Abstract FR:

Dans cette thèse, nous cherchons à identifier le modèle d'un système complexe. Après avoir décrit le type de modèle que nous retenons, c'est-à-dire le Système d'Inférence FI (ou SIF), nous décrivons l'approche qui permet de l'identifier. Cette approche consiste à effectuer d'abord un regroupement flou, puis les groupements flous estimés sont projetés sur les axes pour obtenir le SIF. La méthode de regroupement que nous utilisons dans notre étude est le Regroupement par Soustraction (RS). Notre première contribution se résume par l'extension de cette méthode d'abord pour diminuer les problèmes liés à la dimension des données (MRS), ensuite pour faciliter la détermination des valeurs de paramètre et enfin pour identifier des groupements de taille différente afin d'augmenter la parcimonie du modèle flou (RSE). Nous appliquons ensuite l'identification du modèle à un problème de classification de courbes fonctionnelles. L'idée principale consiste à considérer la séquence d'observations des courbes comme une seule entité, et non comme des attributs individuels. Pour identifier le modèle classifieur flou, nous proposons d'utiliser tout d'abord des métriques plus adéquates permettant de tenir compte des variations de courbe. Puis nous proposons une nouvelle approche non-supervisée dans le but de réduire la description des courbes out en gardant leur forme évolutive. Enfin, nous utilisons l'approche par changement d'espace en b-spline en espérant que cette transformation permet d'ajouter une information substantielle pour le processus de la classification. La contribution générale de toute notre étude est que nous avons proposé des méthodes qui permettent d'obtenir des modèles plus parcimonieux, et donc de généraliser la connaissance.