Université de Boumerdes M’Hamad Bougara
Faculté des Hydrocarbures et de la Chimie
Compte Rendu
TP 2: Système d’inférence floue (FIS)
Réalisée par :
AHADOUNE Besma
LALA BOUALI Hadjer
Partie théorique :
Un système d'inférence flou est un modèle informatique qui utilise des logiques floues pour
simuler le raisonnement humain dans des environnements incertains ou imprécis.
Contrairement aux systèmes traditionnels qui se basent sur la logique binaire (vrai ou faux),
les systèmes flous traitent des valeurs intermédiaires entre ces deux extrêmes, ce qui permet
une approche plus flexible et réaliste pour modéliser des phénomènes complexes
Le Système d'Inférence Floue repose sur des ensembles flous, qui sont des Ensembles dont les
limites ne sont pas clairement définies, mais plutôt vagues. Ces ensembles flous servent à
représenter des variables linguistiques telles que ; grand, petit. Le processus d’inférence
floue consiste à appliquer des règles floues qui décrivent les relations entre les variables
d’entrée et de sortie du système.
Un Système d'Inférence Flou (FIS) (Fuzzy Inference System) est composé de plusieurs
éléments clés permettant de traiter et de manipuler des données floues.
1. Les Entrées (Input Variables)
Les entrées sont les variables sur lesquelles le système prend des décisions ou fait des
prédictions.
2. La Fuzzification (Fuzzification)
C'est le processus qui convertit les valeurs d'entrée précises en valeurs floues
3. La Base de Règles (Rule Base)
C'est l'ensemble des règles floues qui décrivent les relations entre les entrées et les
sorties du système
4. Le Moteur d'Inférence (Inference Engine)
Le moteur d'inférence est chargé de traiter les entrées floues, d'appliquer les règles de
la base de règles, et de générer les sorties floues. Ce moteur utilise les méthodes
d'inférence floues, telles que l'inférence de Mamdani ou l'inférence de Sugeno, pour
calculer les résultats basés sur les règles et les valeurs d'entrée floues.
L'inférence combine les résultats des différentes règles pour obtenir une sortie floue.
5. Les Sorties Floues (Output Variables)
Ce sont les résultats calculés par le système d'inférence flou après avoir appliqué les
règles
6. La Défuzzification (Defuzzification)
La défuzzification est le processus qui transforme les résultats flous en valeurs nettes
(crisp).
Partie pratique :
I. Les outils de développement du FIS :
FIS Editer :
L'éditeur FIS (Fuzzy Inference System Editor) est une interface graphique puissante, incluse
dans la boîte à outils Fuzzy Logic Toolbox de MATLAB, qui permet de concevoir,
visualiser, et modifier des systèmes d'inférence floue (FIS). Il est conçu pour faciliter la
création et la gestion de systèmes flous, sans nécessiter de codage complexe. Pour l’ouvrir
dans MATLAB, il suffit de saisir ‘fuzzy’ dans la fenêtre de commande, puis d’appuyer sur la
touche ‘entrée’.
Interface des entrées et sorties (MF Editor) :
Le MF Editor (Membership Function Editor) est une partie essentielle de l’éditeur FIS dans
MATLAB. Il permet de définir et de configurer les fonctions d'appartenance (MF,
Membership Functions) pour les variables d'entrée et de sortie d'un système flou. Les
fonctions d'appartenance déterminent comment les valeurs des variables d'entrée ou de sortie
sont associées à des ensembles flous, ce qui est au cœur de l'inférence floue.
Rules Editor :
Le Rule Editor est une composante essentielle de l'éditeur FIS dans MATLAB.
Il permet de définir, visualiser et gérer les règles floues d'un Fuzzy Inference
System (FIS). Ces règles établissent les relations entre les variables d'entrée et
de sortie, en utilisant une logique linguistique pour décrire le comportement
souhaité du système.
