Cours de Logique Floue

Introduction la logique floue:
Les concepts fondamentaux et applications

Mastre de recherche : R.O.G.P.
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
Partie 4 : Exemple dapplications
A. U. : 09-10
S. Elkosantini
Plan
Partie 4 : Exemple dapplications
A. U. : 09-10
S. Elkosantini
I.A. Lapproche classique
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

La logique propositionnelle
On appelle logique propositionnelle la partie de la logique qui traite des propositions.
Les propositions sont des affirmations qui ne peuvent tre que vraies ou fausses. Exemples : la temprature est leve, la couleur est noire.
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

La logique propositionnelle
Les propositions ont des valeurs dans lensemble {Vrai, faux} ou {0 , 1}.
Exemple de propositions : Si p, alors q Not aussi par p q
Les connectives sont : , , , ,
A. U. : 09-10
S. Elkosantini

Rgle dinfrence
Dfinition: Un mcanisme par lequel on peut tirer des conclusions. Modus Ponens: AB A B MP: 1,2
Conjonction A B AB CONJ: 1,2
A. U. : 09-10
S. Elkosantini

Les systmes experts
Un systme expert utilise la connaissance correspondante un domaine spcifique afin de fournir une performance comparable lexpert humain. Les connaissances sont issues de lexpertise ou/et de la pratique .
Structure dun systme expert
A. U. : 09-10
S. Elkosantini
Les systmes experts

La base de rgles (ou base de connaissances) contient les connaissances concernant la rsolution du problme. Le moteur dinfrence applique une stratgie de rsolution en utilisant les connaissances et ceci pour en driver une nouvelle information. Le moteur dinfrence simule le raisonnement de lexpert en enchanant les connaissances suivant une certaine logique.
A. U. : 09-10
S. Elkosantini

Les systmes experts
R1 : Si (distance.<.2km) Alors (aller..pied) R2 : Si ((non distance.<.2km) ^ distance.<.300km) Alors (prendre.le.train ) R3 : Si (non distance.<.300km) Alors (prendre.l'avion) R4 : Si (acheter.un.billet ^ avoir.le.tlphone) Alors (tlphoner..l'agence) R5 : Si (acheter.un.billet ^ (non avoir.le.tlphone)) Alors (aller..l'agence) R6 : Si (prendre.l'avion) Alors (acheter.un.billet) R7 : Si (dure.>.2.jours ^ tre.fonctionnaire) Alors (non prendre.l'avion)
Base de connaissances
Moteur dinfrence
F1 : (non distance.<.300km) F2 : (avoir.le.tlphone)
Base de faits
A. U. : 09-10
S. Elkosantini
10

Les systmes experts
Exemple dapplication : aide au diagnostique des malades :
Un patient atteint d'hpatite prsente gnralement les symptmes suivants : Le patient a une forte fivre, Sa peau prsente une coloration jaune, Il a des nauses.
1 0
Pas de fivre
Forte fivre
39
Si le patient 37,5C de temprature Si le patient na pas de forte fivre

A. U. : 09-10
Le patient na pas de forte fivre.
Le patient na pas dhpatite.

S. Elkosantini
11
Les systmes experts : les moteurs dinfrences

Dans un systme base de rgles, les connaissances sont reprsentes par des rgles. Le moteur dinfrence peut fonctionner en chanage arrire ou avant. Le moteur dinfrence simule le raisonnement de lexpert en enchanant les connaissances suivant une certaine logique.
A. U. : 09-10
S. Elkosantini
12

Le chanage avant: raisonnement guid par le but :
Part des faits pour arriver au but Ne slectionne que les rgles dont la partie prmisse est vrifie par les faits prsents Dclenchement des rgles jusqu puisement des faits possibles produire. Sarrte : Avec succs ds que le but est atteint Avec chec quand il ny a plus de rgles applicables
A. U. : 09-10
S. Elkosantini
13

Algorithme :
A. U. : 09-10
S. Elkosantini
14

Exemple : si f1 est vrai et f1 f2 alors f2 est vrai.
de f1 sont dduits f2 et f3 de f2 sont dduits f4 et f5 etc ...
A. U. : 09-10
S. Elkosantini
15

