Fusion of aroma, FT-IR and UV sensor data based on the Bayesian inference. Application to the discrimination of white grape varieties | Fusion de capteurs d'arôme et de spectromètres FT-IR et UV basée sur l'inférence bayesiènne. Application à la discrimination de cépages blancs

Francés. L'objectif de cette étude est de présenter une méthode de fusion basée sur l'inférence Bayesienne pour combiner la réponse de plusieurs capteurs. Les capteurs étudiés ici sont des capteurs d'arôme et des spectromètres FT-IR et UV. L'application consiste à discriminer des moûts de cépages blancs. La procédure de fusion n'est pas basée sur la fusion des signaux, mais sur les assignations de classes données par chaque capteur. Deux méthodes d'inférence bayesienne ont été développées : la fusion par minimisation de l'erreur de Bayes et celle par minimisation du risque. Cette dernière mobilise la connaissance expérimentale sous forme de probabilités et la connaissance experte sous forme de coûts. L'article présente la théorie mathématique concernant l'approche bayesienne et les résultats obtenus sur la discrimination de cépages blancs. L'amélioration apportée par la fusion est sensible : l'erreur de discrimination vaut 4.7%, alors que le meilleur capteur (FT-IR) commet une erreur double (9.6%).La fusion bayesienne s'avère particulièrement adaptée à la combinaison de tous types de capteurs (courbes ou valeurs uniques) dès que chacun d'eux est capable de fournir une classification. De plus, la fusion bayesienne est capable de s'adresser à des capteurs fournissant des données nombreuses, bruitées et redondantes ainsi qu'à des capteurs montrant des niveaux d'efficacité très différents.

Inglés. The objective of this study is to present a fusion method based on the Bayesian inference to combine the outputs of various sensors. The sensors studied here are aroma sensors, FT-IR and UV spectrometers. The application deals with classifying musts of white grapes according to their variety. The fusion procedure is not based on the combination of the signals, but of the class assignments provided individually by each sensor. Two methods have been developed based on the Bayesian inference: the Bayesian minimum error fusion rule and the minimum risk rule. The latter involves both experimental knowledge, in computing error probability values, and expert-knowledge, through the level of error costs. The paper presents the mathematical theory concerning the Bayesian approach and the results obtained on white grape classification. This effective fusion method leads to a significant improvement in the grape variety discrimination: the final misclassification error is 4,7% whereas the best individual sensor (FT-IR) gave a misclassification error twice as high, i.e. 9,6%. Bayesian fusion proved to be very well suited to the combination of the information of all kinds of analytical measurements or sensors (curves or single value outputs), as long as they provide individual classification. Furthermore, Bayesian fusion is able to cope with sensors providing large, noisy and redundant data as well as sensors showing very dissimilar efficiency levels.