Rules Viewer :
Le Rule Viewer est une interface graphique intégrée à MATLAB, permettant de
visualiser et d'analyser comment les règles définies dans un système d'inférence
floue (Fuzzy Inference System, FIS) interagissent pour produire les résultats.
C'est un outil interactif idéal pour examiner le comportement de votre FIS en
fonction de différentes entrées.
Interface Viewer :
Le Surface Viewer est un outil graphique interactif utilisé pour analyser les
relations globales entre les variables d’entrée et les variables de sortie d’un
système flou (Fuzzy Inference System, FIS). Cet outil génère une surface 3D
qui montre comment les valeurs d'entrée influencent les valeurs de sortie, en
tenant compte des règles définies dans le FIS.
II. Le processus de lavage machine :
Définition de la fonction d’appartenance :
Nous allons choisi la fonction d’appartenance de forme triangulaire qui
sont uniformes symétrique et équidistantes on raison de leurs avantages :
Extrêmement simple à calculer et à implémenter.
Très efficace pour des systèmes en temps réel ou pour de grands ensembles de
données.
Entrée: amount of dirt.
Entrée: type of dirt.
Sortie: washing time.
La base des règles:
Les règles sont:
Definition des opérateurs inference:
La technique d’inférence Max-Min :
1er cas :
Amount of dirt 50% and type of dirt 50%
Conclusion :
Lorsque le degré de saleté est 50% et le type de saleté est 50% le temps de
lavage résultant est 50% veut dire 30min.
2éme cas
Amount of dirt 30% and type of dirt 25%
Conclusion:
Lorsque le degré de saleté est 30% et le type de saleté est 25% le temps de
lavage résultant est 37.5 % veut dire 21min.
L’impact de la distribution des fonctions d’appartenance d’entré sur le
temps de lavage :
Les résultats d'un système d'inférence floue dépendent étroitement de la
manière dont les fonctions d'appartenance des entrées sont réparties. Cette
répartition influe directement sur la réactivité, l'adaptabilité et la précision du
modèle. Le choix de la forme, de la largeur et de la position des fonctions
d'appartenance affecte la sensibilité du système aux variations des entrées, ainsi
que la résolution et la qualité des règles d'inférence. Une répartition optimisée
permet au modèle de mieux s'adapter aux conditions réelles, tandis qu'une
répartition mal conçue peut conduire à des résultats imprécis ou ajouter une
complexité inutile au modèle. Ainsi, un choix soigné des fonctions
d'appartenance est crucial pour assurer la validité et l'efficacité du système flou.
L’impact de la technique d’inférence (Max-Min et Mas-Dot) sur le temps de
lavage :
On doit changer l’opérateur d’implication pour rendre la technique Max-Dot
Pour 1er cas :
Pour 2éme cas :
Discutions :
L'influence de la méthode d'inférence, qu'il s'agisse de Max-Min ou de Max-
Dot, dans un Système d'Inférence Floue (FIS) réside dans la manière dont les
règles d'inférence utilisent les degrés d'appartenance pour générer la sortie
finale. Avec la méthode Max-Min, c'est le degré d'appartenance le plus faible
parmi toutes les règles qui détermine la sortie, ce qui signifie qu'une règle ayant
un faible degré d'appartenance peut avoir un impact important sur le résultat
global. Cela rend le système plus sensible aux valeurs extrêmes. En revanche, la
méthode Max-Dot élimine le degré d'appartenance le plus bas, et c'est le produit
des degrés d'appartenance restants qui détermine la sortie. Cela rend le système
moins sensible aux valeurs extrêmes, car les règles avec des degrés
d'appartenance faibles auront moins d'influence sur le résultat final. En somme,
le choix entre Max-Min et Max-Dot influence la robustesse du système face
aux données d'entrée extrêmes. Max-Min peut amplifier l'effet des valeurs
extrêmes, tandis que Max-Dot tend à atténuer cet effet en prenant en compte le
produit des degrés d'appartenance. Le choix de la méthode dépend du contexte
spécifique et de la manière dont on souhaite que le système réagisse aux
différentes conditions d'entrée.