Le chanage arrire : raisonnement guid par le but :
Le systme cherche dans sa base de connaissances les rgles dont la conclusion correspond au but pos. Une d U des rgles est choisie selon une stratgie d l t h i i l t t i donne. Ses prmisses sont empiles dans la mmoire de travail et deviennent les sous-buts actuels rsoudre. Le systme continue travailler de cette faon jusqu ce que tous les sous buts placs en mmoire soient vrifis.
Le systme garde aussi la trace de son raisonnement sous forme dun graphe
A. U. : 09-10
S. Elkosantini
16

Le chanage arrire : raisonnement guid par le but :
Exemple : Si est q non vrai et si p q alors p est non vrai.
de f4 est dduit f3 de f3 est dduit f1
A. U. : 09-10
S. Elkosantini
17

Inconvnients
Les variables dcrivant des tats sont boolennes. La variable boolenne, qui ne peut prendre que deux valeurs (vrai ou faux) est mal adapte la reprsentation de la plupart des phnomnes courants.
Forte fivre Pas de fivre 39
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

Inconvnients
Exemple : Dans un environnement de gestion des ressources humaines, que signifie : Le stress de loprateur est 0.8
Valuation numrique
Valuation qualitative: langage naturel aue
Le stress de loprateur est fort

Comment reprsenter ces valeurs linguistiques ? Comment formuler cette quantification linguistique ? Comment intgrer ces valeurs linguistiques dans un systme intelligent ?
A. U. : 09-10
S. Elkosantini
19
Plan
Partie 4 : Exemples dapplications
A. U. : 09-10
S. Elkosantini
20
Thorie des sous ensembles flous

Lincertain et limprcis
Je crois que la temprature est leve. Incertitude... "Je crois, mais ce n'est pas sr." Mise en question de la validit de l'observation La temprature de la chambre est trs leve Imprcision... Que signifie " trs leve " ? Apprciation La temprature de la chambre a augment de peu prs 20% Imprcision ou incertitude ??
A. U. : 09-10
S. Elkosantini
21

Lincertain et limprcis
A. U. : 09-10
S. Elkosantini
22

Historique
1965 : Thorie des ensembles flous introduite par L.A. Zadeh (UC Berkeley) En 1973, le Pr. Zadeh publie un article (dans l'IEEE Transactions on Systems, Man and Cybernetics) qui mentionne pour la premire fois le terme de variables linguistiques (dont la valeur est un mot et non un nombre) nombre). En 1974, premire application industrielle. Rgulation floue dune chaudire vapeur ralise par Mamdani. En 1980, F.L. Smidth & Co. A/S (au Danemark) met en application la thorie de la logique floue dans le contrle de fours ciment. C'est la premire mise en uvre pratique de cette nouvelle thorie.
A. U. : 09-10
S. Elkosantini
23

Historique
Dans les annes 80, plusieurs applications commencent immerger (notamment au Japon). 1990: Gnralisation de lutilisation de cette technique.
Appareils lectromnagers ( pp g (laves-linges, aspirateurs, autocuiseurs,...etc) , g , p , , ) Systmes audio-visuels (appareils de photos autofocus, camscopes stabilisateur d'images, photocopieurs,...) Systmes automobiles embarqus (BVA, ABS, suspension, climatisation,...etc.), Systmes autonomes mobiles, Systmes de dcision, diagnostic, reconnaissance, Systmes de contrle/commande dans la plupart des domaines industriels de production.
A. U. : 09-10
S. Elkosantini
24

Concepts fondamentaux
Le concept de sous-ensemble flou permet des graduations dans l'appartenance d'un lment une classe. Dans lapproche classique :
A X
Si Aest la fonction d' appartenance de l' ensemble A x X A ( x) = 0 A ( x) = 1 si x X si x X
Lensemble A est dfini par : A = {(x, A ( x))
x X}
A. U. : 09-10
S. Elkosantini
25

Dans lapproche floue : Un lment peut appartenir plus ou moins fortement cette classe. Un sous-ensemble flou A d'un rfrentiel X est caractris par une fonction d'appartenance A :
Si Aest la fonction d' appartenance de l' ensemble flou A x X A [0,1]

x X}
Lensemble A est dfini par : A = {(x, A ( x))
A. U. : 09-10
S. Elkosantini
26

Si A ( x ) =0,10
x appartient lensemble flou A avec un degr dappartenance de 10%
Faible appartenance Traduction de la valeur linguistique Faible

