Contribution à l application de la reconnaissance des formes et la théorie des possibilités au diagnostic adaptatif et prédictif des systèmes dynamiques

Les méthodes de Reconnaissance est l ensemble des méthodes permettant de classifier des formes dans des classes. Nous avons choisi, parmi les méthodes de classifications existantes, la méthode possibiliste Fuzzy Pattern Matching (FPM) pour réaliser le diagnostic des systèmes dynamiques. FPM est simple et son temps de classification est constant et faible. De plus, elle est capable de sélectionner les sources d informations les plus pertinentes et de traiter des données qui sont à la fois incertaines et imprécises. Cependant, FPM est une méthode de classification naïve, c'est-à-dire qu elle classifie un nouveau point par la sélection d'une des décisions partielles. Chaque décision partielle est calculée pour chaque classe et par rapport à chaque attribut. FPM ne tient donc pas compte de la corrélation entre les attributs et considère la forme des classes comme convexe. Ces inconvénients rendent FPM inutilisable pour les applications réelles qui souvent nécessitent une discrimination non linéaire entre les classes. De plus, FPM n est pas une méthode de classification adaptative ou prédictive. Elle ne peut pas extraire l information manquante des points rejetés en quantifiant leur représentativité vis a vis des classes connues. Ces points, portent l information sur l apparition d une nouvelle classe ou l évolution entre deux classes. Les travaux de ce mémoire de thèse portent donc sur l amélioration de la méthode FPM afin de remédier à ses limites. Les performances des solutions proposées sont illustrées à travers plusieurs exemples académiques et réelsThe problem of diagnosis by Pattern Recognition can be posed as a problem of classification, i.e., the actual functioning mode can be determined by knowing the class of the actual pattern. We use the method Fuzzy Pattern Matching (FPM) to realize the diagnosis because it is a simple method based on a feature selection. In addition it has a small and constant classification time, and it takes into account both the imprecision and uncertainty. However FPM is marginal, i.e., its global decision is based on the selection of one of the intermediate decisions. Each intermediate decision is based on one attribute. Thus, FPM does not take into account the correlation between attributes. Additionally, FPM considers the shape of classes as convex one. Also, FPM cannot realize the adaptive and predictive diagnosis because it rejects all the points which carry the information about the class evolution or the creation of a new class. These drawbacks make FPM unusable for many real world applications. In this thesis, we propose to improve FPM to solve these drawbacks. Several synthetic and real data sets are used to show the performances of the improved FPM with respect to classical oneREIMS-BU Sciences (514542101) / SudocSudocFranceF