Cours Logique Floue

1
A. U. : 10-11 S. Elkosantini 1
Introduction la logique floue:
Les concepts fondamentaux et applications
Sabeur ELKOSANTINI
Sabeur.Elkosantini@isima.rnu.tn
S. Elkosantini 2 A. U. : 10-11
Plan
Partie 1 : I.A. Lapproche classique
Partie 2 : La thorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1 : Fuzzification
Partie 3.2 : Infrence floue
Partie 3.3 : Dfuzzification
Partie 4 : Exemple dapplications
Plan
Partie 4 : Exemple dapplications
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).
2
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.
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 : v, ., , ,
Rgle dinfrence
Dfinition: Un mcanisme par lequel on peut tirer des conclusions.
Modus Ponens:
A B
A
B MP: 1,2
Conjonction
A
B
A B CONJ: 1,2
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
3
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.
Les systmes experts
Moteur
dinfrence
Base de connaissances
Base de faits
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)
F1 : (non distance.<.300km)
F2 : (avoir.le.tlphone)
Les systmes experts
Exemple dapplication : credit scoring:
La solvabilit et le risque de non-remboursement des prts se base, par exemple,
sur:
Anciennet du compte,
Capacit de remboursement,
Age.
Ancien
10
1
Rcent
0
Si le compte du client a plus que 10 ans Le client est potentiellement sans
risque.
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.
4
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
Algorithme :
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 ...
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 des rgles est choisie selon une stratgie 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
5
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
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.
Et si le compte a 9 ans et 11 mois
Et si le compte a 10 ans et 1 mois ?!
Et si le phnomne tait plus complexe ?!
Ancien
10
1
Rcent
0
Inconvnients
Exemple : Dans un environnement de gestion des ressources humaines,
que signifie : Le stress de loprateur est 0.8
Le stress de loprateur est fort
Valuation numrique
Valuation qualitative: langage
naturel
Comment reprsenter ces valeurs linguistiques ?
Comment formuler cette quantification linguistique ?
Comment intgrer ces valeurs linguistiques dans un systme intelligent ?
Plan
Partie 4 : Exemples dapplications
6
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 ??
Lincertain et limprcis
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).
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.
Historique
Dans les annes 80, plusieurs applications commencent immerger (notamment
au Japon).
1990: Gnralisation de lutilisation de cette technique.
Appareils lectromnagers (laves-linges, aspirateurs, autocuiseurs,...etc) ,
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.
7
Concepts fondamentaux
Le concept de sous-ensemble flou permet des graduations dans l'appartenance
d'un lment une classe.
Dans lapproche classique :
A
X
X x si 1 ) (
X x si 0 ) (
ensemble l' de ce appartenan d' fonction la est Si
e =
e = e
x
x X x
A
A
A
A
Lensemble A est dfini par : { } )) ( (x, X x x A
A
e =
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
:
[0,1]
A flou ensemble l' de ce appartenan d' fonction la est Si
e e
A
A
X x
Lensemble A est dfini par : { } )) ( (x, X x x A

