Raisonnement à base de règles implicatives floues

Reasoning based fuzzy implicative rules

• Auteur / Autrice : Hazaël Jones
• Direction : Didier Dubois
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2007
• Etablissement(s) : Toulouse 3

Mots clés

Mots clés contrôlés

Étalonnage

Industries agroalimentaires

Systèmes experts (informatique)

Sémantique

Incertitude (théorie de l'information)

Informatique

Systèmes flous

Mots clés libres

Règles floues

Connaissances expertes

Inférence entrées floues

Sémantique

Interprétabilité

Agroalimentaire

Fromage de Comté

Résumé

Cette thèse considère la modélisation de connaissances expertes par des règles implicatives floues. Elle étudie les avantages de ces règles par rapport aux règles les plus utilisées parmi les règles floues : les règles conjonctives. Cependant, l'inférence à partir de règles implicatives et d'entrées floues n'est pas simple et a longtemps été un frein à leur utilisation, les principales difficultés étant la complexité de l'inférence avec plusieurs règles et des entrées floues, la conception de partitions adaptées, et l'interprétation sémantique pour des utilisateurs habitués au raisonnement avec des règles floues conjonctives. Nos travaux portent sur ces points. Nous présentons une méthode d'inférence à partir de règles implicatives floues et d'entrées floues, qui permet d'implémenter facilement le raisonnement implicatif dans les cas mono et bidimensionnels. Nous donnons aussi des éléments de comparaison entre règles conjonctives et implicatives, et nous étudions la sémantique de ces différentes règles, d'un point de vue logique et pratique. Une illustration à un cas réel dans le domaine de l'agroalimentaire est présentée. Il s'agit de prévoir les défauts éventuels du fromage de Comté après affinage à partir des informations avant affinage, les informations disponibles étant composées des connaissances expertes du CTFC (Centre Technique des Fromages Comtois), et des données sur le procédé. Les méthodes développées étant génériques, les outils proposés sont utilisables pour une classe d'applications large : celle où les connaissances expertes s'expriment sous forme d'un modèle. Ils offrent des pistes de modélisation qui respectent à la fois l'imprécision des données et les caractéristiques du raisonnement expert.

This thesis considers expert knowledge modelling by implicative fuzzy rules. It explores the benefits of these rules compared to the most frequently used fuzzy rules: conjunctive rules. However, inference from implicative rules and fuzzy inputs is not easy and has long been an impediment to their use. The main difficulties are the complexity of the inference with several implicative rules and fuzzy inputs, the partition design, and the semantic interpretation for users familiar with the reasoning with conjunctive fuzzy rules. Our work focuses on these points. We present an inference method using implicative fuzzy rules and fuzzy inputs, which can easily implement the implicative reasoning in the one and two-dimensional case. We also give a comparison between conjunctive rules and implicative rules, and we study the semantics of these rules, in terms of logic and practical use. A real world illustration in the food industry is presented. The goal of this work is the prediction of post maturing cheese defects with information available before the maturing process. Available information comes from CTFC (Technical Center on Comtois Cheese) expert knowledge and process data. Since the developed methods are generic, they can be used for a wide class of applications: those in which the expert knowledge is expressed in the form of a model. They provide modeling perspectives that respect both imprecise data and expert reasoning characteristics.