Cours IA Fuzzy Logic 2013x4 PDF

1- Introduction
2- Ensembles flous
3- Infrence floue
4- Raisonnement flou
5- Conclusions
Plan
Cours dI.A.
Partie 1 - Place de linformatique

Partie 2 - Les bases de donnes
Partie 3 - Conception des BD
Partie 4 - Manipulation : SQL
Introduction
!!!la logique floue
Partie 5 - PHP / MySQL
1.1 Une premire approche

1.2 Utiliser une base de donnes
1.3 Premires conclusions
1.4 Les SGBD
1.5 Les dfis

1.6 Un peu d'histoire
1.7 Et ensuite ?
1. Introduction : pourquoi la logique floue

2. Les ensembles flous
3. Linfrence floue
4. Le raisonnement flou
3 anne
5. Bilan
Antoine Cornujols
www.lri.fr/~antoine
antoine.cornuejols@agroparistech.fr
http://www.lri.fr/~antoine/Courses/AGRO/Cours-IA/
1- Introduction
Introduction
2-2-Ensembles
Ensemblesflous
flous
3-3-Infrence
Infrencefloue
floue
4-4-Raisonnement
Raisonnementflou
flou
Introduction
V- Conclusions
5-5-Conclusions
Conclusions
1- Introduction
Intelligence Artificielle - Logique Floue ! A. Cornujols 2013
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Pourquoi la logique floue ?
Nous raisonnons avec des concepts linguistiques flous

(ou approximatifs)
1. Introduction : pourquoi la logique floue
Concepts imprcis
! incertitude
ge, poids, temprature, ...

-----------------------------------
Dpendances imprcises
Si la temprature est basse et le gaz nest pas cher
Alors je monte beaucoup le chauffage
V- Conclusions
1- Introduction
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
1- Pourquoi la logique floue ?
si le feu est
orange...
5- Conclusions
le patient a une forte fivre

sa peau prsente une coloration jaune
il a des nauses
si ma vitesse est leve ...

si ma vitesse est faible ...
si ma vitesse est
moyenne ...
et si le feu est
proche ...
alors je freine fort.
et si le feu est loin ...
alors je maintiens ma
vitesse.
et si le feu est loin ...
alors je freine doucement.
Ensemble classique
Avoir une forte fivre
et si le feu est
si ma vitesse est faible ...
proche
...
0.8
0.8
0.6
0.6
0.4
0.4
36
alors j'acclre.
Ensemble flou
0.2
0.2
T(C)
si le feu est vert...
Un patient atteint dhpatite prsente gnralement les symptmes suivants :
Rgles de conduite automobile lapproche dun carrefour contrl

par des feux tricolores.
si le feu est
rouge...
3- Infrence floue
1- Pourquoi la logique floue : limites de la logique classique
Exemple de rgle floue
si le feu est
rouge...
2- Ensembles flous
37
38
39
40
41
42
T(C)
0
36
37
38
39
40
41
42
Le patient a 38.9C
v.s.
En logique classique : le patient na pas de forte fivre
Si le feu est rouge, si ma vitesse dpasse 85.6 km/h et si le feu est moins
de 62.3m, alors jappuie sur le frein avec une force de 33.2 Newtons
1- Introduction
1- Introduction
2- Ensembles flous
3- Infrence floue
En logique floue
5
5- Conclusions
: le patient a une forte fivre 50% => hpatite x%
1- Introduction
1- Introduction
=> pas dhpatite
2- Ensembles flous
3- Infrence floue
5- Conclusions
1.4 Les principaux problmes
1- Dfinir les notions
densembles flous
2. La thorie des ensembles flous
de prdicats flous
doprateurs ensemblistes flous
de relations floues
-----------------------------------
2- Dfinir linfrence floue
1- Introduction
comment propager les valeurs de vrit
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
Soient U lunivers du discours et A un sousensemble de U.

