Académique Documents
Professionnel Documents
Culture Documents
Cours de Logique Floue
Cours de Logique Floue
Sabeur ELKOSANTINI
Sabeur.Elkosantini@isima.rnu.tn
A. U. : 09-10
S. Elkosantini
Plan
Partie 1 : I.A. Lapproche classique Partie 2 : La thorie des sous ensembles flous Partie 3 : Logique Floue
Partie 3 1 : Fuzzification 3.1 Partie 3.2 : Infrence floue Partie 3.3 : Dfuzzification
A. U. : 09-10
S. Elkosantini
Plan
Partie 1 : I.A. Lapproche classique Partie 2 : La thorie des sous ensembles flous Partie 3 : Logique Floue
Partie 3 1 : Fuzzification 3.1 Partie 3.2 : Infrence floue Partie 3.3 : Dfuzzification
A. U. : 09-10
S. Elkosantini
Introduction
Lintelligence artificielle est une science qui sintresse la ralisation de machines qui ralisent des tches qui ncessiteraient de lintelligence si elles taient faites par un homme (Minsky, 1968) Science qui tudie comment faire faire des machines des tches pour lesquelles lhomme est, aujourdhui encore, le meilleur (Rich et Knight).
A. U. : 09-10
S. Elkosantini
Les propositions sont traites comme des variables (dsignes par des lettres). Des oprateurs permettent de combiner les valeurs de ces variables.
A. U. : 09-10
S. Elkosantini
A. U. : 09-10
S. Elkosantini
A. U. : 09-10
S. Elkosantini
A. U. : 09-10
S. Elkosantini
A. U. : 09-10
S. Elkosantini
Base de connaissances
Moteur dinfrence
F1 : (non distance.<.300km) F2 : (avoir.le.tlphone)
Base de faits
A. U. : 09-10
S. Elkosantini
10
1 0
Pas de fivre
Forte fivre
39
A. U. : 09-10
S. Elkosantini
12
A. U. : 09-10
S. Elkosantini
13
A. U. : 09-10
S. Elkosantini
14
A. U. : 09-10
S. Elkosantini
15
Le systme garde aussi la trace de son raisonnement sous forme dun graphe
A. U. : 09-10
S. Elkosantini
16
A. U. : 09-10
S. Elkosantini
17
1 Et si la temprature tait de 38,99 ?! Et si la temprature tait de 39,01 ?! Et si le phnomne tait plus complexe ?!
A. U. : 09-10
S. Elkosantini
18
Valuation numrique
A. U. : 09-10
S. Elkosantini
19
Plan
Partie 1 : I.A. Lapproche classique Partie 2 : La thorie des sous ensembles flous Partie 3 : Logique Floue
Partie 3 1 : Fuzzification 3.1 Partie 3.2 : Infrence floue Partie 3.3 : Dfuzzification
A. U. : 09-10
S. Elkosantini
20
A. U. : 09-10
S. Elkosantini
21
A. U. : 09-10
S. Elkosantini
22
A. U. : 09-10
S. Elkosantini
23
A. U. : 09-10
S. Elkosantini
24
x X}
A. U. : 09-10
S. Elkosantini
25
A. U. : 09-10
S. Elkosantini
26
Forte appartenance Traduction de la valeur linguistique Fort degr dappartenance = valeur de vrit.
A. U. : 09-10
S. Elkosantini
27
S. Elkosantini
28
A. U. : 09-10
S. Elkosantini
29
A. U. : 09-10
S. Elkosantini
30
10
La traduction de lexpertise humaine vers ce type de nombre flou est plus facile.
