Thème : Reconnaissance des Formes Incomplètement Définies

Abstract

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.