Thorie classique des ensembles :
Si A est la fonction dappartenance
caractristique de lensemble A :
5- Conclusions
Ensemble classique
A (x) = 0
A (x) = 1
A (x) [0, 1]
0.8
0.6
0.4
noyau = noy(A)
0.2
si x
/U
si x U
A(x)
T(C)
0
36
37
38
39
40
41
42
Ensemble flou
0.8
Thorie des ensembles flous :
x U
Les ensembles flous sont dcrits par leur fonction dappartenance
x U
3- Infrence floue
2- Ensembles flous
2- Ensembles flous
2- Ensembles flous
0.6
A (x) [0, 1]
0.4
frontire
0.2
T(C)
0
36
37
38
39
40
41
frontire
support : supp(A)
42
Degr dappartenance = valeur de vrit

II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
II- Ensembles flous
1- Introduction
2- Ensembles flous
2- Ensembles flous
Ensemble flou: "Personne de taille moyenne"
Ensemble flou " Personne de petite taille"

1
triangulaire, trapzodale,
Petit
Moyen
5- Conclusions
Ensemble flou :"Personne de grande taille"
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
Taille(m)
Gaussienne,
1.5
1.55
1.6
1.65
1.7
1.75
1.8
1.85
0.2
Taille(m)
0
1.5
1.9
Grand
0.8
3- Infrence floue
10
2- Ensembles flous : exemples
Les fonctions dappartenance peuvent avoir diverses formes selon leur dfinition :
!
1.55
1.6
1.65
1.7
1.75
1.8
1.85
1.9
Taille(m)
0
1.5
1.55
1.6
1.65
1.7
1.75
1.8
1.85
1.9
partition floue de l'univers du discours

Moyen
Petit
Grand
Pierre mesure 1m625
0.8
Sigmodes...
se traduit en logique floue par :
0.6
0.4
0.2
Taille(m)
0
1.5
II- Ensembles flous
11
1.55
1.6
II- Ensembles flous
1.65
1.7
1.75
1.8
1.85
Pierre est petit un degr de 75%

Pierre est moyen 25%
Pierre est grand 0%
1.9
12
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2.2 Oprations ensemblistes sur les ensembles flous
(OU)
Intersection
(ET)
Complment
(ngation)
3- Infrence floue
5- Conclusions
Fonction dappartenance de lensemble des personnes grandes et ges
Il faut dfinir les quivalents des oprations :

Union
2- Ensembles flous
age (x) = 0.7
grand (x) = 0.5
Inclusion
age grand (x) = ?
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
13
5- Conclusions
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
14
5- Conclusions
Fonction dappartenance de lensemble des personnes grandes et ges
Fonction dappartenance de lensemble des personnes grandes ou ges
age (x) = 0.7
grand (x) = 0.5
age grand (x) = ?
II- Ensembles flous
15
II- Ensembles flous
16
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
Fonction dappartenance de lensemble des personnes grandes ou ges
Une fonction de combinaison qui ressemblerait :
age (x) = 0.7
grand (x) = 0.5
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
17
5- Conclusions
1- Introduction
2.2 Oprateurs ensemblistes flous : lunion
Partition floue de l'univers du discours

1
2- Ensembles flous
3- Infrence floue
Grand
Moyen
0.8
0.8
0.8
0.8
0.6
0.6
0.6
0.6
0.4
0.4
0.4
0.4
1.5
Taille(m)
1.6
1.65
1.7
1.75
1.8
1.85
1.9
1.5
1.55
1.6
1.65
1.7
1.75
1.8
1.85
0.2
Taille(m)
1.55
0.2
0.2
Taille(m)
1.9
1.5
Taille (m)
0
1.55
1.6
1.65
1.7
1.75
1.8
1.85
1.9
1.5
1.55
Petit ou moyen
AB (x) = Max(A (x), B (x))
II- Ensembles flous
5- Conclusions
Ensemble flou: "Personne petite et moyenne"

