2020/2021

Université de Jijel
Département d’électrotechnique
Master II Electrotechnique Industrielle
Module : Techniques d'intelligences artificielles

TP-4_Modèle du soft computing -ANFIS-

1. Présentation
Adaptive Neuro-Floue Inférence Système (ANFIS) est un modèle du soft computing qui
combine la logique floue et les réseaux de neurones. Par conséquent, ANFIS est également
connu comme méthode hybride. L'ANFIS crée des règles basées sur des données de
constitution à travers des mécanismes similaires aux réseaux de neurones artificiels.
La méthode initiée par Takagi, Sugeno et Kang (TSK) en 1985 vise à obtenir une règle dérivée
de la relation entre entrée et sortie d'un système. Le principe de base est:
Si x est A et y est B alors z = f (x, y)
Où, A et B sont des ensembles floues alors que z est une fonction de forme non floue. En
réalité, le principe de fonctionnement d'ANFIS est presque identique à celui du réseau de
neurones artificiel et qui nécessite l'existence d'une base de données pour construire un
modèle. Le résultat de l'apprentissage d'un réseau de neurones est un réseau qui procède des
poids, tandis que l'ANFIS produira un système d'inférence floue (FIS) basé sur des règles.
2. Utilisation de l'interface graphique de la boite à outils ANFIS
Matlab possède un toolbox (Boite à outils) qui permet de créer des modèles ANFIS. Cette boite
à outils possède 4 blocs (données, FIS, apprentissage, test) qui permettent de charger
l’ensemble des données du FIS, de générer le FIS ainsi que 2 blocs qui permettent d'entrainer et
de tester le FIS.
On commence par taper anfisedit à
l’interface de commande de
MATLAB : >> ce qui lance l’éditeur
de ANFIS : Anfis Editor.
2.1. Interface de l'ANFIS
Bloc 1 : Chargement les données
Ici vous pouvez choisir le type des
données selon le but: Apprentissage
(choix par défaut), Test ou
Vérification.
Les données sont obligatoirement
définies sous forme de matrice, où

1
 2020/2021
les premières colonnes contiennent les données d'entrée et la dernière des données de sortie.
Cliquez sur Load data et vous êtes invité à entrer le nom de la variable fournie.
Bloc 2 : Générer le FIS
Une fois les données chargées, un système flou initial peut être généré en utilisant Generate
FIS. L'option la plus simple consiste à laisser le choix par défaut.
Par défaut, 4 fonctions d'appartenance gbellmf sont choisies.
Bloc 3 : Entrainer le FIS
Le calcul principal se produit dans ce bloc où un algorithme hybride est utilisé. La tolérance
d'erreur est 0 par défaut. Pendant l'apprentissage, vous pouvez voir comment l'erreur évolue
en fonction du nombre d'itérations itérations. Le défaut est la valeur 3 elle n'est presque jamais
suffisante. Pour l'entraînement il suffit de cliquer sur Train now.
Vous pouvez améliorer le modèle en introduisant plus de fonctions d'appartenance.
Bloc 4 : Tester le FIS
Une fois que le résultat est satisfaisant, vous pouvez tester la performance du FIS contre soit en
entrainant, en testant ou en vérifiant des données. La valeur par défaut est l'entraînement des
données d'apprentissage.
3. Application sur l'approximation de fonctions
1- Utiliser un modèle ANFIS pour suivre la trajectoire d'une fonction non linéaire définie par:
y=cos(2.x1)/exp(x2)
Avec x2=sin(x1) et x1 défini dans l'intervalle [0,10].
2- Choisissez des valeurs différentes pour le nombre de fonctions d'appartenance et différents
types de fonctions d'appartenance. Étudiez également d'autres cas lorsque vous ajoutez un
bruit à la base de données.
4. Utilisation des commandes de la boite à outils ANFIS (Evaluation continue)
L'objectif est de réaliser le même travail que précédemment en utilisant un modèle ANFIS
programmé à l'aide des commandes de la boite à outils, tout en respectant les étapes suivantes:
a- Employer la commande ''genfis1'' pour produire un système FIS initiale.
b- Entrer les paramètres pour l’apprentissage.
- Le nombre d’itérations.
- Le nombre de fonctions d’appartenance.
- La tolérance.....
c- Commencer l’apprentissage en utilisant la commande ''anfis''.
d- Valider le modèle ANFIS obtenu par la commande ''evalfis'' sur d'autres données.

Chargé du module
Pr. T. Hacib
2