau de neurones multicouche (MLP), l’algorithme de clustering DBSCAN, et un classificateur SVM. Cette approche vise à améliorer la robustesse et la précision de classification en intégrant une extraction de connaissances non linéaire, une détection automatique des valeurs aberrantes et une décision linéaire dans un espace optimisé. Nous détaillons la formulation mathématique de chaque composant et démontrons comment leur intégration permet une amélioration significative des performances sur des données bruitées. Les résultats expérimentaux montrent que l’approche MLP - DBSCAN - SVM surpasse les architectures plus classiques telles que MLP - SVM et DBSCAN - SVM, en atteignant une précision de 93,78 %, contre 92,0 % et 75,5 % respectivement. Il confirme la pertinence d’un pipeline intelligent et séquentiel alliant extraction de connaissances non linéaire, réduction du bruit et classification supervisée pour la déclaration de conformité de produit frais de consommation par la classification automatique via une architecture hybride MLP – DBSCAN - SVM, application au laboratoire de Microbiologie de l’OCC.

In this article, we propose an innovative hybrid architecture that combines a multilayer perceptron (MLP), the DBSCAN clustering algorithm, and an SVM classifier. This approach aims to improve classification robustness and accuracy by integrating nonlinear feature extraction, automatic outlier detection, and linear decision-making in an optimized space. We detail the mathematical formulation of each component and demonstrate how their integration leads to a significant improvement in performance on noisy data. Experimental results show that the MLP-DBSCAN-SVM approach outperforms more traditional architectures such as MLP-SVM and DBSCAN-SVM, achieving an accuracy of 93.78%, compared to 92.0% and 75.5% respectively, confirming the relevance of an intelligent, sequential pipeline combining nonlinear feature extraction, noise reduction, and supervised classification for the declaration of conformity of consumer products through automatic classification using a hybrid MLP, DBSCAN, SVM architecture, applied at the OCC Microbiology Laboratory.