Petit
0.2
18
2.2 Oprateurs ensemblistes flous : lintersection
Ensemble flou:"Personne petite OU moyenne"
Grand
Moyen
Petit
II- Ensembles flous
1.65
1.7
1.75
1.8
1.85
1.9
Petit et moyen
AB (x) = Min(A (x), B (x))
x U
1.6
19
II- Ensembles flous
x U
20
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2.2 Oprateurs ensemblistes flous : le complment
Grand
Moyen
Petit
3- Infrence floue
5- Conclusions
2.2 Oprateurs ensemblistes flous alternatifs
Ensemble floue :"Personnes non petites"
2- Ensembles flous
Toute t-norme peut servir dfinir

lintersection floue
Toute t-conorme peut servir

dfinir lunion floue
Une t-norme est une application T(x,y) satisfaisant les conditions suivantes: Une t-conorme est une application S(x,y) satisfaisant les conditions suivantes:
0.8
0.6
0.6
0.4
0.4
0.2
T ( x,1) = T (1, x) = x.
0 est lment neutre !x " [0,1]
S ( x, 0) = x.
Commutative T ( x, y ) = T ( y, x)
Commutative S ( x, y ) = S ( y, x)
Associative T ( x, T ( y, z )) = T (T ( x, y ), z )
Monotone si x # z et y # w alors T ( x, y ) # T ( z, w)
Associative S ( x, S ( y, z )) = S ( S ( x, y ), z )
Monotone si x # z et y # w alors S ( x, y ) # S ( z , w)
0.2
Taille(m)
0
1.5
1 est lment neutre !x " [0,1]
0.8
1.55
1.6
1.65
1.7
1.75
1.8
1.85
Taille (m)
1.5
1.9
1.55
1.6
1.65
1.7
1.75
1.8
1.85
1.9
Non petit
A (x) = 1 A (x)
II- Ensembles flous
1- Introduction
x U
2- Ensembles flous
3- Infrence floue
21
5- Conclusions
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions

lintersection floue
dfinir lunion floue
lintersection floue
dfinir lunion floue
II- Ensembles flous
22
23
II- Ensembles flous
24
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2.2 Oprateurs ensemblistes flous les plus utiliss
2- Ensembles flous
3- Infrence floue
5- Conclusions
2.2 Oprateurs ensemblistes flous
Pour toutes les dfinitions des oprateurs ET et OU, les proprits des oprateurs
boolens classiques sont prserves
Dnomination
Oprateurs de
Zadeh
MIN/MAX
Probabiliste
PROD/PROBOR
Intersection
ET
(t-norme)
Runion
OU
(t-conorme)
A" B (x ) = min ( A (x ), B (x )) A! B (x ) = max ( A (x ), B (x ))

A" B (x ) = A (x )# B (x )
A ( x ) + B ( x ) $ A ( x )# B ( x )
Complment
NON
Commutativit
A (x ) = 1 $ A ( x )
A (x ) = 1 $ A ( x )
Distibutivit
2 exceptions notables
#$ A ! (B " C ) = ( A ! B ) " ( A ! C )
%
$& A " (B ! C ) = ( A " B ) ! ( A " C )
1.
Associaticit
2.
En logique floue, le principe du tiers exclu est contredit.
A$ A "U
#$ A ! (B ! C ) = ( A ! B ) ! C
%
$& A " (B ! C ) = ( A " B ) " C
i.e. A$ A (x ) " 1
En logique floue, on peut tre A et non A en mme

temps.
A ! A " # i.e. A! A (x ) " 0
Lois de Morgan
!"
$# A ! B = A " B
%
$& A " B = A ! B
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
25
5- Conclusions
II- Ensembles flous
1- Introduction
2.2 Oprateurs ensemblistes flous
2- Ensembles flous
3- Infrence floue
26
5- Conclusions
2.3 Relations floues
2 exceptions notables
1.
Relations classiques
En logique floue, le principe du tiers exclu est contredit.
A$ A "U
i.e. A$ A (x ) " 1
x
x
2.
En logique floue, on peut tre A et non A en mme