Si A ( x ) =0,90 0 90
x appartient lensemble flou A avec un degr dappartenance de 90%
Forte appartenance Traduction de la valeur linguistique Fort degr dappartenance = valeur de vrit.
Un ensemble flou est totalement dtermin par sa fonction dappartenance
A. U. : 09-10
S. Elkosantini
27

La fonction d'appartenance dcrivant un sous-ensemble flou est caractrise par quatre proprits :
Le type : la forme du nombre ou qui peut tre triangulaire, trapzodale, gaussienne ou sigmodale. La hauteur : H(A) = SupxX (A(x)) de la fonction d'appartenance. Un sous-ensemble flou est dit normalis s'il est de hauteur 1. Le noyau : N(A) = {x/A(x) = 1} est l'ensemble des lments qui appartiennent totalement A. Pour les fonctions de type triangulaire, le noyau est un singleton qui est appel aussi valeur modale. Le support : S(A) = {x/A(x) 0} ; cet ensemble dcrit l'ensemble des lments qui sont partiellement dans A.
A. U. : 09-10
S. Elkosantini
28

La fonction d'appartenance dcrivant un sous-ensemble flou est caractrise par quatre proprits :
Le type : ou La hauteur, le noyau, le support : ou
A. U. : 09-10
S. Elkosantini
29

Notation :
L'intervalle flou couramment utilis dans R est dcrit par sa fonction d'appartenance. Un nombre flou trapzodale est note gnralement par (a, b, , ) :
A. U. : 09-10
S. Elkosantini
30
10

Notation :
Un nombre flou triangulaire est un cas particulier dun nombre trapzodale. Il est note gnralement par (a, , ). Dans le domaine de la recherche, ce type de nombres flous est trs utilis :
Ils contiennent tous les intervalles de confiance des distributions de probabilit symtrique ayant mme noyau et mme support que les nombres flous (Dubois et
al., 2004)
La traduction de lexpertise humaine vers ce type de nombre flou est plus facile.
La manipulation mathmatique est plus facile avec cette forme
A. U. : 09-10
S. Elkosantini
31

Notation :
La fonction dappartenance dun nombre flou avec des cots paraboliques est dfinie de la manire suivante :
Les nombres flous de forme gaussienne est un cas particulier
A. U. : 09-10
S. Elkosantini
32

Concepts fondamentaux : le support
Triangle [a,b,c] Trapzodale [a,b,c,d]
Gaussien [a, ]
A. U. : 09-10
singleton [a, m]
S. Elkosantini
33
11

Concepts fondamentaux : le noyau
Triangle [a,b,c] Trapzodale [a,b,c,d]
m Gaussien [a, ]
A. U. : 09-10
singleton [a, m]
S. Elkosantini
34

Les oprateurs flous
Extension des oprations de la thorie des ensembles classiques: =, , , , complment. Soient A et B deux sefs de X, dfinis par les fonctions dapprentissage A et B :
galit de sefs: A = B ssi x X, A (x) = B(x)
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

Les oprateurs flous : Union
Lensemble des personnes petites OU moyennes est un ensemble flou de fonction dappartenance :
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
Ensemble flou:"Personne petite OU moyenne"
0.8
0.6
0.4
0.2
Taille(m)
1.85 1.9
0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Taille(m)
1.85 1.9
A. U. : 09-10
S. Elkosantini
36
12

Les oprateurs flous : Intersection
Lensemble des personnes petites ET moyennes est un ensemble flou de fonction dappartenance :
A B ( x ) = min ( A ( x ) , B ( x ) ) x U
1 0.8 0.6 0.4 0.2 0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Ensemble flou: "Personne petite et moyenne"

1
Petit
Moyen
Grand
0.8
0.6
0.4
0.2
Taille(m)
1.85 1.9
0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Taille (m)
1.85 1.9
A. U. : 09-10
S. Elkosantini
37

Les oprateurs flous : complment
Lensemble des personnes NON petites est un ensemble flou de fonction dappartenance :
A ( x ) = 1 A ( x ) x U
1 0.8 0.6 0.4 0.2 0 1.5 1.55 1.6 1.65 1.7 1.75 1.8
Ensemble floue :"Personnes non petites"

