SlideShare une entreprise Scribd logo
>  Introduction à la Logique Floue   appliquée aux systèmes décisionnels  Présentation 26 Janvier 2011 [email_address]
Sommaire ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
1. Origine   ,[object Object],[object Object],[object Object],[object Object]
1. Origine   ,[object Object],[object Object],[object Object],[object Object]
1. Origine   ,[object Object],[object Object],[object Object],[object Object],Probabilités !
1. Origine   ,[object Object],[object Object],[object Object],[object Object],Probabilités !
1. Origine   ,[object Object],[object Object],[object Object],[object Object],Probabilités ! Logique floue !
1. Origine   Comment faire en sorte d’exprimer ces imprécisions  en  termes logiques  ? En  logique classique , une proposition est  vraie  ou  fausse.   Exemple : C’est personne est grande.  Vrai  ou  faux  ?    Pas flexible… En  logique multivaluée , une proposition peut avoir plusieurs valeurs Exemple (ternaire) : C’est personne est grande.  Vrai ,  à moitié vrai  ou  faux  ?     Un peu plus flexible… En  logique floue , une proposition peut avoir autant de valeurs que l’on veut. Exemple : C’est personne est grande. C’est vrai à 30%.    Flexible !
1. Origine     Lofti Zadeh , chercheur en théorie des systèmes posa les   fondements de la logique floue dans un article en 1965. La logique floue est une  extension de la logique booléenne  en se basant sur sa théorie mathématique des ensembles flous, qui est une généralisation de la théorie des ensembles classiques.  En introduisant la  notion de degré dans la vérification d'une condition , permettant ainsi à une condition d'être dans un autre état que vrai ou faux, la logique floue confère une flexibilité très appréciable aux raisonnements qui l'utilisent, ce qui rend possible la prise en compte des imprécisions
1. Origine   ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Sommaire ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
2. Définitions   Définitions des  concepts principaux de la logique floue  via un exemple de traitement d’image : augmentation du contraste d’une image.
2. Définitions Fuzzifier Inference Engine Defuzzifier Output Input Fuzzy  Knowledge base
2. Définitions   1)  Ensemble flou et degré d’appartenance Ensemble classique   Ensemble flou Appartenance : 0 ou 1    Binaire  en logique classique  Appartenance : entre 0 et 1 (eg 0.867)    degré d’appartenance  en logique floue Fuzzifier
2. Définitions   1)  Ensemble flou et degré d’appartenance Logique classique   Logique floue Appartenance : 0 ou 1    Binaire en logique classique  Appartenance : entre 0 et 1 (eg 0.867)    degré d’appartenance  en logique floue Fuzzifier
2. Définitions   1)  Fonctions d’appartenance (phase de  fuzzification ) en  entrée Fuzzifier
2. Définitions   1)  Fonctions d’appartenance (phase de  fuzzification ) en  sortie Fuzzifier
2. Définitions   ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Inference Engine
2. Définitions   3)  Matrice des décisions La puissance de la logique floue ! Un système logique qui s’exprime directement en langage naturel Inference Engine Très foncé Foncé Moyen Moyen Très clair Clair Sortie Entrée
2. Définitions   4)  Défuzzification ! Defuzzifier
2. Définitions   Fuzzifier Inference Engine Defuzzifier Output Input Fuzzy  Knowledge base Très foncé Foncé Moyen Moyen Très clair Clair Sortie Entrée
Sommaire ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
3. Application : décisionnel ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
3. Application : décisionnel Fuzzifier Input 1 Input 2 Output Fonctions d’appartenance
3. Application : décisionnel Fuzzifier Input 1 SAP = 132 Input 2 HPR = 99 Fonctions d’appartenance Output HPR = 99    N5 = 0.167, N6 = 0.834 SAP = 132    T6 = 1
3. Application : décisionnel Matrice des décisions Inference Engine Lire : Si N5 et T10, alors on décide A4 A5 A5 A5 A5 A5 A5 A5 S T12 A5 A5 A5 A5 A5 A5 A5 S T11 A5 A5 A5 A4 A4 A4 A4 S T10 A5 A5 A5 A4 A4 A4 A4 S T9 A5 A5 A5 A4 A4 A4 A4 S T8 A5 A4 A4 A3 A3 A3 A3 A2 T7 A4 A4 A4 A3 A3 A3 A3 A2 T6 A4 A4 A4 A3 A3 A3 A3 A2 T5 A4 A4 A4 A3 A3 A3 A3 A2 T4 A4 A4 A4 A3 A3 A3 A3 A2 T3 A4 A4 A4 A3 A3 A3 A2 A2 T2 S S S A2 A2 A2 A1 A1 T1 N8 N7 N6 N5 N4 N3 N2 N1
3. Application : décisionnel Matrice des décisions Inference Engine ,[object Object],[object Object],[object Object],HPR = 99 d’où N5 = 0.167 et N6 = 0.834 On décide donc A3 et A4 ! A5 A5 A5 A5 A5 A5 A5 S T12 A5 A5 A5 A5 A5 A5 A5 S T11 A5 A5 A5 A4 A4 A4 A4 S T10 A5 A5 A5 A4 A4 A4 A4 S T9 A5 A5 A5 A4 A4 A4 A4 S T8 A5 A4 A4 A3 A3 A3 A3 A2 T7 A4 A4 A4 A3 A3 A3 A3 A2 T6 A4 A4 A4 A3 A3 A3 A3 A2 T5 A4 A4 A4 A3 A3 A3 A3 A2 T4 A4 A4 A4 A3 A3 A3 A3 A2 T3 A4 A4 A4 A3 A3 A3 A2 A2 T2 S S S A2 A2 A2 A1 A1 T1 N8 N7 N6 N5 N4 N3 N2 N1
3. Application : décisionnel Defuzzifier SAP = 132    T6 = 1 HPR = 99    N5 = 0.167, N6 = 0.834 Input : T6 = 1 N5 = 0.167 => A3 = 0.167 T6 = 1 N6 = 0.834 => A4 = 0.5 A3 = 0.167 A4 = 0.5 => Output = 3.368
3. Application : décisionnel Anesthésiste vs logique floue ?
3. Application : décisionnel Forme des décisions : Defuzzifier Input 1 : SAP Input 2 : HPR Output
Sommaire ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
4. Application : requêtes floues ,[object Object],[object Object],[object Object],[object Object]
4. Application : requêtes floues ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
4. Application : requêtes floues <output> <emp> <empid>1003</empid> <ename>Joshua</ename> <sales>5000</sales> <days>10</days> </emp> <emp> <empid>1004</empid> <ename>Kevin</ename> <sales>4998</sales> <days>3</days> </emp> <emp> <empid>1009</empid> <ename>George</ename> <sales>4100</sales> <days>11</days> </emp> <emp> <empid>1008</empid> <ename>Henry</ename> <sales>3999</sales> <days>3</days> </emp> </output> […] Logique classique : critère booléen « Plus de 4000 € en 10 jours ! »
4. Application : requêtes floues Logique floue : critère flou « Être bon ! » Requête :
4. Application : requêtes floues ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
4. Application : requêtes floues <output> <emp> <empid>1003</empid> <ename>Joshua</ename> <sales>5000</sales> <days>10</days> </emp> <emp> <empid>1004</empid> <ename>Kevin</ename> <sales>4998</sales> <days>3</days> </emp> <emp> <empid>1009</empid> <ename>George</ename> <sales>4100</sales> <days>11</days> </emp> <emp> <empid>1008</empid> <ename>Henry</ename> <sales>3999</sales> <days>3</days> </emp> </output> […] Logique floue : critère flou « Être bon ! »
4. Application : requêtes floues ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
4. Application : requêtes floues ,[object Object],[object Object],[object Object],[object Object],[object Object]
4. Application : requêtes floues Concept de  modificateurs Exemple : « très, un peu, beaucoup, relativement, … »
4. Application : requêtes floues Concept de  modificateurs Exemple : « très, un peu, beaucoup, relativement, … »
4. Application : requêtes floues Concept de  qualificatifs Exemple : « vrai, faux, probable, … »
4. Application : requêtes floues
Sommaire ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
5. Conclusion  ,[object Object],27/01/11 Fuzzifier Inference Engine Defuzzifier Output Input Fuzzy  Knowledge base
5. Conclusion  ,[object Object],[object Object],[object Object],[object Object],27/01/11
Sommaire ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
6. Références  ,[object Object],[object Object],[object Object],[object Object],[object Object],27/01/11
Questions ?

Contenu connexe

Tendances

Correction examen-java-avancé-1
Correction examen-java-avancé-1Correction examen-java-avancé-1
Correction examen-java-avancé-1
vangogue
 

Tendances (20)

Présentation audits de sécurité
Présentation   audits de sécuritéPrésentation   audits de sécurité
Présentation audits de sécurité
 
L'apport de l'intelligence artificielle dans l'apprentissage
L'apport de l'intelligence artificielle dans l'apprentissageL'apport de l'intelligence artificielle dans l'apprentissage
L'apport de l'intelligence artificielle dans l'apprentissage
 
Rapport de stage d'initiation 2015 Mahmoudi Mohamed Amine
Rapport de stage d'initiation 2015 Mahmoudi Mohamed AmineRapport de stage d'initiation 2015 Mahmoudi Mohamed Amine
Rapport de stage d'initiation 2015 Mahmoudi Mohamed Amine
 
Présentation Cdma, Multiplexage CDMA, principes de Code et cas d'exemple
Présentation Cdma, Multiplexage CDMA, principes de Code et cas d'exemplePrésentation Cdma, Multiplexage CDMA, principes de Code et cas d'exemple
Présentation Cdma, Multiplexage CDMA, principes de Code et cas d'exemple
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introduction
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
SYSTEMES-INTERACTIFS-D-AIDE-A-LA-DECISION-SIAD-1.pdf
SYSTEMES-INTERACTIFS-D-AIDE-A-LA-DECISION-SIAD-1.pdfSYSTEMES-INTERACTIFS-D-AIDE-A-LA-DECISION-SIAD-1.pdf
SYSTEMES-INTERACTIFS-D-AIDE-A-LA-DECISION-SIAD-1.pdf
 
Deep learning
Deep learningDeep learning
Deep learning
 
Power Bi, le tour complet 2017
Power Bi, le tour complet 2017 Power Bi, le tour complet 2017
Power Bi, le tour complet 2017
 
Xml elgarrai 2020
Xml elgarrai 2020Xml elgarrai 2020
Xml elgarrai 2020
 
Ged
Ged Ged
Ged
 
FP Growth Algorithm
FP Growth AlgorithmFP Growth Algorithm
FP Growth Algorithm
 
Correction examen-java-avancé-1
Correction examen-java-avancé-1Correction examen-java-avancé-1
Correction examen-java-avancé-1
 
Rapprt de stage
Rapprt de stageRapprt de stage
Rapprt de stage
 
MISE EN PLACE D’ UN VPN (SITE-TO-SITE) AU SEIN D’ UNE ENTREPRISE : CAS DE LA ...
MISE EN PLACE D’ UN VPN (SITE-TO-SITE) AU SEIN D’ UNE ENTREPRISE : CAS DE LA ...MISE EN PLACE D’ UN VPN (SITE-TO-SITE) AU SEIN D’ UNE ENTREPRISE : CAS DE LA ...
MISE EN PLACE D’ UN VPN (SITE-TO-SITE) AU SEIN D’ UNE ENTREPRISE : CAS DE LA ...
 
Introduction à l’orienté objet en Python
Introduction à l’orienté objet en PythonIntroduction à l’orienté objet en Python
Introduction à l’orienté objet en Python
 
Regression logistque
Regression  logistqueRegression  logistque
Regression logistque
 
Cours Vlan
Cours VlanCours Vlan
Cours Vlan
 
Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielle
 
Intelligence artificielle et soin.pptx
Intelligence artificielle et soin.pptxIntelligence artificielle et soin.pptx
Intelligence artificielle et soin.pptx
 

En vedette

Introduction Au Cours G C
Introduction Au Cours  G CIntroduction Au Cours  G C
Introduction Au Cours G C
pistesil
 
Le Reseau De Neurones
Le Reseau De NeuronesLe Reseau De Neurones
Le Reseau De Neurones
guestf80d95
 
Réseaux des neurones
Réseaux des neuronesRéseaux des neurones
Réseaux des neurones
Med Zaibi
 
Expert Systems
Expert SystemsExpert Systems
Expert Systems
osmancikk
 
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
IEAM-Paris
 
Chirurgien AdèLe Richter
Chirurgien   AdèLe RichterChirurgien   AdèLe Richter
Chirurgien AdèLe Richter
gawronski
 
Anahita the resort 2012 f rlight 2013
Anahita the resort 2012 f rlight 2013Anahita the resort 2012 f rlight 2013
Anahita the resort 2012 f rlight 2013
Marc Foujols
 
Vente appartement neuf williams island
Vente appartement neuf williams islandVente appartement neuf williams island
Vente appartement neuf williams island
Marc Foujols
 

En vedette (20)

A possibilistic Valid Time Model
A possibilistic Valid Time ModelA possibilistic Valid Time Model
A possibilistic Valid Time Model
 
Possibilistic evaluation of fuzzy temporal intervals
 Possibilistic evaluation of fuzzy temporal intervals Possibilistic evaluation of fuzzy temporal intervals
Possibilistic evaluation of fuzzy temporal intervals
 
Cobra
CobraCobra
Cobra
 
Réseaux de neurones
Réseaux de neurones Réseaux de neurones
Réseaux de neurones
 
Introduction Au Cours G C
Introduction Au Cours  G CIntroduction Au Cours  G C
Introduction Au Cours G C
 
Gestion des connaissances (Knowledge Management)
Gestion des connaissances  (Knowledge Management)Gestion des connaissances  (Knowledge Management)
Gestion des connaissances (Knowledge Management)
 
Réseaux neurons
Réseaux neuronsRéseaux neurons
Réseaux neurons
 
Le Reseau De Neurones
Le Reseau De NeuronesLe Reseau De Neurones
Le Reseau De Neurones
 
Introduction To Mycin Expert System
Introduction To Mycin Expert SystemIntroduction To Mycin Expert System
Introduction To Mycin Expert System
 
Réseaux des neurones
Réseaux des neuronesRéseaux des neurones
Réseaux des neurones
 
Les systèmes intelligents
Les systèmes intelligentsLes systèmes intelligents
Les systèmes intelligents
 
Expert Systems
Expert SystemsExpert Systems
Expert Systems
 
Expert Systems
Expert SystemsExpert Systems
Expert Systems
 
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
 
Produire des contenus en ligne en bibliothèque : le blog du chantier de la BU...
Produire des contenus en ligne en bibliothèque : le blog du chantier de la BU...Produire des contenus en ligne en bibliothèque : le blog du chantier de la BU...
Produire des contenus en ligne en bibliothèque : le blog du chantier de la BU...
 
Chirurgien AdèLe Richter
Chirurgien   AdèLe RichterChirurgien   AdèLe Richter
Chirurgien AdèLe Richter
 
Archer
ArcherArcher
Archer
 
Anahita the resort 2012 f rlight 2013
Anahita the resort 2012 f rlight 2013Anahita the resort 2012 f rlight 2013
Anahita the resort 2012 f rlight 2013
 
Vente appartement neuf williams island
Vente appartement neuf williams islandVente appartement neuf williams island
Vente appartement neuf williams island
 
Letimbre
LetimbreLetimbre
Letimbre
 

Similaire à Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier 2011

Similaire à Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier 2011 (7)

Slides ensae-2016-5
Slides ensae-2016-5Slides ensae-2016-5
Slides ensae-2016-5
 
Slides ensae 5
Slides ensae 5Slides ensae 5
Slides ensae 5
 
Auto formation *WinDev
Auto formation *WinDev Auto formation *WinDev
Auto formation *WinDev
 
Questionnaire sous spss
Questionnaire sous spssQuestionnaire sous spss
Questionnaire sous spss
 
La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)
 
