Abstract FR:

Le travail presente s'inscrit dans le cadre de l'apprentissage supervise. La validation des methodes developpees s'appuie sur les donnees de controle non-destructif par ultrasons, l'objectif etant la caracterisation des defauts detectes. Les deux axes complementaires de l'etude concernent la parametrisation du signal d'une part, et la reconnaissance de signatures de defauts, d'autre part. Differents jeux de parametres exploitant la connaissance du protocole d'acquisition ou extraits de maniere systematique, sont etudies et compares a l'aide d'une methode de reconnaissance classique. La seconde etape consiste, etant donne un ensemble d'exemples decrits par des attributs a valeurs continues, a generer des regles de decision permettant de reconnaitre une nouvelle experience a partir de ses attributs mesures. On distingue les methodes statistiques telles que la discrimination lineaire ou logistique, fournissant des fonctions discriminantes sous forme algebrique, des algorithmes de type apprentissage de regles dans un contexte descriptif numerique. Dans le cadre de la construction d'arbres de decision, on propose une approche reposant sur l'elimination progressive de cas de diagnostics possibles, par de simples regles de filtrage basees sur des connaissances d'origine statistique. Enfin, une approche connexionniste est envisagee par l'etude de la faisabilite d'un reseau d'apprentissage multi-couche base sur l'algorithme de retropropagation du gradient