temps.
x
x
A ! A " # i.e. A! A (x ) " 0
x
x
Taille = 1.80 est reli poids = 70kg
Relations floues
Le prix dachat est trs infrieur au prix de vente
II- Ensembles flous
27
II- Ensembles flous
28
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
Exemple :
Produit cartsien sur X x Y
$%"!)".-/&$!"&#!
'%!,&#,0"$,"12."
()'%!*+,('-#!./+#0&-"%1
2%!%,#/3,%!4/#+-.-"55"
!"#$"!"#!%&'(#)"*+#',,-$("
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
29
5- Conclusions
II- Ensembles flous
1- Introduction
2
3
2
0.8
1
0.8
3
0.3
0.8
1
2- Ensembles flous
3- Infrence floue
30
5- Conclusions
Une relation floue est une relation binaire dfinie sur X x Y

par une fonction dappartenance sur X x Y
R : X Y [0, 1]
Exemple :
(x, y) ! R (x, y)
Le prix du vendeur A est approximativement gal au prix du vendeur B
x X , y Y
fR (x, y) =
1
1 + (x y)2
AB (x, y) = min{A (x), B (y)}
II- Ensembles flous
1
1
0.8
0.3
31
II- Ensembles flous
Si x not in A, alors
pas dimage, et
!
"
sinon pas absurde
B ! (y) = sup min{A! (x), AB (x, y)}
de prendre le min
x
des deux
appartenances.
Intelligence Artificielle - Logique Floue
! A. Cornujols 2013
32
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
Inverse :
x, y X Y
fR1 (y, x) = fR (x, y)
Composition MaxMin, la plus

frquente, mais
pas unique
3. Linfrence floue
Composition de relations floues :

Le prix dachat est trs infrieur au prix de revient
qui est approximativement gal au prix de vente
x, y, z X Y Z
-----------------------------------
!
$
"
#
fR (x, z) = sup min fR1 (x, y), fR2 (y, z)
yY
II- Ensembles flous
1- Introduction
2- Ensembles flous
3- Infrence floue
33
5- Conclusions
III- Linfrence floue
1- Introduction
3.1 Bases de rgles floues
2- Ensembles flous
3- Infrence floue
34
5- Conclusions
3- Variables floues
Si temps est beau
Si cours est ennuyeux ET moment est dbut_cours
Si cours est intressant ET charge_de_travail est importante alors Moral est
Logique floue !base sur des variables floues dites variables linguistiques
valeurs linguistiques dans lunivers du discours U.
Chaque valeur linguistique constitue alors un ensemble flou de lunivers du
discours.
ET moment est dbut_matine alors Moral est haut

alors Moral est bas
maussade
Exemple:
Si ...
Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut
Prmisses
Conjonction
Implication
Conclusion
35
Univers du discours
: gamme de temprature de 0C 200C
Variables linguistiques : la temprature
Valeurs linguistiques : trs froid, froid, tempr, chaud, trs chaud
36
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
3- La fuzzification
Les systmes logique floue prennent en entre des variables floues et produisent en
sortie des variables floues
Il faut donc fuzzifier les mesures en entre
et dfuzzifier les sorties pour obtenir des sorties prcises
Interface de
fuzzification
1- Introduction
3- Infrence floue
37
5- Conclusions
lunivers du discours (i.e. plage de variation possible de lentre considre)
les fonctions dappartenance de chacune de ces classes
une partition en classe floue de cet univers
Processus dlicat
2- Ensembles flous
3- Infrence floue
38
5- Conclusions
3.2 Implication floue
Si temps est beau
Si cours est ennuyeux ET moment est dbut_cours
ET moment est dbut_matine alors Moral est haut

alors Moral est bas
Si cours est intressant ET charge_de_travail est importante alors Moral est

maussade
5- Conclusions
1- Introduction
3.1 Bases de rgles floues
Pour fuzzifier, il faut fournir :
Pierre est petit un degr de 75%

