Résumé:
Cette thèse se place dans le cadre du clustering flou, dont l'objectif consiste à chercher
une partition d'un ensemble de formes incomplètement définies en classes les plus
naturelles possible ou clusters sans aucune connaissance a priori. L’approche proposée
basée sur la fusion des deux concepts flou et possibiliste et initialisé par la matrice
d’appartenance, permet, d’une part, de résoudre simultanément le problème de
chevauchement et de la coïncidence, de réduire l’effet du bruit et d’autre part d’accélérer le
processus de la classification. Pour valider notre modèle, nous avons effectué des tests avec
les FCM (Fuzzy C‐Means), les PCM (Possibilistic C‐Means) et les FPCM (Fuzzy‐
Possibilistic C‐Means) pour deux cas d’initialisation sur les bases de données : iris, cuisse
humaine et image des textures.