1
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

Les oprateurs flous : proprits
Certaines proprits de la thorie des ensembles classiques sont vrifies :

A = A, A = , A X = X, A X = A
Associativit de et de : (A B) C = A (B C) Commutativit de et de : AB = BA Distributivit de par rapport U :

A(B C) = (AB) U(AC) A (BC) = (A B)(A C)
A. U. : 09-10
S. Elkosantini
39
13

Les oprateurs flous : proprits
Certaines proprits de la thorie des ensembles classiques sont vrifies :
La relation de Morgan :
(A B) = (A) (A (B)
B) = (A) (B)
Les lois d'absorption : A (A B) = A (A B) = A
A. U. : 09-10
S. Elkosantini
40

Les oprateurs arithmtiques :
Laddition : A+B(z) = max {min(A(x), B(y)) / x + y = z} : La multiplication : A B(z) = max {min(A(x), B(y)) / xy = z} A.B A+B : (a, b, , ) + (a', b', ', ') = (a + a', b + b', + ', + ') B : (a, b, , ) = ( a, b, , ) Et pour la multiplication et la division ?
A. U. : 09-10
S. Elkosantini
41

Le produit cartsien :
Le produit cartsien est dfini par A*B (x, y) = min [A(x), B(y)].
Cardinalit dun ensemble flou

Dans le cas fini, on peut dfinir le nombre d'lments d'un ensemble flou A par :
card ( A) = A ( x)
Si A est continu, le nombre d'lments d'un ensemble flou A par :
card( A) = x ( x)dx
x
A. U. : 09-10
S. Elkosantini
42
14

La distance de Hamming
La notion de distance entre ensembles flous peut tre utile pour dfinir des relations telles que peu prs gal ou trs suprieur . La distance de Hamming est : d(A, B) = (x Ou aut e e t : autrement
b
X) |A(x) - B(x)|
( x) B ( x) dx
La distance de Hamming relative est :
( A, B) =
A. U. : 09-10
d ( A, B ) card ( X )
43
S. Elkosantini

La distance de Hamming
Soit un ensemble de rfrence X={a,b,c,d,e,f,g} et deux sous ensembles flous reprsents de la manire suivante :
Quelle est la distance de Hamming entre les deux sous ensembles flous A et B ?
A. U. : 09-10
S. Elkosantini
44

Les -coupes
Il est important aussi d'introduire le concept d'-coupe ou coupe de niveau : Une -coupe d'un sous-ensemble ou A pour une valeur ensemble classique not A et dni par : [0..1] est le sous-
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

Les -coupes
Si 1 2 alors A2 A1
Les -coupes des sous-ensembles A et B flous vrifient les proprits suivantes:

(A B) = A B
(A B) = A B
Si (A
B) alors A
(A)1-1 (A), sauf pour = 1/2.

A. U. : 09-10
S. Elkosantini
46

Principe dextension
Utilis pour tendre une fonction classique aux sefs :
A. U. : 09-10
S. Elkosantini
47

Principe dextension
Mesure prcise
Mesure floue
A. U. : 09-10
S. Elkosantini
48
16

Principe dextension
Principe : possdant une fonction sur un univers classique X, permettre son utilisation avec des sefs de X . Dfinition : tant donn un sef A de X, et une application de X vers Y, Y le principe d'extension permet de dfinir un sef B de Y associ A par : yY, B(y)= sup{x, (x)=y}A(x) avec sup A(x)=0 Le sef B est l'image du sef A par la fonction .
A. U. : 09-10
S. Elkosantini
49

Les valeurs linguistiques :
Fonction d appartenance, distance, cardinalit, ensemble flou, etc. dappartenance distance cardinalit flou etc et aprs !!???
A. U. : 09-10
S. Elkosantini
50

Exemple : Dans un environnement de gestion des ressources humaines, que signifie : Le stress de loprateur est 0.8
Valuation numrique
Valuation qualitative: langage naturel aue
Le stress de loprateur est fort

Comment reprsenter ces valeurs linguistiques ? Comment formuler cette quantification linguistique ? Comment intgrer ces valeurs linguistiques dans un systme intelligent ?
A. U. : 09-10
S. Elkosantini
51
17

fa ib le oy en ib le Tr s Fo rt M Tr s f Fa or t
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