A
e =
Si =0,10
x appartient lensemble flou A avec un degr dappartenance de 10%
( ) A
x
Un ensemble flou est totalement dtermin par sa fonction dappartenance
degr dappartenance = valeur de vrit.
Faible appartenance Traduction de la valeur linguistique Faible
Si =0,90
x appartient lensemble flou A avec un degr dappartenance de 90%
( ) A
x
Forte appartenance Traduction de la valeur linguistique Fort
La fonction d'appartenance dcrivant un sous-ensemble flou est caractrise par
quatre proprits :
Le type : la forme du nombre flou qui peut tre triangulaire, trapzodale, gaussienne
ou sigmodale.
La hauteur : H(A) = Sup
xeX
(
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.
8
La fonction d'appartenance dcrivant un sous-ensemble flou est caractrise par
quatre proprits :
Le type :
0
1
di
di ou
ou
0
1
di
di
0 di
1
di
La hauteur, le noyau, le support :
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, o, |) :
Notation :
Un nombre flou triangulaire est un cas particulier dun nombre trapzodale.
Il est note gnralement par (a, o, |).
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
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
9
Concepts fondamentaux : le support
Triangle [a,b,c]
Trapzodale [a,b,c,d]
Gaussien [a, ]
singleton [a, m]
Concepts fondamentaux : le noyau
Triangle [a,b,c]
Trapzodale [a,b,c,d]
Gaussien [a, ]
m
singleton [a, m]
Les oprateurs flous
Extension des oprations de la thorie des ensembles classiques: =, , , c,
complment.
Soient A et B deux sefs de X, dfinis par les fonctions dapprentissage
A
et
B
:
galit de sefs:
A = B ssi x e X,
A
(x) =
B
(x)
Inclusion de sefs:
A c B ssi x e X,
A
(x) <
B
(x)
Intersection de sefs: A B:
x e X,
AB
(x) = min(A (x), B(x))
Union de sefs: A B:
x e X, A B (x) = max(
A
(x),
B
(x))
Les oprateurs flous : Union
Lensemble des personnes petites OU moyennes est un ensemble flou de fonction
dappartenance :
( ) ( ) ( ) ( ) ,
A B A B
x max x x x U
= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou:"Personne petite OU moyenne"
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
10
Les oprateurs flous : Intersection
Lensemble des personnes petites ET moyennes est un ensemble flou de fonction
dappartenance :
( ) ( ) ( ) ( ) ,
A B A B
x min x x x U
= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne petite et moyenne"
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Taille(m)
Petit Moyen Grand
Les oprateurs flous : complment
Lensemble des personnes NON petites est un ensemble flou de fonction
dappartenance :
( ) ( ) 1
A
A
x x x U = e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Taille(m)
Petit Moyen Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble floue :"Personnes non petites"
Taille (m)
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)
Les oprateurs flous : proprits
Certaines proprits de la thorie des ensembles classiques sont vrifies :
La relation de Morgan :
(A B) = (A) (B)
(A B) = (A) (B)
Les lois d'absorption :
A (A B) = A (A B) = A
11
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 + a', b + b', + ', + ')
B :
(a, b, , ) = ( a, b, , )
Et pour la multiplication et la division ?
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 :

= ) ( ) ( x A card
A
Si A est continu, le nombre d'lments d'un ensemble flou A par :

}
=
x
x
dx x A card ) ( ) (
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 X) |
A
(x) -
B
(x)|
Ou autrement :
}

b
a
B A
dx x x ) ( ) (
La distance de Hamming relative est :
) (
) , (
) , (
X card
B A d
B A = o
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 ?
12
Les o-coupes
Il est important aussi d'introduire le concept d'-coupe ou coupe de niveau o:
Une -coupe d'un sous-ensemble ou A pour une valeur [0..1] est le sous-
ensemble classique not A
et dni par :
Les -coupes A
d'un sous-ensemble A sont des intervalles non-flous

emboits par rapport la valeur de niveau .
2
1
A
x
{ } ; ( )
A
A x x
o
o = >
Les o-coupes
Si
1

2
alors A
2
A
1
Les -coupes des sous-ensembles A et B flous vrifient les proprits
suivantes:
(A B)
= A
(A B)
= A
Si (A B)
alors A
(A)
1-1
(A
), sauf pour = 1/2.

