Dans cet article, une étude sur la classification de matériaux à partir de leur composition chimique est réalisée. La méthode utilisée se base sur un arbre de décision flou et l'accent est mis sur la gestion de l'incertitude des données, qui fait l'objet d'un traitement particulier que nous exposerons. L'algorithme complet est testé sur des jeux de données simulés, dans l'attente de données réelles.
Les systèmes experts flous peuvent être très utiles pour traiter des flux de données ou des flux d'évènements. Entre autres, les experts peuvent écrire des règles afin d'expliciter la manière dont les données doivent être traitées. Cependant, il s'avère fortement utile de pouvoir décrire les relations temporelles qui lient les données entre elles. Dans cet article, nous proposons une méthode simple pour créer des opérateurs temporels qui repose sur la définition mathématique de quelques opérateurs de base, puis de les combiner entre eux pour former des opérateurs plus complexes permettant de caractériser ou comparer des valeurs qui évoluent dans le temps. Pour cela, nous nous appuyons sur le concept d'expiration des expressions temporelles, c'est-à-dire la capacité de modifier les valeurs des sorties sans que les entrées n'aient changé.
L'émergence des objets connectés et de l'internet des objets nécessite de proposer des traitements adaptés aux flux d'information. Les systèmes experts flous présentent de bonnes propriétés pour ce genre de données puisqu'ils permettent naturellement de prendre en compte l'imprécision et l'incertitude des données mais également des connaissances que l'on en a. Cependant, les systèmes experts flous ont été conçus pour fonctionner de manière synchrone ce qui ne leur permet pas d'être efficaces sur des flux d'information abondants. Nous proposons donc une architecture modulaire et une représentation adaptée de la base de règles afin de traiter efficacement les flux d'information avec un système expert flou.