Vous êtes sur la page 1sur 39

LOGIQUE FLOUES

&
RSEAUX DE NEURONES
ARTIFICIELS

Pr. Abdellah
MECHAQRANE

INTRODUCTION GNRALE

Intelligence artificielle-Inspirations biologiques

Utilisation la biologie comme inspiration pour crer de


nouveaux modles informatiques:
Rseaux de neurones

Raisonnement humain
Evolution
Colonie

Logique floue

Algorithmes Gntiques
Colonie de fourmis-Essaims

Cerveau

Ncessite de modles mathmatiques :

Construire un modle mathmatique permet :


La reproduction le plus exactement possible du fonctionnement
du systme,
La prvision de lvolution dun processus rel au cours du
temps,
Lextrapolation du fonctionnement des rgions limites,
La synthse de modules de commande,

La supervision et le diagnostic efficaces.

Classes de modles:
Modles botes blanches : modles "de connaissances"
Modles bass sur des quations mathmatiques traduisant la dynamique du
systme partir des lois tires de la physique, de la chimie ou de la biologie .
Avantage:
grande prcision
Inconvnients :
trs longs voir impossibles mettre au point pour des systmes complexes.
grande capacit de calculs
difficilement implmentables en temps rel dans des modules de supervision
et de diagnostic.

Impossibilit de quantifier des connaissances approximatives et subjectives


dcrivant des processus physiques.

Modles "botes noires": modles "de comportement"


Modles empiriques utiliss lorsque le comportement physique du processus nest
pas disponible ou nos connaissances sur celui-ci sont rudimentaires
Ces modles sont gnralement obtenus par identification exprimentale du
procd partir dune srie de mesures entres/sorties.
Modles linaires : AR, ARX, ARMAX,
Modles non linaires : Rseaux de neurones, modles neuro-flous, .

Modles "boites grises" : modles "hybrides"

Parties moins connues

"botes blanches"
"botes noires"

Parties connues

Ralit Physique :

Les systmes physiques rels sont complexes, fortement non linaires et


difficilement modlisables.

La modlisation de tels systmes est largement facilite par lutilisation de


concepts tels que :

Rseaux de neurones

Logique floue

LOGIQUE FLOUE
Lotfi A. Zadeh

N le 4 fvrier 1921 Bakou en Azerbadjan


Pre azeri , mre russe
Etudes suprieurs : Universit de Thran
1944 : Emigration aux Etats-Unis
1949 : PhD en Gnie Electrique (Columbia University)
1959 : Professeur l'University of California, Berkeley
1965 : Fuzzy sets theory
1973 : Fuzzy logic theory

RSEAUX DE NEURONES ARTIFICIELS

1943 : Le neurone formel (McCulloch & Pitts)


1949 : Premire rgle dapprentissage (Hebb)
1958 : Le perceptron (Rosenblatt)
1960 : L'adaline (Widrow & Hoff)
1969 : Limite Perceptrons (Minsky & Papert)
1986 : Algorithme de rtropropagation

1990-: larges applications

Contenu du cours :
Partie A - Logique et commande floues
Chapitre 1 : Introduction la logique floue
Chapitre 2 : Concepts de la logique floue
Chapitre 2: Commande floue
Chapitre 3: Applications de la commande
floue

Partie B- Les rseaux de neurones

Chapitre 1: Prsentation gnrales


Chapitre 2: Commande neuronale

10

Chapitre 3: Exemples dapplications

Chapitre 1

11

Introduction la logique floue

Concepts d'ensembles conventionnels (crisp


sets)

Concepts d'ensembles flous (fuzzy Sets)

Fonctions d'appartenance (membership


functions)

Oprations sur les ensembles flous

12

Ensembles classiques

(Dfinitions) :

Ensemble :

Collection d'lments (objets) ayant les mmes caractristiques:


Exemples :

Elment :

Un lment x appartient un ensembles A s'il admet


toutes les caractristiques des lments de cet ensemble:
13

x A

Ensemble universel :

Un ensemble universel U est un domaine particulier qui


inclus tous les lments possible de ce domaine.
En d'autres termes, tous les ensembles dans un domaine
donn sont des sous-ensembles de l'ensemble universel U.
U
B

