Système à base de règles floues pour la reconnaissance de composés chimiques

Les nez électroniques sont en plein essor, notamment grâce à un besoin de plus en plus important dans des domaines comme la sécurité et le contrôle qualité. Ces périphériques de contrôle reposent sur différentes technologies qui font l'objet d'importantes recherches dans une communauté toujours plus grande de physiciens et électroniciens. Cependant, les données issues de ces capteurs sont souvent traitées par des algorithmes classiques peu ou mal configurés dans le but de reconnaître automatiquement des composés chimiques cibles. Ces algorithmes reposent souvent sur des modèles statistiques qui ne sont pas toujours adaptés à un nombre de données d'apprentissage restreint et des problèmes de reproductibilité avérés pour ces capteurs. Dans cet article, nous proposons d'entraîner des modèles flous et de comparer leurs performances avec les méthodes classiques de l'état de l'art.