18/10/2023
Les EFs: théorie Les EFs: théorie
Définitions
Exercice d’application Variables et valeurs linguistiques
Correction ▪Exemple: classification de la taille des personnes.
▪Q: On vous demande de donner la classification de la variable floue taille en se basant sur
cette notation des fonctions d’appartenances :
✓ A1: Fonction d’appartenance de forme trapézoïde ouverte à gauche (0/1,
150/1, 165/0) ;
✓ A2: Fonctions d’appartenances de forme triangulaire telles que : (150/0, 165/1,
180/0);
✓ A3: Fonction d’appartenance de forme trapézoïde ouverte à droite (165/0,
180/1, 210/1) ; ❖ Variable linguistique: la taille des personnes.
degré d’appartenance ❖ Univers de discours: [0, 210] cm.
𝜇Ai(𝑥) A1: Petite A2: Moyenne A3: Grande ❖ Valeurs linguistiques: Les Trois sous-ensembles flous {Petite, Moyenne, Grande}
1
▪Une taille est Petite si elle est inférieure à 150cm,
0.8
0.6 ▪Une taille est Grande si elle est supérieure à 180cm,
0.4 ▪Pour une personne de taille 175cm, elle se traduit par:
0.2 ❖ La personne est de taille Moyenne à 33,33%,
❖ La personne est de taille Grande à 66,67%
130 140 150 160 170 180 190 200 Taille (cm) 210 ❖ La personne est de taille petite à 0%,
33 34
Les EFs: théorie Les EFs: théorie
Introduction
Opérateurs flous Introduction
Opérateurs flous
▪Exemple: Conduite automobile à l’approche d’un virage: ▪Il existe d’autres définitions de l’intersection et de l’union des EFs qui sont généralisées et
(Si la Vitesse est Grande) ET (la Distance est Petite) ALORS (Freinage est fort) qui sont représentées par : Les normes triangulaires (t-normes) et les conormes
triangulaires (t-conormes).
Complément
▪Le complément 𝐴ҧ d’un ensemble flou 𝐴 sur l’univers de discours X est défini par:
T-normes
𝐴ҧ : ∀ 𝑥 ∈ 𝑋, 𝜇𝐴ҧ 𝑥 = 1 − 𝜇𝐴 𝑥
𝜇 (𝑥)
A ▪Une norme triangulaire (t-norme) est une fonction 𝑇: 0,1 × 0,1 → 0,1 qui vérifie
1 pour tout u, v, 𝑤 et 𝑡 de [0,1] on a
𝑇 𝑢, 𝑣 = 𝑇(𝑣, 𝑢) Commutativité
𝑇 𝑢, 𝑇(𝑣, 𝑤) = 𝑇(𝑇(𝑢, 𝑣), 𝑤) Associativité
X
𝑇 𝑢, 𝑣 ≤ 𝑇 𝑤, 𝑡 𝑠𝑖 𝑢 ≤ 𝑤 𝑒𝑡 𝑣 ≤ 𝑡 Monotonie
Intersection et Union
𝑇 𝑢, 1 = 𝑢 Élément neutre: 1
▪L’union et l’intersection de deux ensembles flous A et B sur l’univers de discours X ont été
proposées par Zadeh tel que :
▪L’opérateur min est bien évidemment une t-norme.
𝐶 = 𝐴 ∩ 𝐵, 𝑎𝑙𝑜𝑟𝑠 ∀ 𝑥 ∈ 𝑋, 𝜇𝐶 𝑥 = min(𝜇𝐴 𝑥 , 𝜇𝐵 𝑥 )
𝐶 = 𝐴 ∩ 𝐵, 𝑎𝑙𝑜𝑟𝑠 ∀ 𝑥 ∈ 𝑋, 𝜇𝐶 𝑥 = T(𝜇𝐴 𝑥 , 𝜇𝐵 𝑥 )
𝐷 = 𝐴 ∪ 𝐵, 𝑎𝑙𝑜𝑟𝑠 ∀ 𝑥 ∈ 𝑋, 𝜇𝐷 𝑥 = max(𝜇𝐴 𝑥 , 𝜇𝐵 𝑥 )
35 36
Les EFs: théorie Les EFs: théorie
Introduction
Opérateurs flous Introduction
Opérateurs flous
T-conormes
▪Les t-normes et t-conormes duales les plus utilisées sont
▪Une conorme triangulaire (t-conorme) est une fonction 𝑆: 0,1 × 0,1 → 0,1 qui vérifie
pour tout u, v, 𝑤 et 𝑡 de [0,1] on a
𝑆 𝑢, 𝑣 = 𝑆(𝑣, 𝑢) Commutativité
𝑆 𝑢, 𝑆(𝑣, 𝑤) = 𝑆(𝑆(𝑢, 𝑣), 𝑤) Associativité
𝑆 𝑢, 𝑣 ≤ 𝑆 𝑤, 𝑡 𝑠𝑖 𝑢 ≤ 𝑤 𝑒𝑡 𝑣 ≤ 𝑡 Monotonie
𝑆 𝑢, 0 = 𝑢 Élément neutre: 0 Exercice:
▪L’opérateur max est bien évidemment une t-conorme. ▪1) Soient A et B deux SEFs sur lesquels on va appliquer la t-norme et la t-conorme de
𝐷 = 𝐴 ∪ 𝐵, 𝑎𝑙𝑜𝑟𝑠 ∀ 𝑥 ∈ 𝑋, 𝜇𝐷 𝑥 = 𝑆(𝜇𝐴 𝑥 , 𝜇𝐵 𝑥 ) Zadeh et de Bandler.
