Chapitre 3

Diagnostic qualitatif
La logique floue
1. Introduction :
Les connaissances dont on dispose sur un système quelconque sont
généralement incertaines ou vagues, soit parce qu’on a un doute sur leur validité
ou encore parce qu’on éprouve une difficulté à les exprimer clairement. Donc il
s’est avéré nécessaire de développer un nouveau type de raisonnement, le
raisonnement approché, qui permettra de traiter mathématiquement l’imprécis et
l’incertain. Le premier à avoir souligner ces possibilités de développement est
LOTFI.A. ZADEH, qui dès 1965 introduit la théorie de la logique floue.
La logique floue a été introduite pour approcher le raisonnement humain à
l’aide d’une représentation adéquate des connaissances. Son intérêt réside dans sa
capacité à traiter l’imprécis, l’incertain et le vague, elle est issue de la capacité de
l’homme à décider et agir de façon pertinente malgré le floue des connaissances
disponibles. En raison de la simplicité apportée par la logique floue, elle se voie,
de plus en plus appliquée dans divers domaines. On peut citer par exemple , le
contrôle des bras robots , de machines-outils ,d’usines ( réacteurs chimiques ,
cimenteries , ... ),des véhicules sans pilotes , d’appareils électroménagers .
Exemple introductif
Afin de mettre en évidence le principe fondamental de la logique floue, on présente
un exemple simple, celui de la classification des personnes en trois ensembles
<jeune>, <entre deux âges >, <âgée>.
Selon la logique classique (logique de Boole), qui n'admet pour les variables que
les deux valeurs 0 et 1. Toutes les personnes âgées de moins de 25 ans sont alors
considérées jeunes et toutes les personnes âgées de plus de 50 ans comme des
vieux.

Pr. A.Abbadi 1
Chapitre 3 Diagnostic qualitatif : La logique floue

Cependant, une telle logique de classification n'est même pas logique. Une
personne, lorsqu'elle a eu 50 ans, ne doit pas être considérée comme appartenant
à l'ensemble <âgé>.

En réalité, un tel passage se fait progressivement et individuellement. La logique

loue, dont les variables peuvent prendre n'importe quelle valeur entre 0 et 1,
permet de tenir compte de cette réalité. Les limites ne varient pas soudainement,
mais progressivement.
Avec la logique floue, une personne de 25 ans appartient a l'ensemble <jeune> avec
une valeur μ =0,75 de la fonction d'appartenance et a l'ensemble <entre deux âges>
avec μ =0,25. Par contre une personne âgée de 65 ans appartient avec une valeur
μ =1 de la fonction d'appartenance à l'ensemble <âgé>.

2. Principes de la logique floue :

Parmi les caractéristiques du raisonnement humain est qu’il est basé sur des
données imprécises ou incomplètes. Ainsi, déterminer si une personne est de petite
ou de grande taille est aisé pour n’importe lequel d’entre nous, et cela sans
nécessairement connaître sa taille.

Un ordinateur, lui, est basé sur des données exactes. Il doit non seulement
connaître la taille exacte de la personne, mais également posséder un algorithme
qui divise immanquablement une population en deux groupes bien distincts : les
grands et les petits.

L’idée de la logique floue est de transmettre cette richesse du raisonnement

humain à un ordinateur.

3. Ensemble floue :
a. Notions d’un ensemble flou
La notion d’ensemble floue a pour but de permettre des gradations dans
l’appartenance d’un élément à une classe, c'est-à-dire d’autoriser un élément à
appartenir plus ou moins fortement à une classe, par exemple ,un individu d’une
taille donnée n’appartient pas du tout à la classe des ‘grands’ s’il mesure 1.5 m, il

Pr. A.Abbadi 2
Chapitre 3 Diagnostic qualitatif : La logique floue

y appartient tout à fait s’il mesure 1.8 m, plus sa taille se rapproche de 1.8 m, plus
son apparence à la classe des " grands " est forte. Cette notion permet :
▪ L’utilisation de catégorie aux limites mal définies (comme
" vieux "ou " adulte ") ;
▪ Des situations intermédiaires entre le tout et le rien ("presque vrai ") ;
▪ L’utilisation de valeurs approximatives (" environs ") ;
▪ Le passage progressif d’une propriété à une autre (passage de " tiède "
à « chaud "selon la température).
▪ Elle évite l’utilisation arbitraire de limites rigides à des classes.