A. U. : 09-10
S. Elkosantini
31
A. U. : 09-10
S. Elkosantini
32
Gaussien [a, ]
A. U. : 09-10
singleton [a, m]
S. Elkosantini
33
11
m Gaussien [a, ]
A. U. : 09-10
singleton [a, m]
S. Elkosantini
34
Inclusion de sefs: A B ssi x X, A (x) < B(x) Intersection de sefs: A B: x X, AB (x) = min(A (x), B(x)) Union de sefs: A B: x X, A B (x) = max(A (x), B(x))
A. U. : 09-10
S. Elkosantini
35
A B ( x ) = max ( A ( x ) , B ( x ) ) x U
Partition floue de l'univers du discours
1 0.8 0.6 0.4 0.2 0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Petit
Moyen
Grand
1
0.8
0.6
0.4
0.2
Taille(m)
1.85 1.9
Taille(m)
1.85 1.9
A. U. : 09-10
S. Elkosantini
36
12
A B ( x ) = min ( A ( x ) , B ( x ) ) x U
Partition floue de l'univers du discours
1 0.8 0.6 0.4 0.2 0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Petit
Moyen
Grand
0.8
0.6
0.4
0.2
Taille(m)
1.85 1.9
Taille (m)
1.85 1.9
A. U. : 09-10
S. Elkosantini
37
A ( x ) = 1 A ( x ) x U
Partition floue de l'univers du discours
1 0.8 0.6 0.4 0.2 0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Petit
Moyen
Grand
0.8
0.6
0.4
0.2
Taille(m)
0
1.85
1.9
Taille (m)
1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
1.5
A. U. : 09-10
S. Elkosantini
38
A. U. : 09-10
S. Elkosantini
39
13
B) = (A) (B)
A. U. : 09-10
S. Elkosantini
40
A. U. : 09-10
S. Elkosantini
41
card ( A) = A ( x)
card( A) = x ( x)dx
x
A. U. : 09-10
S. Elkosantini
42
14
X) |A(x) - B(x)|
( x) B ( x) dx
( A, B) =
A. U. : 09-10
d ( A, B ) card ( X )
43
S. Elkosantini
Quelle est la distance de Hamming entre les deux sous ensembles flous A et B ?
A. U. : 09-10
S. Elkosantini
44
A = {x ; A ( x ) }
Les -coupes A d'un sous-ensemble A sont des intervalles non-flous emboits par rapport la valeur de niveau .
1
1 2
A. U. : 09-10
S. Elkosantini
45
15
(A B) = A B
Si (A
B) alors A
S. Elkosantini
46
A. U. : 09-10
S. Elkosantini
47
Mesure floue
A. U. : 09-10
S. Elkosantini
48
16
A. U. : 09-10
S. Elkosantini
49
Fonction d appartenance, distance, cardinalit, ensemble flou, etc. dappartenance distance cardinalit flou etc et aprs !!???
A. U. : 09-10
S. Elkosantini
50
Valuation numrique
A. U. : 09-10
S. Elkosantini
51
17
Lensemble de rfrence dun mot du langage naturel sappelle lunivers du discours. Une variable linguistique reprsente un tat dans le systme rgler. Sa valeur est dfinie dans des termes linguistiques qui peuvent tre des mots ou des phrases dun langage naturel.
A. U. : 09-10
S. Elkosantini
52
o o o o o
x est le nom de la variable, T(x) est lensemble des valeurs linguistique que peut prendre x U est lunivers du discours associ avec la valeur de base G est la rgle syntaxique pour gnrer les valeurs linguistique de x M est la rgle smantique pour associer un sens chaque valeur linguistique
A. U. : 09-10
S. Elkosantini
53
A. U. : 09-10
S. Elkosantini
54
18
Plan
Partie 1 : I.A. Lapproche classique Partie 2 : La thorie des sous ensembles flous Partie 3 : Logique Floue
Partie 3 1 : Fuzzification 3.1 Partie 3.2 : Infrence floue Partie 3.3 : Dfuzzification
A. U. : 09-10
S. Elkosantini
55
Logique floue
Conception de contrleur flou :
Mais pourquoi un contrleur flou ??
Contrleur flou
Commande
Systme
A. U. : 09-10
S. Elkosantini
56
Logique floue
Conception de contrleur flou :
Les mthodes d'infrence utilises dans la logique classique, modus tollens et modus ponens ne permettent pas de raisonner lorsque les rgles ou les faits sont dnis de faon imparfaite. Cette forme de raisonnement a t adapte la logique floue pour prendre en compte les informations et les rgles vagues que les systmes d infrence peuvent contenir. d'infrence
A. U. : 09-10
S. Elkosantini
57
19
Logique floue
Conception de contrleur flou :
clairage
Temprature
Contrleur flou
Serre Agricole
Humidit Rayonnement
A. U. : 09-10
S. Elkosantini
58
Logique floue
Conception de contrleur flou :
Position Cap/chausse Vitesse Angle volant Contrleur flou Pas moteur volant Vhicule autonome
A. U. : 09-10
S. Elkosantini
59
Logique floue
Conception de contrleur flou :
Mais concrtement, quest ce quun contrleur flou ??
