Résumé
Fuzzy inference systems (FIS) are widely used for process simulation or control. They can be designed either from expert knowledge or from data. For complex systems, FIS based on expert knowledge only may suffer from a loss of accuracy. This is the main incentive for using fuzzy rules inferred from data. Designing a FIS from data can be decomposed into two main phases: automatic rule generation and system optimization. Rule generation leads to a basic system with a given space partitioning and the corresponding set of rules. System optimization can be done at various levels. Variable selection can be an overall selection or it can be managed rule by rule. Rule base optimization aims to select the most useful rules and to optimize rule conclusions. Space partitioning can be improved by adding or removing fuzzy sets and by tuning membership function parameters. Structure optimization is of a major importance: selecting variables, reducing the rule base and optimizing the number of fuzzy sets. Over the years, many methods have become available for designing FIS from data. Their efficiency is usually characterized by a numerical performance index. However, for human-computer cooperation another criterion is needed: the rule interpretability. An implicit assumption states that fuzzy rules are by nature easy to be interpreted. This could be wrong when dealing with complex multivariable systems or when the generated partitioning is meaningless for experts. This paper analyses the main methods for automatic rule generation and structure optimization. They are grouped into several families and compared according to the rule interpretability criterion. For this purpose, three conditions for a set of rules to be interpretable are defined.
Les systèmes d'inférence floue (SIF) sont très utilisés pour la simulation ou le contrôle des procédés. Ils peuvent être conçus à partir de l'expertise ou bien à partir d'un ensemble de données. Ceux qui sont basés sur la seule expertise humaine souffrent généralement d'un manque de précision, tandis que les règles inférées à partir des données sont souvent difficiles à interpréter pour les experts. La coopération des deux types de SIF, indispensable pour la gestion des systèmes complexes, est envisageable sous réserve que l'induction automatique des règles produise de la connaissance, sous forme de règles, qui soit réutilisable par les experts. L'induction de règles peut être décomposée en deux phases : la génération automatique des règles et l'optimisation du système. Cette dernière inclut la sélection de variables et la réduction de la base de règles. Cet article analyse les principales méthodes disponibles et les compare suivant un critère essentiel pour la coopération homme-machine : l'interprétabilité des règles.