Chaque variable linguistique est caractrise par lensemble : <x, T(x), U, G, M> avec :
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

1 0
Pas de fivre 39 Forte fivre
Si le patient 38,9C de temprature Si le patient na pas de forte fivre
Le patient na pas de forte fivre.
Si le patient na pas de forte fivre
Comment reprsenter forte ?
A. U. : 09-10
S. Elkosantini
54
18
Plan
A. U. : 09-10
S. Elkosantini
55
Logique floue
Conception de contrleur flou :
Mais pourquoi un contrleur flou ??
Contrleur flou
Commande
Mesures Modus Ponens: AB A B
Systme
Et si cest peu prs A ?? Modus Ponens: AB A ??
A. U. : 09-10
S. Elkosantini
56
Logique floue
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
Modus Ponens gnralis : AB A B
A. U. : 09-10
S. Elkosantini
57
19
Logique floue
source : cours de LESCIEUX
Temprature Humidit Rayonnement
clairage
Temprature
Contrleur flou
Ventilation Chauffage/ Refroidissement Humidification
Serre Agricole
Humidit Rayonnement
A. U. : 09-10
S. Elkosantini
58
Logique floue
source : (Riat & Aurrand-lions; 98) Aurrand lions;
Position Cap/chausse Vitesse Angle volant Contrleur flou Pas moteur volant Vhicule autonome
A. U. : 09-10
S. Elkosantini
59
Logique floue
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
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
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
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
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
subdivision de toutes les variables dentres et de sorties en sous ensembles flous :

nombres de subdivisions, types de subdivisions, noms, paramtres.
Dfinition de la base de rgles :

nombre de rgles, type de rgles, les combinaisons possibles, les rsultats.
Slection de la mthode dinfrence Slection de la mthode de dfuzzification

A. U. : 09-10
S. Elkosantini
64
Logique floue
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
Contrleur flou
Mesures
Systme
Commande
A. U. : 09-10
S. Elkosantini
66
22
Logique floue
Base de connaissances
Fuzzification
Infrence floue
Dfuzzification
Mesures
Systme
S. Elkosantini
Commande
A. U. : 09-10
67
Logique floue
source : cours de Tai-Wen Yue
A. U. : 09-10
S. Elkosantini
68
Logique floue
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%
Et si on augmente le support des nombres flous utiliss ?
A. U. : 09-10
S. Elkosantini
69
23
Logique floue
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
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
Quelques exemples de t-normes
A. U. : 09-10
S. Elkosantini
71
Logique floue
2.
Calcul du degr dactivation de chaque rgle :
Exemple : t-norme dfini par Zadeh
A. U. : 09-10
S. Elkosantini
72
24
Logique floue
3.
Recherche de la fonction dappartenance pour la sortie de chaque rgle :
Exemple : Selon la t-norme dfini par Zadeh
A. U. : 09-10
S. Elkosantini
73
Logique floue
4.
Agrgation ou Recherche de la fonction dappartenance rsultante globale :
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 :
avec T la T-norme Min et N est le nombre de rgles actives
A. U. : 09-10
S. Elkosantini
74
Logique floue
4.

2. Par T-conorme : la fonction d'appartenance du sous-ensemble flou Y, qui est le rsultat de l'agrgation, est dfinie de la manire suivante :
avec
la T-conorme Max et N est le nombre de rgles actives.
A. U. : 09-10
S. Elkosantini
75
25
Logique floue
4.
A. U. : 09-10
S. Elkosantini
76
Logique floue
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
Premier Maximum Dernier Maximum
Centre Maximum
A. U. : 09-10
S. Elkosantini
77
Logique floue
5.
Dfuzzification :
Centre de gravit
Premier Maximum Dernier Maximum
Centre Maximum
A. U. : 09-10
S. Elkosantini
78
26
Logique floue
Mthode dinfrence : Mthode de Mamdani
Min-Max
A. U. : 09-10
S. Elkosantini
79
Logique floue
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
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
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.
Calcul de l'implication : Cette mthode utilise le produit pour dfinir la conclusion
A. U. : 09-10
S. Elkosantini
82
Logique floue
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
Mthode dinfrence : Mthode de Larsen
max-prod
A. U. : 09-10
S. Elkosantini
84
28
Logique floue
Mthode dinfrence : Mthode de Takagi-Sugeno:
If x is A and y is B then z = f(x, y)
sous-ensemble flou
Souvent : f(x, y) est une fonction polynomiale en fonction de x et y
A. U. : 09-10
S. Elkosantini
85
Logique floue
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
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
Mthode dinfrence : Mthode de Takagi-Sugeno
source : cours de Tai-Wen Yue
les tapes 4 et 5 dun contrleur flou classique nexistent plus

