Conclusion
Robustesse des étalonnages multidimensionnels : application aux données spectrales

Dans cet article, nous avons vu que la robustesse des étalonnages prenait un caractère particulier dans le cas hautement multivarié des signaux continus, tels que les spectres. La très grande dimension de l'espace de mesure laisse en effet une grande latitude à l'expression des grandeurs d'influence, si aucune précaution n'est prise. La stratégie de prise en compte de ce problème est déclinée, selon les propriétés de contrôlabilité et de mesurabilité de la grandeur d'influence.

Dans le cas où l'on dispose de la valeur de la grandeur d'influence au moment de l'utilisation du modèle d'étalonnage, trois méthodes ont été décrites : la correction a priori, qui consiste à modifier la mesure pour correspondre aux conditions de l'étalonnage ; la correction du modèle, qui consiste à adapter le modèle aux nouvelles conditions ; la correction a posteriori, qui consiste à corriger les sorties du modèle.

Lorsque la valeur de la grandeur d'influence n'est pas disponible au moment de l'utilisation du modèle d'étalonnage, il faut construire un modèle robuste, soit implicitement, en soignant la construction de la base d'étalonnage, soit explicitement, en ôtant de l'espace de mesure les dimensions responsables de la non-robustesse du modèle. Ces méthodes, basées sur l'orthogonalisation de sous-espaces vectoriels ont été présentées à la fin de cet article.