Chapitre 3 : Réseaux neuro-flous 0

Chapitre 3

RÉSEAUX
NEURO-FLOUS

Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique
Chapitre 3 : Réseaux neuro-flous 1

INTRODUCTION :

Les systèmes flous et les réseaux de neurones ont le même objectif, tous les deux tentent de
modéliser le fonctionnement du cerveau humain. Mais il y a une nuance entre les deux. Les
réseaux de neurones tentent de modéliser l'architecture du cerveau en créant une modélisation
de l'entité du cerveau : le neurone. Les systèmes flous eux modélisent le cerveau par son mode
de fonctionnement (apprentissage et déduction).

L'utilisation conjointe des réseaux de neurones et de la logique floue permet de tirer avantage
des deux méthodes. Les capacités d'apprentissage de la première et la lisibilité et la souplesse de
la seconde.

Diverses associations de ces deux méthodes ont été développées depuis 1988 et sont le plus
souvent orientées vers la commande de systèmes complexes et les problèmes de classification.

1- Méthodes Neuro-Floues :

1.1- Première Méthode : Systèmes neuro-flous hybrides :

L'une des premières méthodes est le codage du système d'inférences floues sous la forme
d'un réseau de neurone multicouche dans lequel les poids correspondent aux paramètres du
système. L'architecture du réseau dépend du type de règle et des méthodes d'inférence,
d'agrégation et de défuzzification choisies (Figure 1).

Figure 1- Exemple de réseau de neurones pour la commande floue

D'après la figure 1 pour des règles de la forme « SI V1 est A1i et V2 est A2i ALORS R = wi », on
a un réseau de neurones qui admet pour entrée les valeurs x1 et x2 prises par les variables V1 et
V2 et dont les deux couches cachées correspondent respectivement au calcul de la valeur des
fonctions d'appartenance A1i pour l'entrée x1 et A2i pour l'entrée x2 et à celui de la valeur prise
par la conjonction des conditions de chaque règle utilisant un opérateur adéquat. Les fonctions
d'appartenance sont considérées comme des paramètres, ajustées par les poids entrant dans la
première couche cachée. Les conclusions wi des règles sont également des paramètres ajustables
par l'intermédiaire des poids associés à la dernière couche.

Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique
Chapitre 3 : Réseaux neuro-flous 2

1.2- Seconde Méthode : Systèmes neuro-flous concurrents :

Cette seconde approche consiste à utiliser les réseaux de neurones pour remplacer chacune
des composantes d'un système de commande floue. Ces réseaux servent d'apprentissage des
fonctions d'appartenance, au calcul de l'inférence à la réalisation de la phase d'agrégation et de
défuzzification. Ils peuvent réaliser l'extraction des règles floues en analysant la corrélation qui
existe entre les entrées et les sorties du réseau de neurones.

Ces approches permettent de résoudre deux problèmes important de la logique floue :

 Détermination des fonctions d'appartenance

 Adaptation à l'environnement du système

1.3- Troisième Méthode : Systèmes neuro-flous en coopération :

Elle utilise des réseaux de neurones et des systèmes flous associés en série ou en parallèle.
Plusieurs variantes d'utilisation sont possibles :

 Le réseau de neurones fonctionne en amont du système flou (Figure 2). Les variables d'entrée
du système flou sont déterminées à partir des sorties du réseau de neurones (dans le cas où
elles ne sont pas mesurables directement) ou encore un réseau de neurones effectue une
tâche de classification ou de reconnaissances de formes, qui est suivit d'un système flou
d'aide à la décision.

 Un réseau de neurones qui fonctionne en aval du système flou (Figure 3), dans le but
d'ajuster les sortie d'un système de commande floue à de nouvelles connaissances obtenues,
les variables de sortie étant les erreurs sur les variable de sortie du système flou.

Figure 2- Exemple d'association en série d'un réseau de neurone et d'un système flou

Figure 3- Exemple d'association en parallèle d'un réseau de neurone et d'un système flou

Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique
Chapitre 3 : Réseaux neuro-flous 3

2- Les modèles neuro-flous hybrides :

2.1- Système neuro-flou basé sur l’approche TAKAGI & SUGENO :

Ce réseau neuro-flou adaptatif, appelé souvent : Adaptive Neural Fuzzy Inference System
(ANFIS), est basé sur le système d’inférence flou de TAKAGI et SUGENO de type :

SI x1 est A1 ET x2 est A2 … ET xm est Am ALORS y = f(x1 , x2 , … , xm)

Il est composé de 6 couches. Les nœuds sont de deux types différents selon leur
fonctionnalité : des nœuds adaptatifs (carrés) et des nœuds fixes (circulaires).