Afin de mettre en évidence cette notion, les définitions suivantes sont

introduites :
Soit un ensemble de référence X continu ou discret d’objets dénotés x .
Un ensemble classique A de X est défini par une fonction caractéristique  A qui
prend :
▪ La valeur 1 pour ceux qui appartiennent à A.
▪ La valeur 0 pour ceux qui n’appartiennent pas à A.
 A : X → 0,1 .
▪ Un ensemble floue A de X est défini par une fonction d’appartenance qui
associe à chaque élément ‘x’ de ‘ X ’ , le degré  A (x ) , compris entre 0 et 1, avec lequel
‘x’ appartient à A.
 A : X →  0,1
Cet ensemble flou A peut être représenté comme un ensemble de pairs (élément
générique, degré d’appartenance) ordonnées :
A = ( x, μ A (x) ) /x  X 
On adopte souvent la notation suivante pour représenter l’ensemble A, qui
indique pour tout élément ‘ x’ de ‘X ‘ son degré  A (x) d’appartenance à A :

A =  xX μA (x)/x , si X est discret .

A =  μA (x)/x , si X est continu .
x

1 1

0.5

0 0
Logique classique Logique floue
Exemple de fonction d’appartenance

Pr. A.Abbadi 3
Chapitre 3 Diagnostic qualitatif : La logique floue

b. Notions caractéristiques d’un ensemble flou

Un ensemble flou A est défini sur un univers de discours X (ensemble d’éléments

discrets ou continus) par sa fonction d’appartenance μA. La grandeur μA (x) définit
le degré d’appartenance de l’élément ‘x ’ à l’ensemble A.

• La hauteur de A, notée h(A), correspond à la borne supérieure de l'ensemble

d'arrivée de sa fonction d'appartenance: h( A) = supxX A ( x)
• A est dit normalisée si h(A)=1. Les sous-ensembles flous considères seront
tous supposes normalisés i.e. de hauteur égale à 1.
• Définition de l’écrêtage 𝜶 − 𝒄𝒖𝒕 ( 𝑜𝑢 𝛼 − 𝑐𝑜𝑢𝑝𝑒) : L’écrêtage ou 𝛼 − 𝑐𝑢𝑡 , 𝑛𝑜𝑡é
𝐴𝛼 , 𝑑′𝑢𝑛 𝑒𝑛𝑠𝑒𝑚𝑏𝑙𝑒 𝑓𝑙𝑜𝑢 𝐴 est égal au sous-ensemble de X dont les éléments
possèdent un degré d’appartenance supérieur ou égal à 𝛼 𝑝𝑜𝑢𝑟 𝛼 ∈[0,1]
𝐴𝛼 = {𝑥, 𝑡𝑒𝑙 𝑞𝑢𝑒 𝜇𝐴(𝑥) ≥ 𝛼 , 𝛼 ∈ [0,1] }

L’opérateur 𝛼 − 𝑐𝑢𝑡 est noté aussi 𝛼 − 𝑐𝑢𝑡(𝐴) 𝑜𝑢 𝑐𝑢𝑡(𝐴, 𝛼) . La valeur 𝛼 est

appelé le niveau d’écrêtage 𝛼 (𝛼 − 𝑙𝑒𝑣𝑒𝑙 𝑒𝑛 𝑎𝑛𝑔𝑙𝑎𝑖𝑠) .
Définition du support
• Le support d’un ensemble flou A est égal au sous-ensemble de l’univers X
dont les éléments ont des degrés non nuls :
𝑠𝑢𝑝𝑝 (𝐴) = { 𝑥 , 𝑡𝑒𝑙 𝑞𝑢𝑒 𝜇𝐴(𝑥) > 0}
• Définition du noyau (ou core en Anglais) : Le noyau d’un ensemble flou A
est égal au sous-ensemble de X dont les éléments ont un degré égal à 1.
𝑛𝑜𝑦𝑎𝑢(𝐴) = { 𝑥 , 𝑡𝑒𝑙 𝑞𝑢𝑒 𝜇𝐴(𝑥) = 1}, 𝑛𝑜𝑡é 𝑎𝑢𝑠𝑠𝑖 ker(𝐴) 𝑜𝑢 𝑐𝑜𝑟𝑒(𝐴)

4. Variable linguistique :
• La Logique floue se base sur des variables floues dites variables
linguistiques qui sont représenté par des valeurs linguistiques dans
l’univers du discours X.
• Chaque valeur linguistique constitue alors un ensemble flou de l’univers du
discours.