14

Sous-ensemble(Inclusion) :
On dit que B est inclus dans A et on le note :

B A x B x A, x

BA

B A

15

N.B: La notation :

Egalit :

Deux ensembles A et B sont dits gaux, si et seulement si :

x, x B x A
Partition :

Deux sous-ensembles A et B forment une partition dun


ensemble E lorsque :

A B et A B
B
16

Intersection :

L'intersection de deux ensembles A et B est l'ensemble des


lments appartenant la fois A et B. On la note A B.

x A B x A et x B
Exemple :
-2

1
2

-1
0

5
3

C A B 1, 2
17

En logique classique, l'intersection est reprsent par l'oprateur "ET"

Union :

L'union de deux ensembles A et B est l'ensemble des lments


appartenant A ou B. On la note A B.

x A B x A ou x B
Exemple :
-2

11
22

-1
0

5
3

C A B 2, 1, 0,1, 2,3, 4,5


18

En logique classique, la runion est reprsente par l'oprateur "OU"

Complmentaire :
Si A est une partie d'un un ensemble E, lensemble complmentaire
de A dans E est l'ensemble des lment appartenant E et
n'appartenant pas A. on le note plus simplement ou A ou
CE(A). Dune manire gnrale on a :

x A A x E et x A
Exemple :

E = {1, 2, 3, 4, 5}

Soit

A = {2, 3}. On a :

A 1, 4,5
19

Soit

Lois de De Morgan

A B A B

20

A B A B

Diffrence :
On appelle "A moins B", et on note A\B, lensemble des lments
de A qui ne sont pas dans B :

x A \ B x A et x B
U
B

A\ B A B A B
Exemple :

A = {2, 5, 7} et B = {1, 5, 7, 9}, on a :


A \ B = {2}

et

B \ A = {1, 9}.

21

Si

Produit cartsien :
Le produit cartsien de A et B est lensemble de tous les couples
(x, y), avec x lment de A et y lment de B :

A B x, y , x A et y B
Exemple :

si A =

{1, 2, 3} et B = {1, 7}, alors

A B = {(1, 1),(1, 7),(2, 1),(2, 7),(3, 1),(3, 7)}


et

B A = {(1, 1),(1, 2),(1, 3),(7, 1),(7, 2),(7, 3)}

A B B A

22

N.B :

Fonction caractristique :
Un sous-ensemble A d'un ensemble E peut tre dfini par sa fonction
caractristique , dfinie par :

1 si x A
x E, A x
0 si x A
Exemples :

1 si x 3
A x
0 si x 3

1) Soit tel que,

3 4

23

1
A x
0

2) Soit tel que,

si x 3
si x 3

3 4

1
A x
0

3) Soit tel que,

si 1 x 4
sinon

3 4

24

Insuffisance de la logique boolenne


Exemple 1 :

Reprsenter la fonction caractristique de la proposition :

25

A : x , x 3

On peut choisir une limite x0 et dire qu'au del de x0, x est >>3
Exemple : x0=100

3 4

100

26

Mais le choix de x0=100 est-il judicieux ?


Pourquoi pas 10, 30, 50, 80 ou 99.99, ?

Exemple 2 :

Un individu "a de la fivre" (1) n'a pas de fivre (0)


Fivre

Pas de Fivre

39

T(C)

27

Et si la temprature tait de 38,99 ?!

Exemple 3 :

Un individu "grand" (1) pas grand(0)


Grand

Pas Grand

1.70

Taille(m)

28

Et si la taille est de 1.69 m ?!

La variable boolenne, qui ne peut


prendre que deux valeurs (vrai ou
faux) est mal adapte la
reprsentation de beaucoup de
phnomnes courants.

29

Logique floue

Degr de vrit dune affirmation

En logique floue, une affirmation est plus ou moins


vraie (donc, plus ou moins fausse); son degr de vrit
varie entre 0 et 1.