Principe dextension
Utilis pour tendre une fonction classique aux sefs :
Principe dextension
Mesure prcise
Mesure floue
13
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, le principe d'extension permet de dfinir un sef B de Y associ A
par :
yeY,
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 .
Les valeurs linguistiques :
Fonction dappartenance, distance, cardinalit, ensemble flou, etc.
et aprs !!???
Exemple : Dans un environnement de gestion des ressources humaines,
que signifie : Le stress de loprateur est 0.8
Le stress de loprateur est fort
Valuation numrique
Valuation qualitative: langage
naturel
Comment reprsenter ces valeurs linguistiques ?
Comment formuler cette quantification linguistique ?
Comment intgrer ces valeurs linguistiques dans un systme intelligent ?
0
1
A(x)
1
x
T
r
s fa
ib
le
F
a
ib
le
M
o
y
e
n
F
o
rt
T
r
s fo
rt
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.
14
Chaque variable linguistique est caractrise par lensemble :
<x, T(x), U, G, M>
avec :
o x est le nom de la variable,
o T(x) est lensemble des valeurs linguistique que peut prendre x
o U est lunivers du discours associ avec la valeur de base
o G est la rgle syntaxique pour gnrer les valeurs linguistique de x
o M est la rgle smantique pour associer un sens chaque valeur linguistique
Si le compte de client est trs ancien Le client est potentiellement sans risque.
Comment reprsenter trs ?
Si le compte du client a plus que 10 ans Le client est potentiellement sans
risque.
Ancien
10
1
Rcent
0
Plan
Logique floue
Conception de contrleur flou :
Contrleur flou
Systme
Commande
Mesures
Mais pourquoi un contrleur flou ??
Modus Ponens:
A B
A
B
Et si cest peu prs A ??
Modus Ponens:
A B
A
??
15
Logique floue
Modus Ponens gnralis :
A B
A
B
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.
Logique floue
Contrleur
flou
clairage
Temprature
Rayonnement
Humidit
Ventilation
Humidification
Chauffage/
Refroidissement
source : cours de LESCIEUX
Serre
Agricole
Temprature
Rayonnement
Humidit
Logique floue
source : (Riat &Aurrand-lions; 98)
Contrleur
flou Pas moteur
volant
Cap/chausse
Angle volant
Vitesse
Position
Vhicule
autonome
Logique floue
Contrleur
flou
Dcision
Anciennet
Salaire
Age
Mais concrtement, quest ce quun contrleur flou ??
R1: SI Age est moyen ET Anciennet est moyen ET Salaire est Moyen
ALORS Dcision = octroyer le prt
R2: SI Age est Elev ET Anciennet est faible ET Salaire est Faible lev
ALORS Dcision = ne pas octroyer le prt
R3:
Systme dinfrence flou
16
Logique floue
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Prmisses Conjonction Conclusion Implication
Logique floue
Les conjonctions :
La dfinition des oprateurs logiques est assure selon le type de la fonction
d'appartenance utilise.
Quelques oprateurs mathmatiques :
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.
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
17
Logique floue
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
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
Entre
Sortie
Logique floue
Contrleur flou
Systme
Commande
Mesures
Logique floue
Fuzzification Dfuzzification Infrence floue
Systme
Base de connaissances
Commande Mesures
Logique floue
source : cours de Tai-WenYue
18
Logique floue
1. Fuzzification : processus qui consiste transformer une grandeur numrique
en un sous-ensemble flou.
Qualifier une valeur numrique avec un terme linguistique.
Interface de
fuzzification
Pierre est petit un degr de 75%
Pierre mesure 1m625
Pierre est grand 0%
Pierre est moyen 25%
Et si on augmente le support des nombres flous utiliss ?
Logique floue
1. Comment fuzzifier ?
1. Donner lunivers du discours : plage de variations possibles de lentre considre.
2. Une partition en classe floue de cet univers.
3. 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.
Logique floue
2. Calcul du degr dactivation de chaque rgle :
L'activation des rgles consiste appliquer une norme triangulaire (ou T-
norme) pour obtenir le degr d'activation de chacune.
Cest une valeur comprise entre 0 et 1.
Quelques exemples de t-normes
Logique floue
Exemple : t-norme dfini par Zadeh
19
Logique floue
3. Recherche de la fonction dappartenance pour la sortie de chaque rgle :
Exemple : Selon la t-norme dfini par Zadeh
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 (T-
norme) 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
Logique floue
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.
Logique floue
20
Logique floue
5. Dfuzzification :
C'est l'opration qui, inversement la fuzzication, consiste transformer un
nombre flou B en une grandeur numrique y
0
Parmi les mthodes de dfuzzication les plus rpandues :
Centre de gravit
Premier Maximum
Dernier Maximum
Centre Maximum
Logique floue
5. Dfuzzification :
Centre de gravit
Premier Maximum
Dernier Maximum
Centre Maximum
Logique floue
Mthode dinfrence : Mthode de Mamdani
Min-Max
Logique floue
Considrons les observations : . . Le raisonnement flou se
dcompose comme suit :
1. Calcul du degr d'activation de chaque rgle :
2. Calcul de l'implication :
21
Logique floue
3. Calcul de l'agrgation pour former la conclusion finale floue C :
Logique floue
Mthode dinfrence : Mthode de Larsen
Considrons les observations : . . Le raisonnement flou se
dcompose comme suit :
1. Calcul du degr d'activation de chaque rgle :
2. Calcul de l'implication : Cette mthode utilise le produit pour dfinir
la conclusion
Logique floue
3. Calcul de l'agrgation pour former la conclusion finale floue C :
Logique floue
max-prod
22
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
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
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
:
Logique floue
Mthode dinfrence : Mthode de Takagi-Sugeno
source : cours de Tai-WenYue
les tapes 4 et 5 dun contrleur flou classique nexistent plus
23
Plan
Exemple dapplications
Systmes experts:
Development of an Expert System for Credit Card Application Assessment
Expert systems in finance A cross-section of the field
Fuzzy set theory:
A fuzzy credit-rating approach for commercial loans: a Taiwan case
A fuzzy logic evaluation system for commercial loan analysis
Modelling credit rating by fuzzy adaptive network
Association rules applied to credit card fraud detection
Rseau de neurones artificielles :
Neural network credit scoring models
Using neural network ensembles for bankruptcy prediction and credit
scoring
Credit risk assessment using Multilayer Neural Network Models : Case of a
Tunisian bank
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
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)
24
Logique floue
Exemple de problme :
On dsire dvelopper un systme daide la dcision pour la gestion doctroi de crdit
bancaire en se basant sur le salaire S et lanciennet du compte A.
A S 150 200 250
4 Refuser Refuser Refuser
5 Refuser Mettre en
instance
Mettre en
instance
6 Mettre en
instance
Accepter Accepter
On souhaite remplacer le systme de contrle de qualit par un systme flou de type
Takagi-Sugeno.
Mettre en instance= 0; Accepter = +1 ; Refuser= -1
Logique floue
Les tapes de conception :
1. identifier les entres et sorties :
2. Subdivision de toutes les entres en sous-ensembles flous :
Contrleur
flou
Dcision
L
P
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
Logique floue
Les tapes dinfrences:
1. Fuzzification :
2. Calcul de l'implication
4. Calcul de la sortie finale :
25
Logique floue
Amliorons encore plus le systme de contrle de la qualit en minimisant le nombre de
de subdivision de chaque entre.
Logique floue
Exemple de problme 2
Ordonnancement de n tches sur m machines en utilisant, par exemple, les algorithmes
gntiques.
Dure de la tche i sur la machine j est gale 10 min.
Logique floue
Comment procder ??
1 2 3 4 5 6 7 8 Solution 1 :
Solution 2 : 8 2 3 4 5 6 7 1
Comparer
Et si les donnes t imprcises : la dure de la tche i sur la
machine j est gale 10 min mais pas plus de 15min et pas
moins de 5 min
Logique floue
Comment procder ??
1 2 3 4 5 6 7 8 Solution 1 :
Solution 2 : 8 2 3 4 5 6 7 1
Comparer
Et si les donnes t imprcises : la dure de la tche i sur la
machine j est gale 10 min mais pas plus de 15min et pas
moins de 5 min
26
A. U. : 10-11 S. Elkosantini 101
Fin du cours

Cours Logique Floue

Transféré par

Informations du document

Titre original

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 Logique Floue

Transféré par

Droits d'auteur :

Formats disponibles

1

Lensemble A est dfini par : { } )) ( (x, X x x A

Si A est continu, le nombre d'lments d'un ensemble flou A par :

d'un sous-ensemble A sont des intervalles non-flous

), sauf pour = 1/2.

Vous aimerez peut-être aussi