Pierre est moyen 25%
Pierre est grand 0%
2- Ensembles flous
3- Infrence floue
3- La fuzzification
Pierre mesure 1m625
2- Ensembles flous
En logique classique
En logique floue
! Si p Alors q
"
# p vrai Alors q vrai
Si ( X est A ) Alors (Y est B )
Si ...
La variable floue X appartient la classe floue A avec un

degr de validit (x0)
La variable floue Y appartient la classe floue B un degr
qui dpend du degr de validit (x0) de la prmisse
Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut
Prmisses
Conjonction
Implication
Conclusion
39
40
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
On veut maintenant dfinir une relation correspondant limplication logique

Relation :
Si ... alors ...
Si le poids est important alors le prix est lev
(Diamant)
Il nexiste pas de gnralisation unique de limplication logique
fA
fB
poids
prix
!
"
f (x, y) = fA (x), fB (y)
1- Introduction
2- Ensembles flous
3- Infrence floue
41
5- Conclusions
1- Introduction
3.2 Modus ponens gnralis : 2 mthodes usuelles
2- Ensembles flous
3- Infrence floue
42
5- Conclusions
Il nexiste pas de gnralisation unique de limplication logique

fR (x, y) = 1 fA (x) + fA (x) fB (y)
!
"
fW (x, y) = Max 1 fA (x), min(fA (x), fB (y)
1 si fA (x) fB (y)
fR G (x, y) =
0 sinon
!
"
fK D (x, y) = Max 1 fA (x), fB (y)
&
1
si fA (x) fB (y)
fB G (x, y) =
fB (y) sinon
Mthode de Mamdani :
Mthode de Larsen :
fG (x, y) =
!
"
conclusion (y) = Min premisse (x0 ), conclusion (y)
&
!
"
Min fB (y)/fA (x), 1
1
Willmott
Rescher-Gaines
Kleene-Dienes
Brouwer-G
odel
Goguen
!
"
fL (x, y) = Min 1 fA (x) + fB (y), 1
!
"
fL (x, y) = Min fA (x), fB (y)
conclusion (y) = premisse (x0 ) conclusion (y)
fL (x, y) = fA (x) fB (y)
si fA (x) #= 0
sinon
Reichenbach
43
Lukasiewicz
Mamdani
Larsen
44
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
3- Le raisonnement flou
(Diamant)
Si le poids est important alors le prix est lev

Soit limplication de Kleene-Dienes :
A v B = A -> B
A
fA
fB
" B = (A v B)
poids
Redrivez A v B :
fA
AB (x) = min{1, A (x) + B (x)}
Redrivez A " B :
prix
poids relativement important
poids
AB (x) = 1 min{0, 1 A (x) + 1 B (x)}

= max{0, A (x) + B (x)}
poids de 1.4 carat
fA
poids
1- Introduction
2- Ensembles flous
3- Infrence floue
45
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
4- Le modus ponens classique
*
*!!67!8
4. Le raisonnement flou
!!!!!!!!!!8
-----------------------------------
9,44":&,.+/#";
9,44":<;!!!!!!!!!!!!!67!!!!!!4,+#"5:<;
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!4,+#"5:&,.+/#";
IV- Le raisonnement flou
47
46
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
4- Le modus ponens flou
2- Ensembles flous
3- Infrence floue
5- Conclusions
4- Le modus ponens flou
Rgle floue :
Si V est A alors W est B
fB
fA
Fonction dappartenance
Fait observ :
V est A
Plus la condition sur les entres est vraie
Si la temprature est trs basse alors chauffer fort
Plus la sortie prconise doit tre respecte
fA!
Ici, la conclusion de la rgle floue est lappartenance de la variable floue de sortie
Conclusion :
W est B
fB !
chauffer la classe de sortie fort
Cette appartenance dpend de :
!
"
fB ! (y) = sup # fA! (x), f (x, y)
y Y
xX
1- Introduction
2- Ensembles flous
3- Infrence floue
la classe floue de sortie considre
du degr de validit de la prmisse
de la mthode dimplication choisie
5- Conclusions
1- Introduction
4- Modus ponens gnralis : exemple
2- Ensembles flous
premisse (x0 )
3- Infrence floue
50
5- Conclusions
4- Combinaison de rgles
Rgle : si la temprature est trs basse alors chauffer fort

