Logique

floue
1
Logique floue
Ce que les hommes veulent en fait, ce nest
pas la connaissance, cest la certitude.
Bertrand Russel

2






















Logique
floue
2
Nous faisons de la logique floue.
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.
Les rgles floues sont nonces en langage naturel

3






















Logique
floue
3
Transposition de notre exemple selon un modle plus
mathmatique moins flou

Si le feu est rouge, si ma vitesse dpasse 85,6 Km/H et si le feu est
moins de 62,3 mtres, alors j'appuie sur la pdale de frein avec
une force de 33,2 Newtons !!!

Notre cerveau fonctionne en logique floue.
Elle apprcie les variables d'entres de faon approximative (faible,
leve, loin, proche), fait de mmes pour les variables de sorties
(freinage lger ou fort) et dicte un ensemble de rgles permettant de
dterminer les sorties en fonction des entres.

sans le savoir!

4






















Logique
floue
4
un patient atteint d'hpatite prsente gnralement les symptmes
suivants :
Le patient a une forte fivre,
sa peau prsente une coloration jaune,
il a des nauses.
Limite de la logique boolenne
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
T(C)
Avoir une forte fivre
Ensemble classique
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
Ensemble flou
T(C)
Avoir une forte fivre
Le patient na pas de forte fivre Le patient na pas dhpatite.
Le patient a une forte fivre 48% Le patient a une hpatite x %.
Si le patient 38,9C de temprature
Logique classique
Logique floue

5






















Logique
floue
5
Champ dapplications de la logique floue
Aide la dcision, au diagnostic.
(domaine mdical, orientation professionnelle)

Base de donnes.
(objets flous et/ou requtes floues)

Reconnaissance de forme.

Agrgation multicritre et optimisation

Commande floue de systmes

Traitement dimages (e.g. segmentation)

6






















Logique
floue
6
Bref historique: les dbuts
1965: Concept introduit par Pr. Lotfi Zadeh (Berkeley):
Fuzzy set theory : Dfinition des ensembles flous et oprateurs associs

1970: Premires applications: Systmes experts, Aide la
dcision en mdecine,commerce

1974: Premire application industrielle. Rgulation floue dune
chaudire vapeur ralise par Mamdani


Longtemps universitaire.


1985: Les premiers, les japonais introduisent des produits grand
public Fuzzy Logic Inside .




7






















Logique
floue
7
Bref historique: la maturit

1990: Gnralisation de lutilisation de cette technique.
appareils lectromnagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,
systmes audio-visuels (appareils de photos autofocus, camscope stabilisateur
d'images, photocopieurs,...)
systmes automobiles embarqus (BVA, ABS, suspension, climatisation,...etc.),
systmes autonomes mobiles,
systmes de dcision, diagnostic, reconnaissance,
systmes de contrle/commande dans la plupart des domaines industriels de
production.


Il existe de processeurs ddis et des interfaces de
dveloppement spcifiques (Cf 68HC12 de Motorola)
Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de
SGS-THOMSON dont les principales caractristiques sont les suivantes :

Nombre de rgles traites : 256
Nombre d' entres : 16
Nombre de sorties : 16
Mthode de composition des rgles : Centre de gravit
Vitesse de traitement : 200 microsecondes pour 200 rgles.


8






















Logique
floue
8
Avertissement
Lapproche des problmes par la logique floue est diffrente de celle
adopte, a priori, dans une dmarche scientifique.
Elle est beaucoup plus pragmatique que dterministe.
La dcision en logique floue est base sur la notion dexpertise, qui permet
de quantifier le flou partir de connaissance a priori ou acquise
antrieurement.
Ne pas tre trop cartsien pour aborder la logique floue
Il nest pas ncessaire davoir un modle entres/sorties dune voiture pour
pouvoir la conduire de manire satisfaisante.

9






















Logique
floue
9
Concepts principaux
1. Les ensembles et variables flous et oprateurs associs.
2. Prise de dcision partir dune base de rgles de type
SIALORS .
infrence floue.

