Résumé:
Le travail dans cette thèse a pour objectif de proposer un système de reconnaissancedes formes basé sur les règles floues. Afin d’élaborer un système à la fois efficace et compact, nous nous sommes intéressés aux approches de clustering pour la génération desrègles floues et aux méta-heuristiques bio-inspirées pour l’optimisation des paramètres
du système. Nous avons ainsi mené une étude analytique portant sur l’effet des poidsdes règles et des fonctions d’appartenance, puis proposé trois modèles de classification.Le premier modèle se base sur l’optimisation des fonctions d’appartenance par fusion.Le deuxième modèle se base sur le clustering pour générer les règles floues et les métaheuristiques bio-inspirées pour l’optimisation des poids des règles. Dans ce modèle nous
avons utilisée l’optimisation par essaim de particules (PSO) et l’algorithme de recherchecoucou (cuckoosearch). Finalement, le troisième modèle, qui constitue notre principalecontribution, se base sur l’utilisation du PSO pour l’optimisation des paramètres de laméthode de clustering. L’idée de base repose sur le fait que la détermination d’un nombre
optimal de règles revient à déterminer des valeurs adéquates des paramètres d’entrée dela méthode de clustering. Notre contribution consiste ainsi à considérer la définition deces paramètres comme un problème d’optimisation et à utiliser le PSO pour cette tâche.Pour évaluer les modèles proposés, nous avons effectué des tests sur plusieurs bases dedonnées et comparé nos résultats avec d’autres méthodes récentes