!
$
#
conclusion (y) = supxX minyY premisse (x), f (x, y)
"
#
= minyY premisse (x0 ), f (x0 , y)
(en utilisant
limplication de Mamdani)
"
#
= minyY "premisse (x0 ), min(premisse#(x0 ), conclusion (y)
(y)
minyY
pr
emisse
0 ),
='conclusion
( y ) =MIN
(xconclusion
((x
prmisse
0 ), conclusion ( y ))
Fait : T = 3C
"
R1 : Si X1 est A11 ET X2 est A12
alors Y est B1
R2 : Si X1 est A21 ET X2 est A22
alors Y est B2
R3 : Si X1 est A31 ET X2 est A32 ET X3 est A33 alors Y est B3
...
Temprature trs basse
0.8
Chauffer fort
0.8
0.6
0.6
0.4
0.4
0.2
0.2
-10
T(C)
-5
10
15
Une rgle est active ds quelle a une prmisse ayant une valeur de vrit non
nulle
0.7
Plusieurs rgles peuvent tre actives simultanment et conclure sur des

conclusions de degrs de vrit diffrents ventuellement contradictoires.
12KW
Puissance chauffe(KW)
5
10
15
Il faut agrger les conclusions et leur degr de vrit
T=3C
Selon cette rgle, si T = 3C alors la puissance de chauffe = 12 kW

51
52
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
On considre que les rgles sont lies par un oprateur OU
B (y) = Max[Bi (y)]

i
i : indice des rgles actives
1- Introduction
2- Ensembles flous
3- Infrence floue
53
5- Conclusions
1- Introduction
On considre un moteur dinfrence 4 rgles qui

fournit pour sa sortie tension S1, les rsultats
suivants :
Moteur
dinfrences
4 rgles
R3
R4
Tension de sortie
Moyenne
1 Petite
1 Petite
Implication floue
de Mamdani
Volt(v)
10
Tension de sortie
Moyenne
Volt(v)
2
0.4
0
0
10
Volt(v)
2
10
Grande
On a alors une fonction dappartenance en sortie
0.4
Il faut dfuzzifier
0.2
0
0
0.6
0.2
0.6
Agrgation
des conclusions
0.2
0.6
1
0.8
0.4
0.8
5- Conclusions
Tension de sortie
Grande
0.6
Grande
0.2
0.8
0.8
0.4
3- Infrence floue
Tension de sortie
Moyenne
1 Petite
petite=0.6
petite=0.7
moyenne=0.3
grande=0.1
R2
2- Ensembles flous
54
4- Combinaison de rgles : exemple
4- Combinaison de rgles : exemple
R1
Volt(v)
2
10
55
56
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
1.
Mthode du centre de gravit (COG)
2.
sortie =
" y ! dy
S
" ( y )! dy
La dfuzzification COG est presque toujours employe en commande floue
La dfuzzification MM est plutt employe lorsquil sagit de discriminer une valeur
" dy
de sortie
$&
%&
o S = ' y0 # U / ( y0 ) = SUP ( ( y ))(
y#U
)&
*&
= Toutes les valeurs de sorties considres

Tension de sortie
(ex : reconnaissance de formes)
Tension de sortie
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
Volt(v)
2
3,5V
10
1- Introduction
5- Conclusions
U = Univers du discours
Mthode moyenne des maximums (MM)