Pr. A.Abbadi 4
Chapitre 3 Diagnostic qualitatif : La logique floue

Exemple

Univers du discours : Gamme de température de 0°C à 200°C.

Variable linguistique : La température.
Valeurs linguistiques : « Très froid» « Froid » « Tempéré » « Chaud » « Très
Chaud »

5. Fonction d’appartenance :
La définition des variables linguistiques lors d’un traitement mathématique
s’impose. Dès lors, on attribue à chaque valeur de la variable linguistique des
fonctions d’appartenance  , dont la valeur varie entre 0 et 1.
Les fonctions d’appartenance le plus souvent utilisées sont :

 Fonction triangulaire : l’allure est complètement définie par trois

paramètres a, b, c
 x−a c−x 
 ( x ) = max min  , ,0 
 b−a c−b 
 Fonction trapézoïdale : elle est définie par quatre paramètres
a, b, c, d
 x−a d −x 
 ( x ) = max min  ,1, ,0 
 b−a d −c  
 Fonction gaussienne : elle est définie par deux paramètres n,  .
‘𝜎’ : é𝑐𝑎𝑟𝑡 – 𝑡𝑦𝑝𝑒 et ‘n’ : détermine la position du centre

 (x − n )2 
 ( x ) = exp − 

 2 
 Fonction en forme de cloche : deux paramètres x , a définissent cette
fonction
1
 (x) = 2
x −n
1+  
 a 

Pr. A.Abbadi 5
Chapitre 3 Diagnostic qualitatif : La logique floue

 Fonction sigmoïdale : elle est définie par deux paramètres a, c

1
 (x) =
1 + exp ( a ( x − c ) )

 Fonction trigonométrique : elle est définie par deux paramètres

1   (x − x 0 )  
 ( x ) = 1 + cos   ; x 0 − 2a  x  x 0 + 2a
2  2a 
 Fonction d’appartenance Singleton
1 si x = x0
 (x) = 
0 autrement

Fonction triangulaire Fonction trapézoïdale

1 1

0 0 a
a b c b c d

Fonction gaussienne Fonction sigmoïdale

1 1

0.6 0.5

0 0
n n+ c c+a/2

Fonction en forme de cloche

1 1 Fonction trigonométrique

0.5
0.5

0
a x0 a a x0 a
a
Fonction
d’appartenance
Singleton

Formes usuelles des fonctions d’appartenance.

Pr. A.Abbadi 6
Chapitre 3 Diagnostic qualitatif : La logique floue

6. Opérations sur les ensembles flous :

Puisque les fonctions caractéristiques des ensembles flous sont graduelles,

l’extension de certaines opérations définies sur les ensembles classiques au cas des
ensembles flous pose certaines difficultés. Donc, il n’est pas possible d’appliquer

Pr. A.Abbadi 7
Chapitre 3 Diagnostic qualitatif : La logique floue

directement la logique binaire qui manipule des ensembles à fonctions

caractéristiques binaire (0 ou 1). Pour pallier ce problème, des définitions d’outils
de traitement des ensembles flous sont introduites. Ces outils de traitements sont
les opérateurs " Et ", " Ou» et " Non ".

Soit A et B deux ensembles flous dans X et Y ayant respectivement A et B

comme fonctions d’appartenance.
 Opérateur OU (maximum)
Soient A et B deux ensembles flous définis sur le domaine X, l’union de A et
B est un ensemble flou C, 𝑛𝑜𝑡é 𝐶 = 𝐴 ∪ 𝐵, 𝑡𝑒𝑙 𝑞𝑢𝑒 ∀𝑥 ∈ 𝑋 𝑜𝑛 𝑎 ∶
C= 𝐴 ∪ 𝐵 ⟺ 𝜇𝐶 (𝑥) = 𝜇𝐴(𝑥) ∨ 𝜇𝐵(𝑥) = 𝑚𝑎𝑥[𝜇𝐴(𝑥), 𝜇𝐵(𝑥)]
𝑙′𝑜𝑝é𝑟𝑎𝑡𝑒𝑢𝑟 𝑑𝑢 𝑚aximum ′max(. , . )′ 𝑒𝑠𝑡 𝑛𝑜𝑡é 𝑝𝑎𝑟 𝑙𝑒 𝑠𝑦𝑚𝑏𝑜𝑙𝑒 ′ ∨ ′