Stress Fatigue Conflit Contrleur flou
Performance
Robot
Systme dinfrence flou R1: SI Degr (Stress de Robot) est Trs faible ET Degr (Fatigue de Robot) est Trs faible ET Degr (Conflit de Robot) est Faible ALORS Performance est ZE R2: SI Degr (Stress de Robot) est Modr ET Degr (Fatigue de Robot) est Faible ET Degr (Conflit de Robot) est Modr ALORS Performance est PS R3:
A. U. : 09-10
S. Elkosantini
60
20
Logique floue
Conception de contrleur flou :
Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut
Prmisses
Conjonction
Implication
Conclusion
A. U. : 09-10
S. Elkosantini
61
Logique floue
Conception de contrleur flou :
Les conjonctions :
La dfinition des oprateurs logiques est assure selon le type de la fonction d'appartenance utilise. Q q Quelques oprateurs mathmatiques : p q
A. U. : 09-10
S. Elkosantini
62
Logique floue
Conception de contrleur flou :
Limplication :
L'implication floue est une relation qui associe toute rgle floue R une fonction d'appartenance qui peut tre dfinie de diffrentes manires.
A. U. : 09-10
S. Elkosantini
63
21
Logique floue
Conception de contrleur flou :
Il y a 5 tapes ncessaires lors de la conception dun contrleur flou :
Dfinition des entres et des sorties du contrleur:
nombres, noms, types, univers de discours
S. Elkosantini
64
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
Entre
Fuzzification Calcul de degr dactivation de chaque rgle Recherche de la fonction dappartenance pour la sortie de chaque rgle Recherche de la fonction dappartenance rsultante globale Defuzzification
Sortie
A. U. : 09-10
S. Elkosantini
65
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
Contrleur flou
Mesures
Systme
Commande
A. U. : 09-10
S. Elkosantini
66
22
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
Base de connaissances
Fuzzification
Infrence floue
Dfuzzification
Mesures
Systme
S. Elkosantini
Commande
A. U. : 09-10
67
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
A. U. : 09-10
S. Elkosantini
68
Logique floue
Conception de contrleur flou :
1.
Fuzzification : processus qui consiste transformer une grandeur numrique en un sous-ensemble flou.
Qualifier une valeur numrique avec un terme linguistique.
Pierre est petit un degr de 75% Pierre mesure 1m625 Interface de fuzzification Pierre est moyen 25% Pierre est grand 0%
A. U. : 09-10
S. Elkosantini
69
23
Logique floue
Conception de contrleur flou :
1.
Comment fuzzifier ?
1. 2. 3. Donner lunivers du discours : plage de variations possibles de lentre considre. Une partition en classe floue de cet univers. Les fonctions dappartenances de chacune de ces classes.
Exemple : Selon les valeurs des entres , le systme flou indiquera quen sortie la puissance de chauffe devra prendre les valeurs de sortie faible ou moyenne ou forte .
La fuzzification des variables est une phase dlicate du processus mis en uvre par la logique floue. Elle est souvent ralise de manire itrative et requiert de l'exprience.
A. U. : 09-10
S. Elkosantini
70
Logique floue
Conception de contrleur flou :
2.
Calcul du degr dactivation de chaque rgle : L'activation des rgles consiste appliquer une norme triangulaire (ou Tnorme) pour obtenir le degr d'activation de chacune. Cest une valeur comprise entre 0 et 1. p
A. U. : 09-10
S. Elkosantini
71
Logique floue
Conception de contrleur flou :
2.
A. U. : 09-10
S. Elkosantini
72
24
Logique floue
Conception de contrleur flou :
3.
A. U. : 09-10
S. Elkosantini
73
Logique floue
Conception de contrleur flou :
4.
La conclusion finale d'un systme d'infrence est le rsultat de la combinaison des rsultats de diffrentes rgles actives en utilisant les normes triangulaires (Tnorme) ou T-conorme :
1.
Par T-norme : la fonction d'appartenance du sous-ensemble flou Y, qui est le rsultat de l'agrgation, est dfinie de la manire suivante :
A. U. : 09-10
S. Elkosantini
74
Logique floue
Conception de contrleur flou :
4.
avec
A. U. : 09-10
S. Elkosantini
75
25
Logique floue
Conception de contrleur flou :
4.
A. U. : 09-10
S. Elkosantini
76
Logique floue
Conception de contrleur flou :
5.
Dfuzzification :
C'est l'opration qui, inversement la fuzzication, consiste transformer un nombre flou B en une grandeur numrique y0 Parmi les mthodes de dfuzzication les plus rpandues :
Centre de gravit
Centre Maximum
A. U. : 09-10
S. Elkosantini
77
Logique floue
Conception de contrleur flou :
5.
