Méthode d'auto-fuzzyfication par analyse des typicalités sur des lots de données réduits

Cet article expose une méthode de fuzzyfication automatique pour un classificateur à base de règles linguistiques floues. Elle s'appuie sur l'analyse des scores de typicalité des attributs caractérisant les formes à classer. La méthode proposée est appliquée à la reconnaissance de couleur sur des avivés. L'utilisation d'un classificateur flou n'étant pas aisée pour des non experts, l'industrialisation d'une telle méthode nécessite une simplification des phases de réglages. En outre, le cadre applicatif spécifique de cette étude ne permet d'avoir à disposition qu'une quantité de données réduite pour réaliser la phase d'apprentissage. Les scores de typicalité des attributs présentent l'avantage de discriminer les plages de valeurs associées à chaque classe couleur de sortie. L'étude des corrélations de ces typicalités améliore la fuzzyfication des paramètres et les essais réalisés sur des lots de données « industrielles » montrent l'augmentation du taux de reconnaissance. Ces taux sont comparés à ceux obtenus à partir d'une fuzzyfication équirépartie. Par ailleurs, une diminution du nombre de règles floues générées dans le modèle est constatée. Les temps de traitements en généralisation sont ainsi réduits