 Opérateur ET (minimum)
Soient A et B deux ensembles flous définis sur le domaine X, l’intersection de
A et B est un ensemble flou C, 𝑛𝑜𝑡é 𝐶 = 𝐴 ∩ 𝐵, 𝑡𝑒𝑙 𝑞𝑢𝑒 ∀𝑥 ∈ 𝑋 𝑜𝑛 𝑎 ∶
𝐶 = 𝐴 ∩ 𝐵 ⟺ 𝜇𝐶(𝑥) = 𝜇𝐴(𝑥) ∧ 𝜇𝐵(𝑥) = 𝑚𝑖𝑛[𝜇𝐴(𝑥), 𝜇𝐵(𝑥)]
𝑙′𝑜𝑝é𝑟𝑎𝑡𝑒𝑢𝑟 𝑑𝑢 𝑚𝑖𝑛𝑖𝑚𝑢𝑚 ′min(. , . )′ 𝑒𝑠𝑡 𝑛𝑜𝑡é ′ ∧ ′

 Complément : C’est l’opérateur " Non ". La fonction d’appartenance

du complément d’un ensemble flou A  A est définie, pour tout x  X , par :
 A = 1 −  A ( x ).

Pr. A.Abbadi 8
Chapitre 3 Diagnostic qualitatif : La logique floue

7. Propositions floues :
7.1 Propositions floues élémentaires :
Une proposition floue élémentaire est définie à partir d’une variable linguistique
(V, X,TV ) par la qualification « V est A », pour une caractérisation floue A,
appartenant à TV .
7.2 Propositions floues générales :
Une proposition floue générale est obtenue par la composition de propositions
floues élémentaires « V est A », « W est B »,…, pour les variables linguistiques V,
W, …
Plus généralement, on peut construire des propositions floues par conjonction,
disjonction ou implication, par exemple de la forme : Si « V est A» Et « W est B»
Alors « u est C » (Si la tension d’alimentation existe Et le voyant (power) ne
s’allume pas, Alors vérifier le bloc d’alimentation).

8. Raisonnement en logique floue :

Lors de la conception d’un système de commande/Diagnostic flou, on utilise
l’imprécision du raisonnement humain sans utiliser une analyse mathématique.
L’idée principale des systèmes basés sur la logique floue est d’exprimer la
connaissance humaine sous forme de règles linguistiques de forme : Si …..Alors
….
Chaque règle a deux parties :
▪ Partie antécédente (prémisse ou condition), exprimée par Si..
▪ Partie conséquence (conclusion), exprimée par Alors ….

La partie antécédente est la description de l’état du système. La partie

conséquence exprime l’action qui doit être exécuté. Ce qui donne que, la forme
générale des règles linguistiques est :
Si (un ensemble de conditions est satisfait) Alors (un ensemble de conséquences
peut être exécuté).

Le raisonnement flou fait appel à trois notions et étapes fondamentales :

▪ L’implication floue
▪ L’inférence floue
Pr. A.Abbadi 9
Chapitre 3 Diagnostic qualitatif : La logique floue

▪ L’agrégation des règles.

