Abstract FR:

Cette thèse traite de l'utilisation des règles floues de la forme "si X est A, alors Y est B", dans le cadre du raisonnement approché, du point de vue de la validation et des méthodes d'inférence. Il existe deux catégories principales de règles floues. Les règles implicatives, réelle extension des règles classiques, sont préférées en IA pour les applications dédiées au raisonnement approché. Les regles conjonctives, comme celles dites de Mamdani, sont plus utilisées en contrôle flou, pour la représentation approchée de fonctions numériques. En pratique, le choix des règles est souvent empirique. Basée sur une étude de la sémantique des règles floues, proposée par Dubois et Prade dans le cadre de la théorie de possibilités, cette thèse poursuit une étude systématique visant à permettre le choix et l'utilisation rationnelle d'un ou plusieurs types de règles pour une application donnée, en fonction du sens des connaissances à représenter. La première partie présente une classification des règles floues, qui comporte quatre types principaux : les règles à certitude, à possibilité, graduelles et antigraduelles. Elle insiste sur les différences entre les règles implicatives et conjonctives. Ensuite, une étude de la validation des ensembles de règles est proposée. En particulier, les notions de cohérence et de redondance d'une base de règles floues sont introduites et des méthodes pratiques de vérification sont proposées. Cette vérification de la cohérence n'a de sens que pour les règles implicatives, qui prennent là tout leur intérêt. La partie suivante étudie les algorithmes d'inférence, notamment dans le cas complexe des règles implicatives et des entrées floues. L'utilisation conjointe des règles implicatives et conjonctives, intéressante pour la représentation et de validation des connaissances, est étudiée. Le raisonnement interpolatif à base de règles graduelles est aussi abordé. Enfin, un logiciel de validation des bases de règles est présenté.