Abstract FR:

Cette these traite le probleme de la classification a partir de donnees multivariees issues de capteurs sensoriels : capteurs d'aromes et spectrometres. Le premier axe consiste a optimiser de nouveaux systemes de mesure aromatique, les nez electroniques ou capteurs d'aromes, grace a la conception d'une demarche methodologique experimentale comprenant 3 etapes : l'extraction de descripteurs de forme des signaux et leur selection grace a des criteres de performance definis pour les systemes multi-capteurs ; l'application de plans d'experiences afin de determiner l'influence de facteurs exterieurs sur la qualite de la mesure et les conditions experimentales optimales ; enfin, l'adaptation de techniques de selection de variables (methodes pas a pas et algorithmes genetiques) au choix des transducteurs a inserer dans le systeme multi-capteur d'aromes. Ces methodologies ont ete appliquees a des solutions modeles et validees sur des echantillons naturels : des mouts de raisins blancs de cepages differents. Le second axe de la these est l'application de la fusion multi-capteur a la classification supervisee a partir de donnees multivariees redondantes. Elle est employee pour la discrimination de cepages de mouts de raisins blancs, grace aux mesures aromatiques prealablement optimisees et aux analyses spectrometriques dans l'infrarouge et ultraviolet. Deux methodes de fusion multisensorielle sont proposees et comparees : la fusion de niveau bas, combinant les signaux bruts, et la fusion de niveau haut, tenant compte des classifications individuelles et de l'expertise, grace a l'erreur ou au risque minimum de bayes. Les cepages sont correctement discrimines par la technique de fusion bayesienne (4,7% d'erreur), montrant ainsi l'efficacite des capteurs ainsi que des methodes d'optimisation et de fusion. Ces demarches pourront etre appliquees a toute problematique de discrimination basee sur la combinaison de donnees multivariees issues de differents capteurs.