𝜇 (𝑥)
A,B
▪Une t-norme T et une t-conorme S sont dites duales, c'est-à-dire : 1
A B
𝑆 1 − 𝑢, 1 − 𝑣 = 1 − 𝑇(𝑢, 𝑣)
𝑇 1 − 𝑢, 1 − 𝑣 = 1 − 𝑆(𝑢, 𝑣)
𝑆 𝑢, 𝑣 = 1 − 𝑇(1 − 𝑢, 1 − 𝑣)
𝑇 𝑢, 𝑣 = 1 − 𝑆(1 − 𝑢, 1 − 𝑣)
37 38
1
18/10/2023
Raisonnement flou
Introduction
Règles floues
▪Les règles floues sont utilisées pour modéliser ou analyser un système en décrivant des
relations linguistiques entre ses variables d’entrée et de sortie.
▪Une règle floue est décrite par :
Raisonnement flou ❖ Si (x est A) Alors (y est B)
Antécédent Conséquence
(prémisse) (Conclusion)
▪A et B: deux valeurs floues
▪x est la variable d’entrée et y est la variable de sortie
▪x est A possède un degré d’appartenance 𝜇𝐴 (𝑥0 ) et y est la variable de sortie possède un
degré d’appartenance 𝜇𝐵 (𝑦0 )
▪Plus l’appartenance de x à A est vérifiées (grande), plus la sortie préconisée est validée,
Implication: notée I
40
Raisonnement flou Raisonnement flou
Introduction
Implication Introduction
Implication
Exemple Exemple
▪Exemple: Conduite automobile à l’approche d’un virage: ▪Les Principales classes d’implications
Si (Distance est Petite) alors (Freinage sera Fort)
▪Le degré d’appartenance de la conséquence dépend de:
❖ Type de la fonction d’appartenance de l’ensemble de sortie,
❖ Degré de validité de la prémisse ,
❖ Type d’opérateur floue « alors » utilisé.
▪L’opérateur «alors» correspond à une implication floue
Application:
▪Il existe principalement trois classes d’implications et qui sont : ▪ Soient A et B deux SEFs sur lesquels on va appliquer les opérateurs de Mamdani, de
❖ Les T-implications, 𝐴→ 𝐵 ≡𝐴∩𝐵 𝐼 𝑥, 𝑦 = 𝑇(𝑥, 𝑦) Larsen et de Kleene-Dienes:
: Mamdani
❖ Les S-implications, 𝐴 → 𝐵 ≡ 𝐴ҧ ∪ 𝐵 𝐼 𝑥, 𝑦 = 𝑆(1 − 𝑥, 𝑦)
: Larsen
❖ Les R-implications.
∪
𝐴 → 𝐵 ≡ 𝐵− 𝐴 𝐼 𝑥, 𝑦 = sup{𝑐 ∈ [0,1]/𝑇(𝑥, 𝑐) ≤ 𝑦}
: Kleene-Dienes
𝛼 = µ(𝑥0 ) 1−𝛼
𝛼
𝑥0
41 42
Raisonnement flou
Introduction
Agrégation
▪La collection des règles floues de type "Si…Alors" constitue la base de règles floues.
▪La combinaison des différentes relations obtenues par activation des différentes règles en
une seule relation s’appelle agrégation des règles.
Agrégation: notée U Système d’inférence
▪L’opérateur d’agrégation noté U dépend de la nature de l’opérateur d’implication I utilisé
avec l’ensemble des règles.
floue
❖ Pour les T-implications, l’opérateur d’agrégation U correspond à une t-conorme
(max).
❖ Pour les S-implications et les R-implications, l’opérateur d’arégation U correspond à
une t-norme (min).
43
2
18/10/2023
Système d’inférence floue Système d’inférence floue
Introduction
Définition Introduction
Fuzzification
▪La procédure d’inférence utilisée pour déduire les conclusions à partir des règles floues. ▪La conversion des entrées numériques en valeurs floues.
▪Découpage des variables linguistiques d’entrées en plusieurs valeurs linguistiques.