8.1 Implication floue :

Considérons une règle floue de la forme « Si V est A Alors W est B », construite
à partir de deux variables linguistiques (V, X, TV ) et (W, Y, TW ) . L’implication floue
est un opérateur qui permet d’évaluer le degré de vérité entre les propositions
floues élémentaires « V est A » et « W est B » à partir des valeurs de la prémisse
d’une part, et de celle de la conclusion d’autre part.
R (x, y) = imp( A (x ), B (y))
Où
- V: 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑙𝑖𝑛𝑔𝑢𝑖𝑠𝑡𝑖𝑞𝑢𝑒 𝑑′𝑒𝑛𝑡𝑟é𝑒(𝑝𝑟é𝑚𝑖𝑠𝑠𝑒)
- W: 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑙𝑖𝑛𝑔𝑢𝑖𝑠𝑡𝑖𝑞𝑢𝑒 𝑑𝑒 𝑠𝑜𝑟𝑡𝑖𝑒 (𝑐𝑜𝑛𝑠é𝑞𝑢𝑒𝑛𝑐𝑒)
- 𝐴 : 𝑣𝑎𝑙𝑒𝑢𝑟 𝑙𝑖𝑛𝑔𝑢𝑖𝑠𝑡𝑖𝑞𝑢𝑒 (𝑒𝑛𝑠𝑒𝑚𝑏𝑙𝑒 𝑓𝑙𝑜𝑢), 𝑝𝑟é𝑚𝑖𝑠𝑠𝑒
- 𝐵: 𝑣𝑎𝑙𝑒𝑢𝑟 𝑙𝑖𝑛𝑔𝑢𝑖𝑠𝑡𝑖𝑞𝑢𝑒 (𝑒𝑛𝑠𝑒𝑚𝑏𝑙𝑒 𝑓𝑙𝑜𝑢), 𝑐𝑜𝑛𝑠é𝑞𝑢𝑒𝑛𝑐𝑒

Les opérateurs les plus utilisés en commande floue sont les implications de
MANDANI et de LARSEN.

 Implication de MANDANI :
 R ( x,y ) = imp (  A ( x ) ,  B ( y ) ) = min ( A ( x ) , B ( y ) )
 Implication de LARSEN :
 R ( x,y ) = imp (  A ( x ) ,  B ( y ) ) = A ( x )   B ( y )
Afin de tirer des conclusions, plusieurs variables linguistiques sont liées entre
elles par des règles, on parle alors de déductions floues ou inférences.

8.2 Inférence floue

Les inférences floues sont basées sur l’implication floue .Il existe différentes
possibilités pour exprimer ces règles d’inférences :

8.2.1 Linguistique :
Les règles sont écrites de manière explicite, ils sont de la forme :

Si x 1 est positif grand Et x 2 est négatif petit Alors u est positif grand.

Avec x 1 et x 2 des variables linguistiques, u la sortie.

8.2.2 Symbolique :
On obtient certaine simplification par la description symbolique des inférences.
Les ensembles flous sont alors désignés de manière abrégée par leur symbole :

Pr. A.Abbadi 10
Chapitre 3 Diagnostic qualitatif : La logique floue

Si x 1 est PG Et x 2 est NP Alors u est NG.

Avec
PG: positive grand
NP: négative petit.
NG: négative grand.

8.2.3 Par matrices d’ inférence:

Elles rassemblent toutes les règles d’inférence sous forme de tableau. Dans le
cas d'un tableau à deux dimensions, les entrées du tableau représentent les
ensembles flous des variables d'entrées (température : T et vitesse : V).
L'intersection d'une colonne et d'une ligne donne l'ensemble flou de la variable de
sortie définie par la règle. Il y a autant de cases que de règles

9. Agrégation des règles :

Lorsque la base de connaissance comporte plusieurs règles, l’ensemble flou est
obtenu après une opération appelée « agrégation des règles ». En d’autres termes,
l’agrégation des règles utilise la contribution de toutes les règles activées pour en
déduire une action de commande/Diagnostic flou. Généralement, les règles sont
activées en parallèle et elles sont liées par l’opérateur « Ou ».

Example : Les règles que décrit ce tableau ci-dessus sont (sous forme
symbolique) :
Si T est F Et V est F Alors U = Z Ou
Si T est M Et V est F Alors U = P Ou
Si T est E Et V est F Alors U = GP Ou
Si T est F Et V est E Alors U = Z Ou
Si T est M Et V est E Alors U = Z Ou
Si T est E Et V est E Alors U = P

On peut considérer que chaque règle donne un avis sur la valeur à attribuer au
signal de commande/Diagnostic. Le poids de chaque avis dépend du degré de vérité
de la conséquence.

Pr. A.Abbadi 11
Chapitre 3 Diagnostic qualitatif : La logique floue

10. Système de diagnostic flou :

Le système de diagnostic flou se scinde en quatre blocs principaux :
▪ Base de règle ;
▪ Mécanisme d’inférence ;
▪ Interface de fuzzification ;
▪ Interface de défuzzification.