A. U. : 09-10
S. Elkosantini
88
Plan
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
www.sciencedirect.com login : YcJpNyi mot de passe : ig1i9sf

A. U. : 09-10
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
Rparation = 0; Vente = +1 ; Rejet = -1
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
Les tapes de conception : 1. identifier les entres et sorties :
L P Dcision
Contrleur flou
2.
Subdivision de toutes les entres en sous-ensembles flous :
A. U. : 09-10
S. Elkosantini
93
31
Logique floue
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
Quelle est la dcision pour un portable de poids 175g et largeur 5,5cm
A. U. : 09-10
S. Elkosantini
94
Logique floue
Les tapes dinfrences: 1. Fuzzification :
2.
Calcul de l'implication
3.
Calcul du degr dactivation de chaque rgle :
4.
Calcul de la sortie finale :
A. U. : 09-10
S. Elkosantini
95
Logique floue
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

Cours de Logique Floue

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours de Logique Floue

Transféré par

Droits d'auteur :

Formats disponibles

Introduction la logique floue:

Les concepts fondamentaux et applications

Partie 4 : Exemple dapplications

Partie 4 : Exemple dapplications

I.A. Lapproche classique

I.A. Lapproche classique

I.A. Lapproche classique

Exemple de propositions : Si p, alors q Not aussi par p q

Les connectives sont : , , , ,

I.A. Lapproche classique

Conjonction A B AB CONJ: 1,2

I.A. Lapproche classique

Structure dun systme expert

I.A. Lapproche classique

Les systmes experts

I.A. Lapproche classique

I.A. Lapproche classique

Si le patient 37,5C de temprature Si le patient na pas de forte fivre

Le patient na pas de forte fivre.

Le patient na pas dhpatite.

I.A. Lapproche classique

Les systmes experts : les moteurs dinfrences

I.A. Lapproche classique

I.A. Lapproche classique

I.A. Lapproche classique

Les systmes experts : les moteurs dinfrences

de f1 sont dduits f2 et f3 de f2 sont dduits f4 et f5 etc ...

I.A. Lapproche classique

I.A. Lapproche classique

Les systmes experts : les moteurs dinfrences

de f4 est dduit f3 de f3 est dduit f1

I.A. Lapproche classique

I.A. Lapproche classique

Valuation qualitative: langage naturel aue

Le stress de loprateur est fort

Partie 4 : Exemples dapplications

Thorie des sous ensembles flous

Thorie des sous ensembles flous

Thorie des sous ensembles flous

Thorie des sous ensembles flous

Thorie des sous ensembles flous

Si Aest la fonction d' appartenance de l' ensemble A x X A ( x) = 0 A ( x) = 1 si x X si x X

Lensemble A est dfini par : A = {(x, A ( x))

Thorie des sous ensembles flous

Si Aest la fonction d' appartenance de l' ensemble flou A x X A [0,1]

Lensemble A est dfini par : A = {(x, A ( x))

Thorie des sous ensembles flous

x appartient lensemble flou A avec un degr dappartenance de 10%

Faible appartenance Traduction de la valeur linguistique Faible

x appartient lensemble flou A avec un degr dappartenance de 90%

Un ensemble flou est totalement dtermin par sa fonction dappartenance

Thorie des sous ensembles flous

Thorie des sous ensembles flous

Thorie des sous ensembles flous

Thorie des sous ensembles flous

La manipulation mathmatique est plus facile avec cette forme

Thorie des sous ensembles flous

Les nombres flous de forme gaussienne est un cas particulier

Thorie des sous ensembles flous

Triangle [a,b,c] Trapzodale [a,b,c,d]

Thorie des sous ensembles flous

Triangle [a,b,c] Trapzodale [a,b,c,d]

Thorie des sous ensembles flous

galit de sefs: A = B ssi x X, A (x) = B(x)