Université de Ghardaia Niveau: Mater2_Automatique et Systèmes

Faculté des Sciences et de la Technologie Module: Commande Intelligente

Département Sciences et Technologie Responsable de module: R. SADOUNI
Filière: Automatique Année Universitaire: 2019/2020

Examen de 1er semestre

Commande Intelligente
Corrigé-type
Questions de Cours (3 points) :

1- L’objectif est de rendre le système commande-machine puisse penser et réagir

intelligemment comme un être humain, en reproduisant le raisonnement intelligent
d’une manière artificielle. 0.25

2- La structure générale d’un contrôleur flou:

Contrôleur flou

Mécanisme 0.5
Fuzzification d’inférence Défuzzification

R(t) u(t) y(t)

système

Base des
règles

- Bloc de fuzzification: sert à transformer les variables numériques en variable

linguistiques (floues). 0.5

- Bloc d’inférence+base des règles: sont le cœur du régulateur flou, ils effectuent
une relation entre les fonctions d’appartenance des entrées et celles des sorties en
appliquant des règles de type: si … alors … 0.5

- Bloc de fuzzification: sert à transformer la décision floue en valeur numérique afin

de l’envoyer au système. 0.5

3- L’avantage major de la commande par logique floue:

Permet de modéliser les connaissances d’un expert humain ayant une parfaite maitrise sur
0.25
le système à commander. En plus la conception du contrôleur flou ne se repose pas sur la
0.25
connaissance du modèle de système (le système est considérer comme une boite noire).
- L’inconvénient major de la commande par logique floue:
0.25 Le manque des directives précises pour la conception d’un régulateur floue.

1/3
Questions à Choix Unique (QCU) (4 points) : Réponse juste = 1 point ; Réponse erronée = -1 point
1- Un perceptron multicouche peut traiter les problèmes linéairement séparables ?
1
Vrai Faux
2- Les entrées du RNA ne peuvent être que binaires (1 et 0) ?
Vrai 1 Faux
3- On peut représenter la fonction logique XOR par un perceptron monocouche ?
Vrai 1 Faux
4- Plus que le taux d’apprentissage est proche de 1, plus que la réponse du neurone
aux changements est lente ?

Vrai 1 Faux

Exercice_2: (13 points) -1

X1=1 X2=1 Y= 0 θ3
X1 W13
Condition d’arrêt: l’erreur est de l’ordre de 10-1. 1 3 W35
W14
W23
Les données: 5 Y
X2
2 4 W45
θ5
W24
W13=0.5 ; W14=0.9 ; W23=0.4 ; W24=1 ; W35=-1.2 ; W45=1.1
-1
θ4
θ3=0.8 ; θ4= -0.1 ; θ5=0.3 ; α=0.1 -1
Fonction d’activation:

- Calcul des sorties:

y3=Sig(x1.W13+x2.W23-1.θ3)=Sig(0.5+0.4-0.8)=1/(1+e-0.1)=0.525 0.5

y4=Sig(x1.W14+x2.W24-1.θ4)=Sig(0.9+0.1+1)=Sig(2)=0.8808 0.5

y5=Sig(y3.W35+y4.W45-1.θ5)=0.5097 0.5

- Calcul de l’erreur:
e=ydés-ycal=0-0.5097= -0.5097→ Adaptation des poids est nécessaire 0.5

- Calcul des Δ (Δ5, Δ4, Δ3):

Δ5=e.derSig(y5)=e.[y5.(1-y5)]=(-0.5097)(0.5097)(1-0.5097)= -0.1274 0.75

Δ3=W35.Δ5.derSig(y3)=(-1.2)(-0.1274)(0.525)(1-0.525)=0.0381 0.5

Δ4=W45.Δ5.derSig(y4)=(1.1)(-0.1274)(0.8808)(1-0.8808)= -0.0147 0.5

- Calcul de la variation dans les poids:

ΔW35=α.y3.Δ5=-0.0067 0.5

ΔW45=α.y4.Δ5=-0.0112 0.5

Δθ5=α.(-1).Δ5=0.1.(-1).(-0.1274)=0.0127 0.5

ΔW13=α.x1.Δ3=(0.1)(1)(0.0381)=0.00381 0.5

ΔW23=α.x2.Δ3=(0.1)(1)(0.0381)=0.00381 0.5

ΔW14=α.x1.Δ4=(0.1)(1)(-0.0147)= -0.00147 0.5

ΔW24=α.x2.Δ4=(0.1)(1)(-0.0147)= -0.00147 0.5

Δθ3=α.(-1).Δ3=(0.1)(-1)(0.0381)= -0.00381 0.5

Δθ4=α.(-1).Δ4=(0.1)(-1)(-0.0147)=0.00147 0.5

2/3
- Calcul des nouveaux poids:
Wij=Wij+ΔWij 0. 5

W13=W13+ΔW13=0.5+0.00381=0.50381 0.25

W14=0.9-0.00147=0.89853 0.25

W23=0.4+0.00381=0.40381 0.25
W24=1-0.00147=0.99853 0.25

W35=-1.2-0.0067= -1.2067 0.25

W45=1.1-0.0112=1.0888 0.25

θ3=0.8-0.00381=0.79619 0.25

θ4=-0.1+0.00147= -0.09853 0.25

θ5=0.3+0.0127=0.3127 0.25

- Calcul de la nouvelle sortie:

y3=Sig(x1.W13+x2.W23-1.θ3)=Sig(0.50381+0.40381-0.79619)=0.5278 0.5

y4=Sig(x1.W14+x2.W24-1.θ4)=Sig(0.89853+0.99853+0.09853)=0.8803 0.5

y5=Sig(y3.W35+y4.W45-1.θ5)=Sig(0.5278*-1.2067+0.8803*1.0888-0.3127)= 0.5022 0.5

Donc:
e=ydés-ycal=0-0.5022= -0.5022→ de l’ordre de 10-1 0.5

3/3