Deux points essentiels :

10






















Logique
floue
10
Ensemble flou
A
U
Soient U: Lunivers du discours.
A: un sous-ensemble de U
Thorie classique des ensembles:
( )
( )
' '
0
1
A
A
A
Si est la fonction d appartenance de l ensemble A
x U x si x A
x si x A

e = e
= e
Concept densemble flou:
( ) | |
' '
0;1
A
A
Si est la fonction d appartenance de l ensemble flou A
x U x

e e
Si =0,30
x appartient lensemble flou A avec un degr dappartenance de 30%
( )
A
x
Un ensemble flou est totalement dtermin par sa fonction
dappartenance
degr dappartenance = valeur de vrit.

11






















Logique
floue
11
Un sous-ensemble flou F est dfini sur un ensemble de valeur,
le rfrentiel U. Il est caractris par une fonction d'appartenance :
qui quantifie le degr d'appartenance de chaque lment de U F.
Froide : F ; Tide : T ; Chaude : C
Logique classique
(ensembles nets )
Logique floue
(passage graduel)
Ensemble flou

12






















Logique
floue
12
{ } X x x x A
A
e = / )) ( , (
avec
| | 1 , 0 : ) ( X x
A

{ } 0 (x) X/ x supp(A)
A
= e =
{ } 1 (x) X/ x noy(A)
A
= e =
Dfinitions-Proprits
Une partie floue A de X peut aussi tre caractrise par l'ensemble de
ses -coupes.
Une -coupe d'un ensemble flou A est lensemble net (classique)
des lments ayant un degr d'appartenance suprieur ou gal .

-coupe(A) = {x X|
A
(x) }=A
o

0,5
A
o
Ensemble flou

13






















Logique
floue
13
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
partition floue de l'univers du discours
Taille(m)
Petit Moyen
Grand
Exemples densembles flous
Ici, Pierre mesure 1m625
se traduit en logique floue par
Pierre est petit un degr de 75%
Pierre est moyen 25%
Pierre est grand 0%
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou " Personne de petite taille"
Taille(m)
Petit
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne de taille moyenne"
Taille(m)
Moyen
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou :"Personne de grande taille"
Taille(m)
Grand

14






















Logique
floue
14
Fonctions dappartenance particulires
( )
( )
0
0
x 0 0
x 0
Lorsqu'un fait certain correspond l'nonc de la valeur d'une variable, on a un singleton:
1 pour
0 pour
x x x
x x x

= =

= =

1
Couleur du
feu tricolore
rouge orange vert
Fonction dappartenance de la classe Le feu est rouge
Les ensembles classiques sont des cas particuliers d'ensemble flou.
Leurs fonctions d'appartenances valant 0 ou 1 sont en crneaux
Fonction dappartenance
de la classe la temprature est tide
1
T(C)
15C 20C
La logique floue englobe les donnes certaines

15






















Logique
floue
15
Oprateurs de logique floue
Comme pour la thorie classique des ensembles.
On dfinit lunion, lintersection, le complment.densembles flous
logique boolenne standard = cas particulier de la logique floue
Tous les rsultats obtenus en logique classique
doivent tre retrouvs par la logique floue


16






















Logique
floue
16
Si A et B sont deux sous-ensembles flous et
A
(x) et
B
(x)
leur fonction d'appartenance, on dfinit :
) x ( ) x (
A
A
= 1
Le complmentaire
c
A A = A
de
Complment

17






















Logique
floue
17
Complment
A est lensemble flou des personnes petites.
Lensemble des personnes NON petites est un ensemble flou de
fonction dappartenance :
( ) ( )
1
A
A
x x x U = e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble floue :"Personnes non petites"
Taille (m)

18






















Logique
floue
18
Le sous-ensemble A et B (AB), par:
)) x ( ), x ( ( min ) x (
B A
U x
B A

e

=
Le sous-ensemble A ou B (AB), par:
T-norme
T-conorme ( -norme)
Remarque: T pour Triangulaire
Intersection, union

B
(x)

A
(x)
)) x ( ), x ( ( max ) x (
B A
U x
B A

e

=

19






















Logique
floue
19
Union
A est lensemble flou des personnes petites.
B est lensemble flou des personnes moyennes.
Lensemble des personnes petites OU moyennes est un ensemble
flou de fonction dappartenance :
( ) ( ) ( ) ( )
,
A B A B
x max x x x U

= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou:"Personne petite OU moyenne"
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand

20






















Logique
floue
20
Intersection
A est lensemble flou des personnes petites.
B est lensembles flou des personnes moyennes.
Lensemble des personnes petites ET moyennes est un ensemble
flou de fonction dappartenance :
( ) ( ) ( ) ( )
,
A B A B
x min x x x U

= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne petite et moyenne"
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand

21






















Logique
floue
21
T-norme T-conorme Ngation Nom
min(x,y) max(x,y)

1 - x Zadeh
x.y x + y - xy 1 - x probabiliste
max(x + y - 1, 0) min(x + y, 1) 1 - x Lukasiewicz
max(1-((1-x)
p
+(1-y)
p
),0) min((x
p
+y
p
)
1/p
,1) 1-x Yager (p>0)
x si y = 1

y si x = 1

0 sinon
x si y = 0

y si x = 0

1 sinon
1 - x drastique


Oprateurs

Liste non exhaustive

22






















Logique
floue
22
Oprateurs les plus utiliss
Dnomination
Intersection
ET
(t-norme)
Runion
OU
(t-conorme)
Complment
NON
Oprateurs de
Zadeh
MIN/MAX
Probabiliste
PROD/PROBOR
( ) ( ) ( ) ( )
,
A B A B
x max x x

= ( ) ( ) ( ) ( )
,
A B A B
x min x x

=
( ) ( ) ( )
A B A B
x x x

= ( ) ( ) ( ) ( )
A B A B
x x x x +
( ) ( ) 1
A
A
x x =
( ) ( ) 1
A
A
x x =

23






















Logique
floue
23
Oprateurs
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( ) ( )
Commutativit
Distibutivit
A B C A B A C
A B C A B A C
Associaticit
A B C A B C
A B C A B C
Lois de Morgan
A B A B
A B A B
=

2 exceptions notables :
( )
i.e. 0
A A
A A x

= C =
2. En logique floue, on peut tre A et non A en mme
temps.
( )
i.e. 1
A A
A A U x

= =
1. En logique floue, le principe du tiers exclu est
contredit.

les dfinitions d'oprateurs ET et OU, on retrouve les proprits des
oprateurs boolens

24






















Logique
floue
24
Fuzzification
La fuzzification est ltape qui consiste en la quantification
floue des valeurs relles dune variable.
Interface de
fuzzification
Pierre est petit un degr de 75%
Pierre mesure
1m625
Pierre est grand 0%
Pierre est moyen 25%
Les systmes base de logique floue traitent de variables dentres
floues et fournissent de rsultats sur des variables de sorties elle-
mmes floues

25






















Logique
floue
25
Comment fuzzifier?
Pour fuzzifier, il faut donner:

1. Lunivers du discours
i.e.: Plage de variations possibles de lentre considre.
2. Une partition en classe floue de cet univers.
3. Les fonctions dappartenances de chacune de ces classes.
La fuzzification des variables est une phase dlicate du processus
mis en oeuvre par la logique floue.
Elle est souvent ralise de manire itrative et requiert de
l'exprience (expertise).


Il faut fuzzifier les entres ET les sorties du processus flou.
Exemple: Selon les valeurs des entres , le systme flou indiquera quen sortie la
puissance de chauffe devra prendre les valeurs de sortie faible ou moyenne ou
forte .

26






















Logique
floue
26
Variables floues
Logique floue base sur des variables floues dites variables
linguistiques valeurs linguistiques dans lunivers du discours U.
Chaque valeur linguistique constitue alors un ensemble flou de lunivers
du discours.
Exemple:
Univers du discours : Gamme de temprature de 0C 200C.
Variable linguistique : La temprature.
Valeurs linguistiques : Trs froid Froid Tempr Chaud Trs Chaud

27






















Logique
floue
27
Une variable linguistique est reprsente par un triplet (V, X
V
,
T
V
)
V : nom de la variable (age, taille, temprature, longueur,...)
X
V
: univers des valeurs prises par V (,...)
T
V
= {A1, A2, ...} : ensemble de sous-ensembles flous de XV,
utiliss pour caractriser V.
Par exemple: (Age-Personne, [0,130], {Trs-jeune, Jeune,
Ag})
1
0
Age
Trs-jeune
Jeune Ag
Variable linguistique

28






















Logique
floue
28
Aprs avoir "fuzzyfier" les variables d'entre et de sortie, il faut
tablir les rgles liant les entres aux sorties.