Considérons un système d’inférence floue avec deux entrées (x, y) et une sortie, et supposons
que la base de règle contient deux règles floues de type TAKAGI et SUGENO :

1) SI x est A1 ET y est B1, ALORS f1=p1x+q1y+r1

2) SI x est A2 ET y est B2, ALORS f2=p2x+q2y+r2

Couche 1 Couche 2 Couche 3 Couche 4 Couche 5 Couche 6

Figure 4- Système neuro-flou basé sur l’approche TAKAGI & SUGENO (ANFIS)

Couche 1 : La fonction d’activation de ses neurones est linéaire :

Si1  x i

Couche 2 : Les nœuds expriment les conditions d’appartenance, ils remplissent le rôle de
fuzzification. Chaque noeud est plus ou moins activé en fonction du degré d’appartenance à un
sous ensemble flou donné (le nombre de noeuds associés à chaque entrée est le nombre de sous
ensembles flous qui définissent cette variable floue).

Si2   Ai ( x ) est la fonction d’appartenance au sous ensemble Ai

S'i2   B i ( x ) est la fonction d’appartenance au sous ensemble Bi

Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique
Chapitre 3 : Réseaux neuro-flous 4

Couche 3 : Les noeuds expriment les règles d’inférences. Les liaisons de cette couche
remplissent le rôle de la partie pré-condition des règles.

Si3  wi   Ai ( x ) Bi ( x ) i  1,2

Couche 4 : Chaque noeud i dans cette couche correspond à une règle floue SUGENO. Il reçoit
les sorties des neurones de fuzzification et calcule son activation en fonction de la sortie
précédente wi comme suit :

wi
Si4  wi  i  1,2
 wi
i

Couche 5 : Les liaisons de cette couche remplissent le rôle de la partie conséquence des règles,
chaque noeud i calcule le degré de vérité normalisé d’une règle floue donnée. La valeur obtenue
représente la contribution de la règle floue au résultat final. Ainsi, la sortie du neurone i de la
couche 4 est calculée en fonction des variables d’entrée comme suit :

Si5  wi fi  wi ( pi x  qi y  ri ) i  1,2

Couche 6 : La sortie est obtenue en sommant l’ensemble des sorties de la couche 5 :

S 6  f   wi f i i  1,2
i

L’ajustement des paramètres de l’ANFIS est réalisé lors de la phase d’apprentissage. Cette
étape commence par la construction d’un réseau initial, ensuite on applique une méthode
d’apprentissage supervisé pour modifier les paramètres des fonctions d’appartenance afin de
minimiser l’erreur entre la sortie du système calculée et la sortie désirée.

2.2- Système neuro-flou basé sur l’approche MAMDANI :

Ce réseau neuro-flou adaptatif, est basé sur le système d’inférence flou de MAMDANI de
type :

SI x1 est A1 ET x2 est A2 … ET xm est Am ALORS y est C

Il est composé de 5 couches. Les nœuds sont de deux types différents selon leur
fonctionnalité : des nœuds adaptatifs (carrés) et des nœuds fixes (circulaires).

Considérons un système d’inférence floue avec deux entrées (x1 , x2) et une sortie y, et
supposons que la base de règle contient 6 règles floues de type MAMDANI.

Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique
Chapitre 3 : Réseaux neuro-flous 5

Couche 1 Couche 2 Couche 3 Couche 4 Couche 5

Figure 5- Système neuro-flou basé sur l’approche MAMDANI

Couche 1 : Chaque nœud transmet simplement les données d’entrée à la couche de

fuzzification :

Si1  x i i  1,2

Couche 2 : Les neurones de cette couche réalisent chacun un ensemble flou qui servira dans les
antécédents des règles.

Chaque neurone reçoit une valeur d’entrée précise et génère son degré d’appartenance à
l’ensemble flou représenté par le neurone.

Couche 3 : Elle réalise les conjonctions des antécédents de règles floues. Chaque neurone dans la
couche reçoit comme entrée les degrés d’appartenance définis dans la couche 2. L’intersection
floue est réalisée avec l’opérateur produit :

 R 1   A1   B 1

 R6   A3  B1

Couche 4 : Elle réalise les disjonctions des antécédents de règles floues. Chaque neurone dans
cette couche reçoit comme entrée les degrés d’appartenance définis dans la couche 3. L’union
floue est réalisée à l’aide de l’opérateur :

C 1   R 3   R 6
C 2   R 1   R 2   R 4   R 5

Couche 5 : Chaque neurone dans cette couche prend les ensembles flous précédents, les
combine en un seul ensemble flou. Ce dernier est alors défuzzifié.

Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique