Demo2 Logique Floue ou fuzzy logics - indaba

3/31/2018IA WORKSHOP "www.theitronics.com"
LogIque floue
« Ce que les homme veulent en fait ce n’est
pas la connaissance, c’est la certitude. »
Bertrand Russel
1
NGUBE HERMANN
ROBOTICIAN ENGINEER
UNIVERSITY OF DOUALA

▪ Neuro – floue ( ANFIS, SIFRA).
▪ L’Apprentissage machine floue ( fuzzy C-means).
▪ Deep learning (concept d’apprentissage floue).
▪ Fuzzy Logic Module of Convolutional Neural Network. ( logique floue + CNN)
3/31/2018IA WORKSHOP "www.theitronics.com" 2

INTRODUCTION & DEFINITION
EXEMPLE APPLICATION DOMOTIQUE
SIMULATION
3/31/2018
3
IA WORKSHOP "www.theitronics.com"

Tout énoncé dont la probabilité est
différente de 100 % est incertain.
L'imprécision se manifeste lorsque l'on
manque . . . de précision ! Dans les faits

La logique floue est une extension de la logique classique
qui permet la modélisation des imperfections des données
et se rapproche dans une certaine mesure de la flexibilité
du raisonnement humain.

Application du principe
Fuzzification
Defuzzification
3/31/2018IA WORKSHOP "www.theitronics.com"
7

Dans une salle de travail JEAN ne
veut plus voir ses employés se
lever pour régler la’ hauteur’ de
volet de la fenêtre en fonction de
la ‘lumière’ et de la ‘température’
car ils se plaignent beaucoup et
souvent tous veulent se lever pour
le régler a sa volonté.

3/31/2018IA WORKSHOP "www.theitronics.com" 103/31/2018IA WORKSHOP "www.theitronics.com" 10
Elle permet de définir un ensemble flou,
possédant des limites qui ne sont pas
nettes, mais progressives, comme un fondu.

Négation floue, NON A
L'union (A U B) est définie par la fonction d'appartenance
Pour l'intersection (A Û B),
Une fonction d’appartenance est notée μA pour l'ensemble flou A.
Le degré d'appartenance d'une valeur numérique particulière x s'écrit donc μA(x).

On note les expressions règle floue: " Variable linguistique " EST " valeur linguistique “
En entrée comme Variable linguistique :Temperature et Eclairage

▪ À 0 cm le store est complètement fermé, et à 115 cm il est donc complètement
remonté
En sortie nous avons : Hauteur de store
Voici un exemple de règle que l'on pourrait définir :
SI ( température EST chaud ET éclairage EST fort ) ALORS hauteur de store EST fermé

▪ Nos règles vont donc essayer de maximiser le confort de l'utilisateur, en sachant
que s'il fait trop chaud et que le soleil est fort, il est mieux d'être à l'ombre, alors
que s'il fait froid, il faut profiter du soleil s'il est là.

▪ Les différentes règles possèdent toutes une implication (la clause ALORS) . Il va
donc falloir exprimer à quel point la règle doit être appliquée en fonction valeurs
numériques mesurées : c'est l'étape de fuzzification.
Nous allons nous intéresser à la règle R8 :
▪ SI température EST bon ET éclairage EST moyen ALORS store EST à mi-
hauteur
Nous souhaitons savoir à quel point cette règle s'applique pour une température de
21 °C et un éclairage de 80 000 lux.

▪ Soit 80%(de 21°) et 25%(de 80 000 lux). La valeur de vérité est 25%.

▪ Pour l'opérateur d'implication de Larsen, la forme globale de la fonction
d'appartenance est réduite, pour la limiter au degré de vérité de la règle. Cela
revient à multiplier toutes les valeurs de la fonction par le degré. Dans notre cas,
on multiplie donc la fonction de sortie par 0.25, en conservant ainsi la forme de
trapèze, avec les mêmes plateaux.

▪ En se basant sur une température de 21 °C et un éclairage de 80000 lux, on a en
réalité quatre règles qui s'appliquent : RB, R9, R11 et R12 . Nous avons vu ce que
l'opérateur d'implication nous donnait comme ensemble flou pour la règle R8 .

consiste a utiliser le moteur d’inférence, qui est un mécanisme permettant de
condenser l’information d’un système à travers d’un ensemble de règles définies
pour la représentation d’un problème quelconque.

▪ Une fois l'ensemble flou résultant calculé, il faut en extraire une décision qui est
une valeur numérique unique et non un ensemble flou : c'est l'étape de
défuzzification.
▪ Dans le cas du store, il faut savoir s'il faut le monter ou le descendre. En effet, le
moteur du store a besoin d'une unique valeur indiquant la hauteur à appliquer.
▪ Là encore, il existe plusieurs solutions. Nous allons en voir deux : la défuzzification
par la moyenne puis par le barycentre.

▪ La défuzzification par la moyenne, qui est la plus simple, consiste à prendre la
moyenne du plateau le plus haut.
▪ La défuzzification par le barycentre, plus complexe, consiste à chercher le
barycentre (aussi appelé centroïde ou, de manière abusive, centre de gravité) de
la forme obtenue. Cela permet de prendre en compte l'ensemble des règles, et
non uniquement la règle majoritaire comme c'était le cas juste avant (seule la règle
R9 avait participé à la décision finale).

Interface Graphique sur matlab mon
code en logique Floue sur l’arduino

Demo2 Logique Floue ou fuzzy logics - indaba

Contenu connexe

Tendances

Plus de Romaric Saounde Tsopnang

Demo2 Logique Floue ou fuzzy logics - indaba