Séquence robuste d'optimisation paramétrique d'un système d'inférence floue

Ce travail présente une séquence robuste d'optimisation des paramètres d'un système d'inférence floue. Chacune des étapes permet d'optimiser un ensemble de paramètres interdépendants, suivant des critères de performance numérique mais aussi de couverture. La structure du système n'est pas modifiée par la procédure et des contraintes sont imposées pour garantir son interpr étabilité. Dix couples apprentissage-test sont générés pour chaque jeu de données et les systèmes optimisés suivant chacun des sous-échantillons sont agrégés en un système final. L'ensemble des procédures est implémenté dans le logiciel libre FisPro. This work proposes a robust parameter optimization sequence for fuzzy inference systems. Each step allows for optimizing a set of interrelated parameters according to various criteria such as numerical accuracy and coverage. The fuzzy inference system structure is preserved and constraints are imposed to respect the fuzzy partition semantics. A ten-fold sub-sampling validation is also proposed for each of the datasets and all the systems optimized according to the sub-samples are aggregated in a final system. All the procedures are implemented in the FisPro open source software.