Un modèle flou pour la détection et la validation de groupements homogènes de données multidimensionnelles

Abstract

Les travaux présentés dans ce mémoire de thèse d’état concernant la recherche et la validation de groupements naturels au sein d’un ensemble quelconque de données multidimensionnelles non étiquetées, c'est-à-dire dont les groupements d’origine sont inconnus. Après un chapitre introductif, qui présente le problème étudié en tant qu’étape importante en reconnaissance des formes et l’utilité des modèles flous dans le cas de données non étiquetées, le reste du mémoire est structuré en trois chapitres essentiels. Le deuxième chapitre décrit un nouvel algorithme qui permet de détecter la présence de classes homogènes au sein d’une base d’apprentissage de la forme X = [xik], où xik   désigne la kème composante de la ième forme. En l’absence de toute information à priori sur la culture du système réel représenté par X, cet algorithme peut conduire à plus d’une solution plausible. Le troisième chapitre présente une technique qui permet de sélectionner la meilleure solution candidate parmi les solutions produite par l’algorithme d’apprentissage. Cette technique est basée sur une utilisation conjointe de plusieurs critères de validité. A travers une étu de comparative de différents critères, on montre dans le même chapitre que l’utilisation d’un critère unique peut conduire à des résultats erronés. Le dernier chapitre présente les résultats du modèle global intégrant la procédure de détection des classes et le protocole de validation multicritères.