▪La désignation standard des sous-ensembles flous est généralement en nombre de 7 :
NG Négatif Grand
NM Négatif Moyen
NP Négatif Petit
ZE Zéro
❖ Fuzzification: Conversion des entrées numériques en entrées floues,
PP Positif Petit
❖ Moteur d’inférence: Application des opérateurs flous sur les règles floues,
PM Positif Moyen
❖ Défuzzification: Conversion du résultat d’inférence des règles en une valeurs
PG Positif Grand
numérique.
45 46
Système d’inférence floue Système d’inférence floue
Introduction
Base des règles et inférence Introduction
Défuzzification
▪Le nombre de règles dans un SIF dépend du nombre de variables (d’entrée et de sortie). ▪Conversion du résultat d’inférence des règles en une valeurs numérique.
▪Ils existent plusieurs méthodes d’inférences des règles, les deux méthodes les plus utilisées ▪On distingue principalement deux méthodes de déffuzification qui sont les plus utilisées :
sont:
❖ Méthode d’inférence max-min:
❖ Méthode du centre de gravité (CoG):
Opérateur entre prémisses : conjonction T (ET) par min
Opérateur entre prémisses : disjonction S (OU) par max ▪Il s’agit de déterminer l’abscisse de centre de gravité de la surface agrégée par les règles
Opérateur entre prémisses et conséquences : implication I par min (mamdani) inférées :
Opérateur entre conséquences : Agrégation par max
❖ Méthode d’inférence max-prod:
Opérateur entre prémisses : conjonction T (ET) par min
Opérateur entre prémisses : disjonction S (OU) par max
Opérateur entre prémisses et conséquences : implication I par prod (Larsen) ▪B’ : la surface obtenue par agrégation des règles inférées.
Opérateur entre conséquences : Agrégation par max
▪𝜇𝐵′ 𝑦 : degré d’appartenance de y à B’.
47 48
Système d’inférence floue Système d’inférence floue
Introduction
Défuzzification Introduction
Différent types
❖ Méthode de la moyenne des maximas (MM): ❖ Systèmes flous de Mamdani:
▪Il s’agit de déterminer l’abscisse de la moyenne des maxima de la surface agrégée obtenue : 𝑅𝑖 : 𝑆𝑖 𝑥1 𝑒𝑠𝑡 𝐴1𝑖 𝑒𝑡 𝑥2 𝑒𝑠𝑡 𝐴𝑖2 𝑒𝑡 … 𝑒𝑡 𝑥𝑛 𝑒𝑠𝑡 𝐴𝑖𝑛 𝐴𝑙𝑜𝑟𝑠 𝑦 𝑒𝑠𝑡 𝐵𝑖 𝑖 = 1,2, … , 𝑟
▪Avec 𝑖 = 1,2, … , 𝑟 : le nombre de regle
𝑥𝑖 : entrées,
𝑦𝑖 : sortie,
𝐴𝑗𝑖 et 𝐵𝑖 : ensembles flous (𝑗 = 1, 2, … 𝑛).
▪𝑚𝑖 : la ou les valeurs des abscisses correspondants à la valeur maximale du résultat
❖ Systèmes flous de Sugeo
d’inférence B’
𝑅𝑖 : 𝑆𝑖 𝑥1 𝑒𝑠𝑡 𝐴𝑖1 𝑒𝑡 𝑥2 𝑒𝑠𝑡 𝐴𝑖2 𝑒𝑡 … 𝑒𝑡 𝑥𝑛 𝑒𝑠𝑡 𝐴𝑖𝑛 𝐴𝑙𝑜𝑟𝑠 𝑦 = 𝑓𝑖 𝑥1 , 𝑥2 , … , 𝑥𝑛
▪𝑝: leur nombre (fini pour degré d’appartenance de y à B’. 𝑖 = 1,2, … , 𝑟
▪Avec 𝑓𝑖 : une fonction mathématique formée des combinaisons linéaires des entrées.
▪Lorsque les fonctions 𝑓𝑖 sont des combinaisons linéaires des entrées, la méthode est
d’ordre 1, on a :
règle d’ordre 1: 𝑓𝑖1 = 𝑎0𝑖 + 𝑎1𝑖 𝑥1 + 𝑎2𝑖 𝑥2 + ⋯ + 𝑎𝑛𝑖 𝑥𝑛
▪Souvent on utilise un modèle d’ordre zéro où les fonctions 𝑓𝑖 sont réduites à des constantes :
règle d’ordre 0: 𝑓𝑖0 = 𝐶𝑖 ; avec 𝐶𝑖 une valeur constante.
49 50
3
18/10/2023
Système d’inférence floue
Introduction
Différent types
▪Les domaines d’application de la logique floue sont multiples.
❖ Domaines techniques:
Domaines
▪La commande automatique des processus,
▪Les systèmes experts,
▪La robotique,
d’applications ▪Le traitement d’images.
❖ Domaines socio-économiques:
▪La médecine et la biologie,
▪L’assurance et la finance.
52
