Apprentissage automatique de règles floues et interprétabilité : application au classement d'événements sismiques

Dans cet article, nous nous intéresserons à rendre les règles d'un système d'inférence floue plus intelligibles lorsqu'elles sont apprises de manière automatique par des algorithmes de clustering. Ces algorithmes ont l'avantage de proposer des résultats intéressants en terme de performance mais l'écriture en langage naturel des règles qui en découlent est difficile (recouvrement des fonctions d'appartenance). Pour résoudre ce problème, nous ferons l'analyse des différentes mesures de similarité entre deux fonctions de densité proposées dans la littérature afin de proposer finalement des mécanismes de fusion applicables aux fonctions d'appartenance rendant ainsi les partitions plus interprétables. Nous exposerons les résultats obtenus lors de la classification d'événements sismiques par mélanges gaussiens.