30

Degr de vrit
Signification
0.0
Absolument faux
0.2
Plutt faux
0.4
Quelque peu faux
0.6
Quelque peu vrai
0.8
Plutt vrai
1.0
Absolument vrai

Exemple 1:
Temprature T Degr de vrit pour CHAUD :
haud(T)
< 0 oC
5 oC
10oC
15oC
20oC
25oC
30oC
35oC
38oC
>40oC

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.8
0.9
1.0

40

T(C)

31

Le degr de vrit ou fonction dappartenance formalise la relation


entre les valeurs prcises (mesures, calcules, etc.) dune variable
dentre/sortie et un label flou (dit linguistique ; e.g. CHAUD)

Exemple 2 :

A : x IN , x 3
1
im

c
r
p

3 4

n
o
i
is

100

32

La logique floue confre une flexibilit trs apprciable ce qui rend


possible la prise en compte des imprcisions et des incertitudes.

Exemple 3 :

A : x IR, x 3

3 4

33

La logique floue est base sur des variables floues et vagues qui
dpendent de l'opinion subjective d'un l'expert :
petit, grand, proche, loin, chaud, froid, jeune, vieux, cher,
beaucoup, peu, plus petit, trs grand, plus loin, moins
chaud,
La logique floue est dite aussi logique linguistique car ses valeurs
de vrit sont des mots du langage courant.

34

C'est une logique qui sadapte au raisonnement de ltre humain.

Exemple de rgles floues:


Rgles de conduite automobile lapproche dun carrefour contrl par
des feux tricolores.
si le feu est
rouge

si ma vitesse est
leve

et si le feu est
proche

alors je freine fort.

si le feu est
rouge

si ma vitesse est
faible

et si le feu est loin

alors je maintiens ma
vitesse.

si le feu est
orange

si ma vitesse est
moyenne

et si le feu est loin

alors je freine
doucement.

si le feu est vert

si ma vitesse est
faible

et si le feu est
proche

alors j'acclre.

Prise de dcision partir dune base de rgles SiAlors

35

Un des intrts de la LF est que les rgles sont nonces en langage naturel

Domaine dapplication frquent :


commande des rgulateurs industriels.
En effet, la logique floue permet dobtenir des lois de commandes
souvent efficaces:
Sans devoir faire appel des dveloppements
thoriques complexes,
En intgrant des connaissances humaines dans des
algorithmes pratiques, en prenant en compte les
expriences acquises par les utilisateurs et oprateurs
du processus commander,

36

En combinant le traitement de donnes numriques et


symboliques.

Historique et champ dapplication

1965 : Thorie des ensembles flous introduite par L.A. Zadeh (UC
Berkeley)
1973 : Pr. Zadeh publie un article qui mentionne pour la premire
fois le terme de variables linguistiques
1974 : premire application industrielle. Rgulation floue dune
chaudire vapeur ralise par Mamdani.
1981 : F.L. Smidth & Co. A/S (au Danemark) met en application la
thorie de la logique floue dans le contrle de fours
ciment.

37

1985: Les premiers, les japonais introduisent des produits grand


public "Fuzzy Logic Inside" (M. Sugeno).

Annes 80 : plusieurs applications commencent immerger


(notamment au Japon)
1990 : Gnralisation de lutilisation de cette technique.

38

Appareils lectromnagers (lave-linges, aspirateurs, autocuiseurs,...etc) ,


Systmes audio-visuels (appareils de photos autofocus, camscopes
stabilisateur d'images, photocopieurs,...)
Systmes automobiles embarqus (BVA, ABS, suspension,
climatisation,...etc.),
Systmes autonomes mobiles (robotique)
systmes de transport (train, mtro, ascenseur,...),
systmes de dcision, diagnostic (mdical, assurance)
Systmes de contrle/commande dans la plupart des domaines industriels
de production.

Dans quels cas la logique floue s'avre t-elle plus efficace que les
mthodes traditionnelles ?
Pour les systmes non linaires complexes dans lesquels la modlisation
est difficile, voire impossible,
Quand l'observation humaine est l'origine de rgles de contrle du systme:
systmes contrls par des experts humains,

39

Dans tous les domaines o un "flou" persiste, notamment dans le domaine


de l'conomie, des sciences naturelles et des sciences humaines.