Ministère de l’Enseignement Supérieur

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.

2. Architectures de la combinaison RN et SIF

En fonction de la contribution de chaque système, différentes architectures sont
envisageables.
2.1. Première architecture
Un réseau de neurones avec un signal flou, des poids flous, une fonction de transfert
floue et un module d’adaptation de la structure de RNF par un apprentissage d’un
ensemble de données.
2.2. Deuxième architecture
Cette architecture concerne l’utilisation des systèmes indépendants mais qui vont
travailler en collaboration en série ou bien en parallèle.
i°) Architectures séries
La figure (6.1) donne les deux combinaisons séries des systèmes Neuro-Flous.

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.

Raouf KETATA (C) 2023-24 Page 1 / 6

Ch6.Systèmes Neuro-Flous IIA5-Soft Computing

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.

3. Architectures des Systèmes Neuro-flous

Diverses associations des méthodes et architectures neuro-flous ont été développées
depuis 1988. Pour cela, nous présentons brièvement les différents modèles neuro-flous
qui font usage des complémentarités de réseaux de neurones et des systèmes d’inférence
floue dans la section suivante. Nous citons quelques travaux dans ce domaine comme
NEFCLASS, ANFIS, NEFCON, NEFPROX et NEFDIAG.
3.1. NEFCLASS (Neuro-Fuzzy CLASSification)
Modèle utilisé généralement en classification. Il est constitué de trois couches : une
couche d’entrée avec les fonctions d’appartenance, une couche cachée représentée par
des règles et une couche de sortie définissant les classes (figure (6.3)).
Ce modèle est facile à mettre en application. Il évite l’étape de défuzzification tout en
étant précis dans le résultat final, avec une rapidité bien supérieure aux autres
architectures.

Raouf KETATA (C) 2023-24 Page 2 / 6

Ch6.Systèmes Neuro-Flous IIA5-Soft Computing

Figure (6.3). Architecture NEFCLASS

3.2. ANFIS (NeuroAdaptive-Neuro-based-Fuzzy Inference System)

ANFIS représente un système à inférence floue mis en application dans le cadre des
réseaux adaptatifs. Il utilise la procédure d’apprentissage hybride (figure (6.4)).

Figure (6.4). Architecture ANFIS

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.

Raouf KETATA (C) 2023-24 Page 3 / 6

Ch6.Systèmes Neuro-Flous IIA5-Soft Computing

B1
A1
1
X1 ET

A1
2 y
O DF
A2 U
1
X2 ET

A2
2 B2
C1 C2 C3 C4 C5 C6

→ pour indiquer l’implication floue Ci=Couche i avec i ∈{1, 2, 3, 4, 5,6}

Figure (6.5). Codage du SIF par un RN

3.3. NEFCON (NEuro-Fuzzy CONtroller)

NEFCON est un Modèle formé de 3 couches : une couche d’entrée composée des
fonctions d’appartenance, une couche cachée formée par des règles et une couche
d’entrée incluant des nœuds d’entrée avec les sous-ensembles des conséquences.
L’élaboration des règles est similaire à l’architecture NEFCLASS, avec une différence en
sortie. Cette architecture est généralement utilisée en approximation de fonctions et en
contrôle flou (figure (6.6)).

Figure (6.6). Architecture NEFCON

3.4. NEFPROX (NEuro-Fuzzy function apPROXimator)

Raouf KETATA (C) 2023-24 Page 4 / 6

Ch6.Systèmes Neuro-Flous IIA5-Soft Computing

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.

Figure (6.7). Architecture NEFPROX

Le NEFPROX est le premier système interprétable et lisible, dédié à l’approximation de

fonctions. Néanmoins, ses résultats en classification restent moins bons que ceux donnés
par le NEFCLASS.
3.5. NEFDIAG (NEuro-Fuzzy DIAGnosis)
NEFDIAG est un modèle neuro-flou de trois couches. Il fait son apprentissage par un
ensemble de formes, telle que chaque forme soit affectée (classée) vers une des classes
prédéfinies. La figure (6.8) illustre un système neuro-flou représenté par NEFDIAG avec
N entrées, M règles floues et P sorties telles que les entrées représentent les observations
de chaque composant du système à surveiller, donc pour chaque composant, il y a une
ou plusieurs observations.

Raouf KETATA (C) 2023-24 Page 5 / 6

Ch6.Systèmes Neuro-Flous IIA5-Soft Computing

Figure (6.8). Architecture NEFDIAG

Raouf KETATA (C) 2023-24 Page 6 / 6