10.1 Base de règle :

Ces règles permettent de déterminer le signal de sortie du système de diagnostic
en fonction des signaux d’entrés, elles sont exprimées sous la forme « Si
….Alors… ». À titre d’exemple :

R1 : Si x1 est A11 Et...........Et x n est A1n Alors u est B1

Avec l’approche de Takagi-Sugino, la sortie du système de diagnostic est

représentée par un polynôme dont les variables sont les états du système (x1,..., x n )
.
Ri : Si x1 est A11 Et.......Et x n est A1n Alors u = fi (x1 ,..., x n )

Schéma général d’un système de diagnostic flou

10.2 Types d’inférences floues :

Dans les inférences du régulateur par logique floue interviennent les opérateurs
" Et " et "Ou" .l’opérateur " Et " s’applique aux variables à l’intérieur d’une règle,
tandis que l’opérateur " Ou " lié les différentes règles (agrégation des règles).
Pour le réglage par logique floue, en général une des méthodes d’inférences
suivantes est utilisée :
▪ Méthode d’inférence max-min (Mamdani)

Pr. A.Abbadi 12
Chapitre 3 Diagnostic qualitatif : La logique floue

▪ Méthode d’inférence max-prod (Larsen)

▪ Méthode d’inférence somme-prod (Sugeno)

10.3 Fuzzification :
Les grandeurs provenant du système sont des grandeurs physiques. Pour que
le système de diagnostic flou puisse exploiter ces données, il faut réaliser le
passage de ces grandeurs physique (grandeurs déterminées) en variables
linguistiques (variables floues), en d’autres termes, on procède à la fuzzification
des grandeurs physiques en grandeurs floues.

10.4 Défuzzification :
Les méthodes d’inférence fournissent une fonction d’appartenance pour la
variable de sortie. Il s’agit donc d’une information floue. Donc il faut prévoir une
transformation de cette information floue en une information déterminée, cette
transformation est appelée défuzzification.
Il y a plusieurs méthodes de défuzzification proposées dans la littérature.
Les plus utilisées sont :
▪ Méthode du maximum.
▪ Méthode de la moyenne des maximums.
▪ Méthode du centre de gravité.

10.4.1 Méthode du maximum :

Cette méthode consiste à choisir comme valeur de sortie correspondant à
l’abscisse le maximum de la fonction d’appartenance.

Cette méthode est simple, rapide et facile à réaliser mais introduit des
ambiguïtés dans certains cas (Si la fonction d’appartenance présente plusieurs fois
le même maximum)

10.4.2 Méthode de moyenne des maxima :

Dans cette méthode, la valeur de sortie est estimée par l’abscisse du point
correspondant au centre de l’intervalle pour lequel la fonction d’appartenance est
maximale:

Pr. A.Abbadi 13
Chapitre 3 Diagnostic qualitatif : La logique floue

Trois cas peuvent se produire comme le montre ci-dessous

Cette méthode est simple, rapide et facile, elle présente néanmoins un

inconvénient majeur en effet, la valeur de la sortie peut présenter des sauts très
importants pour des variations d’entrées très faibles, comme illustré à la figure ci-
dessous

10.4.3. Méthode du centre de gravité :

La méthode du centre de gravité est une des méthodes les plus mentionnées
dans la littérature. Pour une fonction d'appartenance, l’abscisse du centre de
gravité est déterminée par :

y=
 y res ( y )dy

res ( y)dy
L’intégrale au dénominateur donne la surface, tandis que l’intégrale au
numérateur correspond au moment de la surface. La détermination du centre de
gravité nécessite une envergure de calcul assez importante, surtout pour
l’exécution en temps réel.

Pr. A.Abbadi 14
Chapitre 3 Diagnostic qualitatif : La logique floue

10.4.4 Méthode des hauteurs pondérées:

Au fond, cette méthode n’est qu’un cas particulier de la méthode du centre de
gravité. Dans ce cas, les fonctions d’appartenance pour la variable de sortie sont
représentées par des singletons (rectangles de largeurs étroites), cette méthode
simplifie la détermination de l’abscisse du centre de gravité.
L’abscisse du centre de gravité se calcule telle que :
M

 y i i
y= i =1
M
.

i =1
i

Où :
M : Nombre de règles.
 i : représente le degré de confiance ou d’activation de la règle Ri .
y i : est l’abscisse du centre de gravité de l’ensemble flou de la variable de
sortie associée à la règle Ri .
Cette méthode présente une simplicité notable dans la détermination de
l’abscisse du centre de gravité.

Pr. A.Abbadi 15