Dfuzzification :
Centre de gravit
Centre Maximum
A. U. : 09-10
S. Elkosantini
78
26
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Mamdani
Min-Max
A. U. : 09-10
S. Elkosantini
79
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Mamdani Considrons les observations : dcompose comme suit : 1. Calcul du degr d'activation de chaque rgle : g q g . . Le raisonnement flou se
2.
Calcul de l'implication :
A. U. : 09-10
S. Elkosantini
80
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Mamdani 3. Calcul de l'agrgation pour former la conclusion finale floue C :
A. U. : 09-10
S. Elkosantini
81
27
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Larsen Considrons les observations : dcompose comme suit : 1. Calcul du degr d'activation de chaque rgle : g q g . . Le raisonnement flou se
2.
A. U. : 09-10
S. Elkosantini
82
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Larsen 3. Calcul de l'agrgation pour former la conclusion finale floue C :
A. U. : 09-10
S. Elkosantini
83
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Larsen
max-prod
A. U. : 09-10
S. Elkosantini
84
28
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno:
sous-ensemble flou
A. U. : 09-10
S. Elkosantini
85
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno:
R1: if X is small and Y is small then z = x +y +1 R2: if X is small and Y is large then z = y +3 R3: if X is large and Y is small then z = x +3 R4: if X is large and Y is large then z = x + y + 2
A. U. : 09-10
S. Elkosantini
86
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno
1. Calcul du degr d'activation de chaque rgle (en utilisant l'oprateur de Larsen - produit) :
2.
Calcul de l'implication :
3.
La sortie finale est calcule comme la moyenne des sorties des rgles, pondres par le poids Ri :
A. U. : 09-10
S. Elkosantini
87
29
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno
source : cours de Tai-Wen Yue
S. Elkosantini
88
Plan
Partie 1 : I.A. Lapproche classique Partie 2 : La thorie des sous ensembles flous Partie 3 : Logique Floue
Partie 3 1 : Fuzzification 3.1 Partie 3.2 : Infrence floue Partie 3.3 : Dfuzzification
A. U. : 09-10
S. Elkosantini
89
Exemple dapplications
Fuzzy logic systems for transportation engineering: the state of the art An evaluation of fuzzy transportation underwriting systematic risk A fuzzy logic controller for traffic junction signals A two-stage fuzzy logic controller for traffic signals Design and implementation of a fuzzy inference system for supporting d l f f f f customer requirements(pdf) Fuzzy inference to risk assessment on nuclear engineering systems (pdf) Fuzzy logic in control systems; Fuzzy logic controller - Part I (pdf) Fuzzy rule-based approach to describe solute transport in the unsaturated zone (pdf)
A. U. : 09-10
S. Elkosantini
90
30
Exemple dapplications
Fuzzy Allocation of Manufacturing Resources Fuzzy modeling of manufacturing and logistic systems A fuzzy logic based production scheduling/rescheduling in the presence of uncertain disruptions Agents, Agents Emotional Intelligence and Fuzzy Logic Applying fuzzy logic to personnel assessment: a case study Alterable-Phase Fuzzy Control Based on Neutral Network
S. Elkosantini
91
Logique floue
Exemple de problme :
On dsire contrler la qualit de production de tlphone portable. Un Tlphone est caractris par un poids P et sa largeur L. L 4 cm 5 cm 6 cm P 150 g Vente Vente Rparation 200g Vente Vente Rparation 250g Rejet Rejet Rejet
On souhaite remplacer le systme de contrle de qualit par un systme flou de type Takagi-Sugeno.
A. U. : 09-10
S. Elkosantini
92
Logique floue
Exemple de problme :
Les tapes de conception : 1. identifier les entres et sorties :
L P Dcision
Contrleur flou
2.
A. U. : 09-10
S. Elkosantini
93
31
Logique floue
Exemple de problme :
Les tapes de conception : 3. Etablir la base de rgles (la tche dun expert humain) Si (P est lger) ET (L est cout) alors D=+1 . . Si (P est lourd) ET (L est large) alors D=-1
A. U. : 09-10
S. Elkosantini
94
Logique floue
Exemple de problme :
Les tapes dinfrences: 1. Fuzzification :
2.
Calcul de l'implication
3.
4.
A. U. : 09-10
S. Elkosantini
95
Logique floue
Exemple de problme :
Amliorons encore plus le systme de contrle de la qualit en minimisant le nombre de de subdivision de chaque entre.
A. U. : 09-10
S. Elkosantini
96
32
Fin du cours
A. U. : 09-10
S. Elkosantini
97
33