Cest la moyenne des valeurs de sorties
les plus vraisemblables
" y ! ( y )! dy
sortie = U
3- Infrence floue
4- Deux principales mthodes de dfuzzification
4- Deux principales mthodes de dfuzzification
Cest labscisse du centre de gravit

de la surface sous la courbe rsultat
2- Ensembles flous
0
0
Volt(v)
2
1,9V
10
2- Ensembles flous
3- Infrence floue
57
5- Conclusions
1- Introduction
4- Synthse dune prise de dcision par logique floue
2- Ensembles flous
3- Infrence floue
58
5- Conclusions
4- Exemple : notation de copies par logique floue
On choisit :
Rsultats obtenus (sur 20)
Mthodes utilises (sur 20)
Prsentation (sur 20)
Systme
dinfrences
floues
valuation du travail (sur 20)
Classes dappartenance :
59
Rsultats dans {mdiocre, moyen, excellent}

Mthode dans {mdiocre, moyen, excellent}
valuation dans {mdiocre, mauvais, moyen, bon, excellent}
60
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
Base de rgles :
Sortie :
3- Infrence floue
Choix des fonctions dappartenance
Entre :
2- Ensembles flous
61
5- Conclusions
1.
2.
3.
4.
5.
6.
7.
Si (Rsultats est excellent) alors (Evaluation est excellent)
8.
9.
Si (Rsultats est mdiocre) et (Mthodes est excellent) alors (Evaluation est moyen)
Si (Rsultats est moyen) alors (Evaluation est moyen)

Si (Rsultats est mdiocre) alors (Evaluation est mdiocre)
Si (Rsultats est moyen) et (Mthodes est mdiocre) alors (Evaluation est mauvais)
Si (Rsultats est moyen) et (Mthodes est excellent) alors (Evaluation est bon)
Si (Rsultats est mdiocre) et (Mthodes est moyen) alors (Evaluation est mauvais)
Si (Rsultats est excellent) et (Mthodes est excellent) et (Prsentation est excellent)
alors (Evaluation est excellent)
Si (Rsultats est excellent) et (Mthodes est mdiocre) alors (Evaluation est moyen)
1- Introduction
2- Ensembles flous
3- Infrence floue
62
5- Conclusions
Choix des oprateurs flous
Surface de dcision obtenue
ET flou
OU flou
Implication floue
Agrgation des rgles
Dfuzzyfication
: COG
: MIN
: MAX
: MIN
: MAX
Obtenue pour une valuation de la prsentation de 10/20

V- Conclusions
63
64
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
Surface de dcision obtenue
5. Conclusion et bilan
-----------------------------------
Dcision selon modle linaire :
Dcision selon logique floue
note = 0.6 rsultats + 0.3 mthode + 0.1 prsentation
( Obtenues pour une valuation de la prsentation de 10/20 )

1- Introduction
2- Ensembles flous
3- Infrence floue
65
5- Conclusions
V- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
66
5- Conclusions
5- Contrleurs flous
5- Champs dapplication
c +-
Rgulateur flou
Systme
Aide la dcision, au diagnostic
domaine mdical, orientation professionnelle, ...
Bases de donnes
objets flous, requtes floues

Oprateurs de
logique floue
Reconnaissance de formes
Variables
dentre
Agrgation multicritre et optimisation
V- Conclusions
e1
e2 .
..
e
Commande floue de systmes
Ensembles
flous
67
V- Conclusions
Pr-traitement
Fuzzification
Base de rgles
floues
Mthode
dinfrence
floue
Raisonnement
flou
Dfuzzificateur
Variables
de sortie
Dfuzzification
Post-traitement ..
.
u1
u2
un
68
1- Introduction
2- Ensembles flous
3- Infrence floue
5- Conclusions
1- Introduction
Fuzzy set theory : dfinition des ensembles flous et des oprateurs associs
Systmes experts ; aide la dcision en mdecine ; commerce ...
1974 : Premire application industrielle
appareils lectromnagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,
systmes automobiles embarqus (BVA, ABS, suspension, climatisation,...etc.),
systmes audio-visuels (appareils de photos autofocus, camscope stabilisateur d'images,
systmes autonomes mobiles,