But final: chaque instant, analyser l'tat ou la valeur des entres
du systme pour dterminer l'tat ou la valeur de toutes les sorties.
Principe de la logique floue:

Plus la condition sur les entres est vraie,
Plus l'action prconise pour les sorties doit tre respecte
Rgles floues


29






















Logique
floue
29
Raisonnement flou
Variables linguistiques et propositions floues
Variables linguistiques
Proposition floue gnrale
Implication floue
Raisonnement Flou
Modus ponens classique
Modus ponens gnralis
Application du Modus ponens gnralis
Rgles floues


30






















Logique
floue
30
Base de rgles
Les systmes logique floue utilisent une expertise exprime sous
forme dune base de rgles du type: Si.Alors
( ) ( )
Si X est A Alors Y est B
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Si ET ALORS Cours est Ennuyeux Moment est DbutCours Moral est bas
Si ET ALORS Cours est Intressant ChargedeTravail est Importante Moral est Maussade
Si .........

31






















Logique
floue
31
Rgles floues
Une rgle

32






















Logique
floue
32
Plusieurs rgles
Rgles floues

33






















Logique
floue
33
Exemple dun systme de rgles floues

34






















Logique
floue
34
Infrence floue
Infrence :
Opration logique par laquelle on admet une proposition en vertu de sa
liaison avec dautres propositions tenues pour vraies.
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Prmisses Conjonction Conclusion Implication
En logique classique
Si p Alors q
p vrai Alors q vrai

En logique floue
( ) ( )
Si X est A Alors Y est B
La variable floue X appartient la classe floue A avec un
degr de validit (x
0
)
La variable floue Y appartient la classe floue B un degr
qui dpend du degr de validit (x
0
) de la prmisse

35






















Logique
floue
35
Principe du raisonnement approximatif
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte
SI la temprature est trs basse ALORS Chauffer fort
Cette appartenance dpend de :

1) La classe floue de sortie considre.
2) du degr de validit de la prmisse
prmisses
(x
0
).
3) de la mthode dimplication choisie.

La conclusion dune rgle floue est lappartenance dune variable
floue de sortie Chauffer une classe floue fort .

36






















Logique
floue
36
Proposition floue lmentaire : qualification V est A
d'une variable linguistique (V, X
V
, T
V
)
Par exemple: Age-personne est jeune
Proposition floue gnrale : composition de
propositions floues lmentaires de variables
linguistiques qui peuvent tre distinctes
Soit V est A p.f.e. de (V, X
V
, T
V
), et W est B p.f.e. de
(W, X
W
, T
W
),
Exemples de proposition floue gnrale :
V est A et W est B
V est A ou W est B
Proposition floue

37






















Logique
floue
37
Proposition classique : valeur de vrit e {0, 1} (FAUX ou VRAI)
Proposition floue : la valeur de vrit est un sous-ensemble flou
valeurs dans [0,1]
Valeur de vrit p
A
de V est A :
A
fonction d'appartenance de A
Ngation: V n'est pas A : p
Ac
=
Ac
= 1-
A
Valeur de vrit p d'une proposition floue gnrale : agrgation des
valeurs de vrit p
A
et p
B
de chaque proposition floue lmentaire
Le type d'agrgation dpend de la composition ralise (et, ou,...)
Conjonction V est A et W est B : p
A.B
= min(p
A
, p
B
)
Disjonction V est A ou W est B : p
AvB
= max(p
A
, p
B
)
Valeur de vrit dune proposition floue

38






















Logique
floue
38
Rgle de production : lien particulier (implication) entre 2 propositions
floues
V est A W est B est lue si V est A alors W est B
V est A = prmisse
W est B = conclusion
Par exemple: si Age-personne est Jeune alors Salaire est Bas
Valeur de vrit de l'implication V est A W est B : value par
une fonction implicative f
I
: X x Y [0,1]

x e X, y e Y, f
I
(x, y) = u(
A
(x),
B
(y))

u est une fonction [0,1]x[0,1] [0,1] qui est quivalente l'implication
classique quand les propositions sont classiques.
Implication floue

39






















Logique
floue
39
f
I
(x, y) = u(
A
(x),
B
(y))
-
Principales fonctions d'implication floue

40






















Logique
floue
40
Logique classique vs Logique floue

41






















Logique
floue
41
Modus ponens de la logique classique

Rgle: Prmisse Conclusion
Observation: Prmisse-observe
Dduction: Conclusion


Modus ponens :
rgle de dduction pour infrer de la connaissance

Rgle: H est humain H est mortel
Observation: Socrate est humain
Dduction: Socrate est mortel

