Contribution à la classification floue de données comportant des classes de forme quelconque : application au développement d'un module d'aide à la décision

Contribution to the fuzzy classification of data comprising of the unspecified particle shape categories : application to the development of a module of decision-making aid

• Auteur / Autrice : Arnaud Devillez
• Direction : Gérard Villermain Lecolier
• Type : Thèse de doctorat
• Discipline(s) : Génie informatique, automatique et traitement du signal
• Date : Soutenance en 1999
• Etablissement(s) : Reims
• Partenaire(s) de recherche : autre partenaire : Université de Reims Champagne-Ardenne. UFR des sciences exactes et naturelles

Mots clés

Mots clés contrôlés

Maîtrise statistique des processus

Reconnaissance des formes (informatique)

Possibilités, Théorie des

Logique floue

Diagnostic

Classification

Systèmes d'aide à la décision

Résumé

Ce mémoire présente une contribution aux méthodes floues de classification pour développer un module décisionnel adaptatif. Une évaluation des méthodes courantes conduit à choisir le Fuzzy Pattern Matching pour la discrimination. Le choix d'une méthode non supervisée pour l'apprentissage initial, est plus compliqué car le calcul d'une partition floue dans un nuage comportant un nombre inconnu de classes de forme quelconque est difficile. L'algorithme proposé, Unsupervised Fuzzy Graph Clustering (UFGC), combine la méthode Floue des C Moyennes (FCM) avec une hiérarchie. Une relation floue de proximité est établie entre des sous classes, préalablement calculées par FCM. Sa coupe défuzzifie le graphe flou de proximité en un graphe de voisinage. Les sous classes d'une composante connexe sont fusionnées par la somme des degrés d'appartenance aux sous classes. Nous montrons que la partition floue calculée respecte la répartition des points. Un critère de compacité est proposé pour trouver la coupe optimale, et le nombre de classes quelle que soit leur forme. Pour la discrimination, nous adaptons FPM à des classes de toute forme par une approche multiprototype. La première solution, Fuzzy Pattern Matching with Exponential function (FPME), consiste à diviser chaque classe en sous classes et à calculer pour chacune d'elles une fonction d'appartenance. Une somme bornée de ces fonctions donne une valeur d'appartenance à chaque classe. Cette dernière est agrégée aux possibilités d'appartenance suivant chaque attribut. Dans l'autre adaptation proposée, Fuzzy Pattern Matching Multidensity, chaque classe est divisée en sous classes. Au lieu de calculer une densité de possibilité par classe et par attribut, nous proposons de calculer une densité de possibilité par sous classe et par attribut. Pour un nouveau point, une valeur de possibilité est calculée pour chaque sous classe et chaque attribut. L'agrégation donne une possibilité d'appartenance à chaque sous classe. La fusion des ces valeurs par une somme bornée donne un degré d'appartenance du point à chaque classe. Une illustration des niveaux d'appartenance montrent que ces méthodes respectent la forme des classes. L'intégration de UFGC et FPME constitue notre module d'automatisation du tri des bouteilles plastiques et de supervision d'une presse à injecter.