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
 
6gei500_cours1.pdf
6gei500_cours1.pdf6gei500_cours1.pdf
6gei500_cours1.pdf
 

Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier 2011

  • 1. > Introduction à la Logique Floue appliquée aux systèmes décisionnels Présentation 26 Janvier 2011 [email_address]
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8. 1. Origine Comment faire en sorte d’exprimer ces imprécisions en termes logiques ? En logique classique , une proposition est vraie ou fausse. Exemple : C’est personne est grande. Vrai ou faux ?  Pas flexible… En logique multivaluée , une proposition peut avoir plusieurs valeurs Exemple (ternaire) : C’est personne est grande. Vrai , à moitié vrai ou faux ?  Un peu plus flexible… En logique floue , une proposition peut avoir autant de valeurs que l’on veut. Exemple : C’est personne est grande. C’est vrai à 30%.  Flexible !
  • 9. 1. Origine Lofti Zadeh , chercheur en théorie des systèmes posa les fondements de la logique floue dans un article en 1965. La logique floue est une extension de la logique booléenne en se basant sur sa théorie mathématique des ensembles flous, qui est une généralisation de la théorie des ensembles classiques. En introduisant la notion de degré dans la vérification d'une condition , permettant ainsi à une condition d'être dans un autre état que vrai ou faux, la logique floue confère une flexibilité très appréciable aux raisonnements qui l'utilisent, ce qui rend possible la prise en compte des imprécisions
  • 10.
  • 11.
  • 12. 2. Définitions Définitions des concepts principaux de la logique floue via un exemple de traitement d’image : augmentation du contraste d’une image.
  • 13. 2. Définitions Fuzzifier Inference Engine Defuzzifier Output Input Fuzzy Knowledge base
  • 14. 2. Définitions 1) Ensemble flou et degré d’appartenance Ensemble classique Ensemble flou Appartenance : 0 ou 1  Binaire en logique classique Appartenance : entre 0 et 1 (eg 0.867)  degré d’appartenance en logique floue Fuzzifier
  • 15. 2. Définitions 1) Ensemble flou et degré d’appartenance Logique classique Logique floue Appartenance : 0 ou 1  Binaire en logique classique Appartenance : entre 0 et 1 (eg 0.867)  degré d’appartenance en logique floue Fuzzifier
  • 16. 2. Définitions 1) Fonctions d’appartenance (phase de fuzzification ) en entrée Fuzzifier
  • 17. 2. Définitions 1) Fonctions d’appartenance (phase de fuzzification ) en sortie Fuzzifier
  • 18.
  • 19. 2. Définitions 3) Matrice des décisions La puissance de la logique floue ! Un système logique qui s’exprime directement en langage naturel Inference Engine Très foncé Foncé Moyen Moyen Très clair Clair Sortie Entrée
  • 20. 2. Définitions 4) Défuzzification ! Defuzzifier
  • 21. 2. Définitions Fuzzifier Inference Engine Defuzzifier Output Input Fuzzy Knowledge base Très foncé Foncé Moyen Moyen Très clair Clair Sortie Entrée
  • 22.
  • 23.
  • 24. 3. Application : décisionnel Fuzzifier Input 1 Input 2 Output Fonctions d’appartenance
  • 25. 3. Application : décisionnel Fuzzifier Input 1 SAP = 132 Input 2 HPR = 99 Fonctions d’appartenance Output HPR = 99  N5 = 0.167, N6 = 0.834 SAP = 132  T6 = 1
  • 26. 3. Application : décisionnel Matrice des décisions Inference Engine Lire : Si N5 et T10, alors on décide A4 A5 A5 A5 A5 A5 A5 A5 S T12 A5 A5 A5 A5 A5 A5 A5 S T11 A5 A5 A5 A4 A4 A4 A4 S T10 A5 A5 A5 A4 A4 A4 A4 S T9 A5 A5 A5 A4 A4 A4 A4 S T8 A5 A4 A4 A3 A3 A3 A3 A2 T7 A4 A4 A4 A3 A3 A3 A3 A2 T6 A4 A4 A4 A3 A3 A3 A3 A2 T5 A4 A4 A4 A3 A3 A3 A3 A2 T4 A4 A4 A4 A3 A3 A3 A3 A2 T3 A4 A4 A4 A3 A3 A3 A2 A2 T2 S S S A2 A2 A2 A1 A1 T1 N8 N7 N6 N5 N4 N3 N2 N1
  • 27.
  • 28. 3. Application : décisionnel Defuzzifier SAP = 132  T6 = 1 HPR = 99  N5 = 0.167, N6 = 0.834 Input : T6 = 1 N5 = 0.167 => A3 = 0.167 T6 = 1 N6 = 0.834 => A4 = 0.5 A3 = 0.167 A4 = 0.5 => Output = 3.368
  • 29. 3. Application : décisionnel Anesthésiste vs logique floue ?
  • 30. 3. Application : décisionnel Forme des décisions : Defuzzifier Input 1 : SAP Input 2 : HPR Output
  • 31.
  • 32.
  • 33.
  • 34. 4. Application : requêtes floues <output> <emp> <empid>1003</empid> <ename>Joshua</ename> <sales>5000</sales> <days>10</days> </emp> <emp> <empid>1004</empid> <ename>Kevin</ename> <sales>4998</sales> <days>3</days> </emp> <emp> <empid>1009</empid> <ename>George</ename> <sales>4100</sales> <days>11</days> </emp> <emp> <empid>1008</empid> <ename>Henry</ename> <sales>3999</sales> <days>3</days> </emp> </output> […] Logique classique : critère booléen « Plus de 4000 € en 10 jours ! »
  • 35. 4. Application : requêtes floues Logique floue : critère flou « Être bon ! » Requête :
  • 36.
  • 37. 4. Application : requêtes floues <output> <emp> <empid>1003</empid> <ename>Joshua</ename> <sales>5000</sales> <days>10</days> </emp> <emp> <empid>1004</empid> <ename>Kevin</ename> <sales>4998</sales> <days>3</days> </emp> <emp> <empid>1009</empid> <ename>George</ename> <sales>4100</sales> <days>11</days> </emp> <emp> <empid>1008</empid> <ename>Henry</ename> <sales>3999</sales> <days>3</days> </emp> </output> […] Logique floue : critère flou « Être bon ! »
  • 38.
  • 39.
  • 40. 4. Application : requêtes floues Concept de modificateurs Exemple : « très, un peu, beaucoup, relativement, … »
  • 41. 4. Application : requêtes floues Concept de modificateurs Exemple : « très, un peu, beaucoup, relativement, … »
  • 42. 4. Application : requêtes floues Concept de qualificatifs Exemple : « vrai, faux, probable, … »
  • 43. 4. Application : requêtes floues
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.