Mode de raisonnement classique

42






















Logique
floue
42
Modus ponens gnralis : extension du MP aux propositions floues
Soient (V, X
V
, T
V
) et (W, X
W
, T
W
) deux variables linguistiques

Rgle floue: V est A W est B

A

B

Observation floue: V est A'

A'
Dduction: W est B'

B'

A
,
B
, et
A'
sont connues, on recherche la valeur de
B'
(y), y e Y
Mode de raisonnement flou
A partir dune rgle floue et dun fait observ A pour V, on en
dduit une valeur B pour W.

43






















Logique
floue
43
Rgle floue V est A W est B
Implication x e X, y e Y, f
I
(x,y)= u(
A
(x),
B
(y))
Le MPG combine la rgle floue avec l'observation V est A' pour
construire la conclusion B'
Oprateur de modus ponens gnralis : fonction T de [0,1]x[0,1]
dans [0,1] pour combiner f
I
et
A'
T est une t-norme
T est lie f
I
pour que le MPG soit compatible avec le modus ponens classique.
On a, pour tout y e Y :

B'
= sup
x
e
X
T(f
I
(x,y),
A'
(x))
Modus ponens gnralis

44






















Logique
floue
44
Exemples d'oprateurs de MPG
Zadeh : u,v e [0,1], T(u,v) = min(u,v)
Utilis avec les implications de Mamdani, Larsen,...
Lukasiewicz : u,v e [0,1], T(u,v) = max(u+v-
1,0)
Utilis avec les implications de Lukasiewicz,
Reichenbach, Mamdani, Larsen,...

45






















Logique
floue
45
Applications du modus ponens gnralis
Commande floue : ensemble de rgles floues + entre
numrique + sortie numrique
Contrle flou de processus
Phase de dfuzzification ncessaire
Systmes experts flous : ensemble de rgles floues + entre
floue + sortie floue
Raisonnement flou, infrence de connaissances
Pas de dfuzzification
Raisonnement par analogie : ensemble de rgles floues +
entre floue + sortie floue
B' est B ce que A' est A
ressemblance (A,A') doit tre la mme que ressemblance(B,B')

46






















Logique
floue
46
Mthodes dimplication
2 mthodes principales dimplication floue:
( ) ( ) ( )
( )
0
' ,
conclusion prmisse conclusion
y
y x y
MIN
=
Mthode de Mamdani :
( ) ( ) ( )
0
'
conclusion prmisse conclusion
y x y =
Mthode de Larsen :

47






















Logique
floue
47
-10 -5 0 5 10 15
0
0.2
0.4
0.6
0.8
1
Temprature trs basse
T(C)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
( ) ( ) ( ) ( )
0
' ,
conclusion prmisse conclusion
y
y x y
MIN
=
-10 -5 0 3 5 10 15
0
0.2
0.4
0.6
0.7
0.8
1
Temprature trs basse
T(C)
Exemple (Mamdani)
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte
Rgle: SI la temprature est trs basse ALORS Chauffer fort
12KW
Selon la rgle considre, si T=3C alors Puissance de chauffe =12KW
T=3C

48






















Logique
floue
48
Activation des rgles
( ) ( )
( ) ( )
( ) ( ) ( )
1 11 2 12 1
1 21 2 22 2
1 31 2 32 3 33 3
R1:
R2:
R3:
..........
Si X est A et X est A alors Y est B
Si X est A ou X est A alors Y est B
Si X est A et X est A et X est A alors Y est B
Une rgle est active ds quelle a une prmisse ayant une valeur de vrit
non nulle.
Plusieurs rgles peuvent tre actives simultanment et prconiser des
actions avec diffrents degrs de validits; ces actions peuvent tre
contradictoires.
Il convient dagrger les rgles pour fournir une appartenance
de la variable floue de sortie une classe floue consolide

49






















Logique
floue
49
Composition de rgles
On considre que les rgles sont lies par un oprateur OU.
( ) ( ) { }
i
B B
y MAX y i indices des rgles actives
(
= e


