Académique Documents
Professionnel Documents
Culture Documents
Et de la Recherche Scientifique
Université 7 Novembre à Carthage
Institut National des Sciences Appliquées et de Technologie
Chapitre 6
Systèmes Neuro-Flous
« Soft Computing – Réseaux de Neurones »
Notes de cours – IIA5
2023-24
KETATA Raouf
1. Introduction
L’utilisation conjointe des réseaux de neurones (RN) et des systèmes à inférence floue (SIF)
permet de tirer profil de leurs avantages. En effet, les RNs sont connus pour leur capacité
d’apprentissage pour reconnaitre des modèles et par conséquent expliquer comment ils peuvent
atteindre leurs décisions. De leur part, les SIFs raisonnent en langage symbolique naturelle avec
de l’information imprécise pour présenter leurs décisions. Ils sont donc simples et lisibles à
interpréter.
SIF RN
RN SIF
(a) (b)
Figure (6.1). Architectures Neuro-Floues série
La première architecture montre que le système flou est au service d’un réseau de
neurones. Tandis que pour celle de la figure 1.(b), le RN est au service du SIF.
ii°) Architecture parallèle
La figure (6.2) donne l’architecture des systèmes Neuro-Flous.
SIF
RN
Figure (6.2). Architecture parallèle des systèmes Neuro-flous
Pour l’architecture parallèle, les systèmes RN et SIF travaillent l’un indépendant de
l’autre. Par contre, ils interviennent tous les deux pour fournir la décision globale.
2.3. Troisième architecture
Un réseau de neurones utilisé pour remplacer toutes ou quelques composants d’un
système à inférence floue, telles que par exemples, l’apprentissage des fonctions
d’appartenance, le calcul de l’inférence, la phase d’agrégation voire même de
défuzzification. Dans cette structure homogène, le système peut être interprété comme
un réseau de neurones spécial à paramètres du système à inférence floue (SIF) nommé
système Neuro-Flou hybride.
Le système neuro-flou partage la structure des données et la représentation de
connaissance. Le SIF peut utiliser l’expertise humaine pour implémenter les
composantes essentielles dans la base de connaissance et la base de données et exécute
le raisonnement flou pour inférer la valeur de sortie totale.
Cette architecture affine les règles floues obtenues par des experts humains pour décrire
le comportement d’entrée-sortie d’un système complexe. Il est implémenté dans la boite
à outils « Neuro-Fuzzy » de MATLAB. Ce modèle donne de très bons résultats en
poursuite de trajectoire, approximation non linéaire, commande dynamique et
traitement du signal.
Remarque
Le SIF représenté par l’architecture précédente est de type TSK. La même architecture
peut être adoptée pour un SIF de type Mamdani.
Prenons le cas de règles R1 et R2 définies de la manière suivante :
R1. Si (x1 est A11 ET x2 est A21) ALORS (y est B1)
R2. Si (x1 est A12 ET x2 est A22) ALORS (y est B2)
La figure (6.5) représente le codage du SIF du type Mamadani par un RN.
B1
A1
1
X1 ET
A1
2 y
O DF
A2 U
1
X2 ET
A2
2 B2
C1 C2 C3 C4 C5 C6
NEFPROX est un modèle obtenu par l’association des deux architectures NEFCLASS et
NEFCON. Il est utilisé dans différentes applications comme la classification et
l’approximation de fonction.
Le NEFCLASS utilise un algorithme supervisé avec le calcule de l’erreur de sortie. Les
deux modèles emploient la rétro-propagation afin de définir les sous-ensembles flous.
Comparé aux modèles ANFIS et NEFPROX (figure (6.7)) est beaucoup plus rapide, mais
ANFIS donne de meilleurs résultats en approximation.