systmes de dcision, diagnostic, reconnaissance,
systmes de contrle/commande dans la plupart des domaines industriels de production.
Processeurs ddis et des interfaces de dveloppement spcifiques
Rgulation floue dune chaudire vapeur ralise par Mamdani
Longtemps universitaire
Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON
dont les principales caractristiques sont les suivantes :
1985 : Les Japonais lancent des produits avec Fuzzy Logic Inside
Machines laver ; appareils photos ; ...
V- Conclusions
1- Introduction
2- Ensembles flous
5- Conclusions
photocopieurs,...)
1970 : Premires applications
1990: Gnralisation de lutilisation de cette technique.
1965 : Concept densemble flou introduit par Lofti Zadeh (Berkeley)
3- Infrence floue
5- Historique : la maturit
5- Historique
2- Ensembles flous
3- Infrence floue
69
5- Conclusions
Nombre de rgles traites : 256

Nombre d' entres : 16
Nombre de sorties : 16
Mthode de composition des rgles : Centre de gravit
Vitesse de traitement : 200 microsecondes pour 200 rgles.
V- Conclusions
1- Introduction
2- Ensembles flous
3- Infrence floue
70
5- Conclusions
Rfrences
Remerciements
B. Bouchon-Meunier : La logique floue . PUF Que Sais-Je ?
L. Gacogne : lments de logique floue . Herms, 1997.
M. Stefick : Introduction to Knowledge Systems . Morgan Kaufmann, 1995.
Ces transparents reprennent en partie ceux de :
Matthieu Lescieux
dont les transparents sont trs bien faits.
Merci !!
V- Conclusions
71
V- Conclusions
72

Cours IA Fuzzy Logic 2013x4 PDF

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 IA Fuzzy Logic 2013x4 PDF

Transféré par

Droits d'auteur :

Formats disponibles

1- Introduction

Partie 1 - Place de linformatique

Partie 5 - PHP / MySQL

1.1 Une premire approche

1.5 Les dfis

1. Introduction : pourquoi la logique floue

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

1- Pourquoi la logique floue ?

Nous raisonnons avec des concepts linguistiques flous

1. Introduction : pourquoi la logique floue

ge, poids, temprature, ...

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

1- Pourquoi la logique floue ?

le patient a une forte fivre

si ma vitesse est leve ...

alors je freine fort.

et si le feu est loin ...

et si le feu est loin ...

alors je freine doucement.

si ma vitesse est faible ...

si le feu est vert...

Un patient atteint dhpatite prsente gnralement les symptmes suivants :

Rgles de conduite automobile lapproche dun carrefour contrl

1- Pourquoi la logique floue : limites de la logique classique

Exemple de rgle floue

En logique classique : le patient na pas de forte fivre

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

: le patient a une forte fivre 50% => hpatite x%

=> pas dhpatite

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

1.4 Les principaux problmes

1- Dfinir les notions

2. La thorie des ensembles flous

2- Dfinir linfrence floue

comment propager les valeurs de vrit

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

Soient U lunivers du discours et A un sousensemble de U.

Thorie des ensembles flous :

Les ensembles flous sont dcrits par leur fonction dappartenance

Degr dappartenance = valeur de vrit

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

II- Ensembles flous

Ensemble flou: "Personne de taille moyenne"

Ensemble flou " Personne de petite taille"

Ensemble flou :"Personne de grande taille"

2- Ensembles flous : exemples

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

partition floue de l'univers du discours

Pierre mesure 1m625

se traduit en logique floue par :

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

II- Ensembles flous

Pierre est petit un degr de 75%

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2.2 Oprations ensemblistes sur les ensembles flous

2.2 Oprations ensemblistes sur les ensembles flous

Fonction dappartenance de lensemble des personnes grandes et ges

Il faut dfinir les quivalents des oprations :

age (x) = 0.7