50






















Logique
floue
50
Exemple : Max-Min infrence

51






















Logique
floue
51
Moteur
dinfrences
4 rgles
R
1

R
2

R
3

R
4

moyenne
=0.3

petite
=0.7

petite
=0.6

grande
=0.1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
On considre un moteur dinfrence 4 rgles qui fournit pour sa sortie tension S
1,
les rsultats suivants :
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
Implication floue
de Mamdani

( ) ( ) ( ) ( )
0
' ,
conclusion prmisse conclusion
y
y x y
MIN
=
Exemple

52






















Logique
floue
52
Exemple
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
A ce stade, on a la fonction dappartenance dun ensemble flou
qui caractrise le rsultat
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
Associer cette ensemble flou un nombre interprtable par
lutilisateur, linterface de commande
Il faut dfuzzifier:
Agrgation
des conclusions

( ) ( ) { }
i
B B
y MAX y i indices des rgles actives
(
= e

Exemple

53






















Logique
floue
53
Principales mthodes de dfuzzification
Mthode moyenne des maximums (MM) Mthode du centre de gravit (COG)
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
( )
( )
U
U
y y dy
sortie
y dy
U Univers du discours
Toutes les valeurs de sorties considres

=
=
}
}
Cest labscisse du centre de gravit
de la surface sous la courbe rsultat
3,5V
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
( ) ( ) ( )
0 0
/
S
S
y U
y dy
sortie
dy
o S y U y SUP y
e

=


= e =
`

)
}
}
Cest la moyenne des valeurs de sorties
les plus vraisemblables
1,9V

54






















Logique
floue
54
Dfuzzification
En commande floue, la dfuzzification COG est presque toujours
utilise. Elle prend en compte linfluence de lensemble des valeurs
proposes par la solution floue.
La dfuzzification MM est plutt utilise lorsquil sagit de
discriminer une valeur de sortie (Ex: reconnaissance de formes).

55






















Logique
floue
55
Prise de dcision par logique floue

56






















Logique
floue
56
Exemple : systme de notation floue
Systme
dinfrences
floues
Rsultats obtenus (sur 20)
Mthodes utilises (sur 20)
Prsentation (sur 20)
valuation du travail (sur 20)
On choisit :

57






















Logique
floue
57
Mise en place du systme dinfrences floues
3 entres: Rsultats, Mthodes, Prsentation.
1 sortie: valuation
1. Choix des entres/sorties
2. Univers des discours
[0..20] pour chacune des E/S
3. Classes dappartenances:
Rsultats e{Mdiocre, Moyen, Excellent}
Mthodes e{Mdiocre, Moyen, Excellent}
Prsentation e{Mdiocre, Moyen, Excellent}
Evaluation e{Mdiocre, Mauvais, Moyen, Bon, Excellent}

58






















Logique
floue
58
4. Choix des fonctions dappartenances
Entres :
Sortie :
Mise en place du systme dinfrences floues

59






















Logique
floue
59
Bases de rgles

1. If (Rsultats is excellent) then (Evaluation is excellent)
2. If (Rsultats is moyen) then (Evaluation is moyen)
3. If (Rsultats is mdiocre) then (Evaluation is mdiocre)
4. If (Rsultats is moyen) and (Mthodes is mdiocre) then (Evaluation is mauvais)
5. If (Rsultats is moyen) and (Mthodes is excellent) then (Evaluation is bon)
6. If (Rsultats is mdiocre) and (Mthodes is moyen) then (Evaluation is mauvais)
7. If (Rsultats is excellent) and (Mthodes is excellent) and (Prsentation is excellent) then (Evaluation
is excellent)
8. If (Rsultats is mdiocre) and (Mthodes is excellent) then (Evaluation is moyen)
9. If (Rsultats is excellent) and (Mthodes is mdiocre) then (Evaluation is moyen)

60






















Logique
floue
60
Choix des oprateurs flous
ET flou : MIN
OU flou : MAX
Implication floue : MIN
Agrgation des rgles : MAX
Dfuzzyfication : COG

61






















Logique
floue
61
Surface de dcision floue
(Obtenue pour une valuation de la prsentation de 10/20).

62






















Logique
floue
62
Applications
Fours micro-ondes
Boites de vitesses automatiques
Ascenseurs (freinage, ralentissement)
Rgulateurs de temprature
Systme de freinage progressif (mtro, tram, voiture)
Appareils photo et camscopes "anti-tremblement"
Robotique


63






















Logique
floue
63
This is the end of this part!