Conception et élaboration d’un système expert à base de règles floues pour le traitement d’information chimique

Abstract

L’évaluation de l’odeur par l’homme est un champ spécial de recherche complexe. Ceci explique le nombre important d’articles qui traitent de méthodes d’analyse de données sensorielles. Cependant, dans ce domaine, la subjectivité des information expérimentales, des connaissances expertes imprécises et le profil odeur différents des molécules similaires, empêchent d’établir, par modélisation, des systèmes prédictifs Relation Structure-Odeur (RSO) robustes. L’utilisation de nouveaux outils d’apprentissage et d’optimisation, adaptés à l’exploitation de la diversité moléculaire, peut améliorer la connaissance du rôle des variables qui caractérisent l’odeur et, par conséquent, le développement de modèles prédictifs. Parmi les différentes méthodes, els techniques dérivées des concepts de la Logique Floue (LF) fournissent des solutions intéressantes aux problèmes de classification dans le cadre des catégories imprécises, parmi lesquels s’insère l’olfaction. Ces concepts regroupent un ensemble de principes mathématiques capables de modéliser l’information à l’aide de fonctions d’appartenances. Très proche de la pensée humaine, la LF met en jeu un ensemble de règles d’utilisation courante. Elle permet de se rapprocher de la réalité afin de mieux exploiter les bases de données odeurs. L’objectif de notre travail est de combiner les techniques de LF aux arbres de décision et algorithmes génétiques, pour élaborer un système de classification. Elles ont montré leur capacité à établir des modèles RSO robustes sur deux séries différentes de composés olfactifs, camphre et bois de santal. En effet, les modèles prédictifs les plus performants ont permis de classifier correctement, les odeurs d’un ensemble de molécules test avec un taux de prédiction supérieur à 82%.