Abstract FR:

L'utilisation d'une formulation purement mathématique s'avère souvent lourde, voire difficilement exploitable pour la modélisation des systèmes complexes. Les modèles linguistiques flous (ou modèles de Mamdani) sont quant à eux intéressants de par leur pouvoir explicatif dû à l'utilisation de variables linguistiques, mais aussi par le fait qu'ils offrent la possibilité d'inclure des connaissances humaines exprimées sous forme de règles linguistiques. L'apprentissage de ce type de modèles est en général effectué en divisant le processus d'apprentissage en deux sous-problèmes qui sont résolus indépendamment : la construction des sous-ensembles flous de référence, d'une part, la détermination de la base de règles, d'autre part. Cependant, de par la haute dépendance entre la discrétisation floue et la génération de la base de règles, la division de la stratégie d'apprentissage peut mener à des modèles inappropriés ou non optimaux. Dans ce contexte, nous avons développé une solution alternative d'apprentissage de modèles linguistiques à partir de données numériques. L'idée est d'améliorer la stratégie d'apprentissage en effectuant simultanément la partition floue et la génération des règles. Le principe de l'algorithme d'apprentissage proposé consiste en améliorations successives du modèle en ajoutant à la fois de nouveaux symboles et de nouvelles règles jusqu'à trouver un modèle suffisamment proche du système réel. Cette méthode a été testée sur plusieurs exemples d'approximation de fonctions, de modélisation de systèmes dynamiques et de prédiction de séries temporelles.