TPE Logique Floue

ECOLE NATIONALE SUPERIEURE DES SCIENCES
AGRO INDUSTRIELLES
CYCLE MASTER
BP: 455 NGAOUNDERE
EXPOSE DE THEORIE DES FILES D’ATTENTE
Master 2 recherche IEA
THEME: MODELISATION PAR LA LOGIQUE FLOUE
Exposants: Enseignant:
OBAYA Mureille Laure Dr NZIE Wolfgang
YAMDJEU Lynda Prucillia
WONG Caroline Félicité
TALLE SOH Calvin
Année académique: 2015/2016
PLAN DE L’EXPOSÉ
Introduction
I. Définition
II. Principe de fonctionnement
III.Intérêt de la logique floue
Conclusion
2
INTRODUCTION (1)
La gestion du risque fait appel depuis fort

longtemps à des modèles complexes pour
évaluer l’incertitude. Bien que les
professionnels de la gestion du risque
s’efforcent de mieux comprendre les risques, un
grand nombre d’entres eux ne sont toujours pas
bien compris et de nouveaux risques émergent.
3
INTRODUCTION (2)
Les modèles classiques de risque reposent sur la
théorie des probabilités et la théorie classique
des ensembles. Ils sont couramment employés
pour évaluer les risques de marché, de crédit,
d’assurance et de négociation.
Par contraste, les modèles de logique floue

s’appuient sur la théorie des ensembles flous et
la logique floue et servent à analyser les risques
lorsque les connaissances sont insuffisantes ou
que les données sont imprécises. 4
DÉFINITION (1)
La logique floue est une extension de la logique
booléenne créée par Lotfi Zadeh en 1965 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, nous permettons à une
condition d'être dans un autre état que vrai ou faux.
La logique floue rend possible la prise en compte
des imprécisions et des incertitudes . 5
DÉFINITION (2)
La logique floue permet de formaliser le
raisonnement humain. Voici par exemple
quelques règles de conduite qu'un conducteur
suit:
6
DÉFINITION (3)
Elle permet la modélisation des imperfections
des données et se rapproche dans une certaine
mesure de la flexibilité du raisonnement humain.
Les variables prédictives sont des modalités

subjectives («grand», «petit») et non des données
objectivables (176 cm).
Une donnée peut appartenir à plusieurs modalités
d’une même variable (un individu de 165 cm peut
être considéré comme petit mais aussi comme
moyen).
7
DÉFINITION (4)
 Lalogique floue intègre un ensemble de
règles permettant d’attribuer (d’une manière
logique) une sortie à une entrée.
8
PRINCIPE DE FONCTIONNEMENT (1)
9
La fuzzification
C’est transformation des variables en variables floues

(ou variables linguistiques). Elle se fait en 03 étapes:
Donner l’univers du discours : plage de variations possibles

de l’entrée considérée.
Partitionner en classe floue de cet univers.
Définir les fonctions d’appartenances de chacune de ces
classes.
10
La fuzzification
11
L’inférence floue
Construction de règles (et de résultats)

basées sur les variables linguistiques,
attribution d’une véracité à chaque règle, puis
agrégation des règles pour obtenir un résultat
(linguistique) unique.
12
a. Construction d’un ensemble de règle
Sur la base des catégories précédemment

réalisées, un ensemble de règles sont construites. Par
exemple : «Variable1 Catégorie1 et Variable2
Catégorie1».
Une véracité pour chacune des règles est alors calculée.

La construction de ces règles, principalement basée sur
des « ET », des « OU » et des « SANS », se traduit
mathématiquement de la sorte.
13
b. Matrice de décision
Chaque règle se voit attribuer une réponse au travers
d’une matrice de décision.
14
c. Implication : calcul de la règle d’activation
L’implication est la définition d’une règle
d’activation afin d’obtenir une réponse unique.
Calculer la règle d’activation revient à croiser la

probabilité de la règle et la probabilité de la sortie
associée à la règle. Il est possible de poursuivre
l’analogie avec les méthodes bayésiennes du cadre
probabiliste classique: la probabilité de la règle peut
s’apparenter à une probabilité a priori, et la probabilité
de la sortie à une probabilité a posteriori.
15
d. L’agrégation
Cette quatrième étape de l’inférence consiste à
regrouper toutes les règles. Ce regroupement est
donc effectué à base de « Ou » logiques, ce qui se
traduit par des « Max ».
16
La défuzzification
C'est l'opération qui, inversement à la fuzzification,
consiste à transformer un nombre flou en une grandeur
numérique.
Deux méthodes sont applicables pour obtenir la valeur

de la variable à prédire :
 La méthode de la moyenne des maxima
 La méthode des centres de gravité : abscisse du centre
de gravité de la surface de la courbe de résultats.
17
PRINCIPE DE FONCTIONNEMENT
(10)
La méthode de la moyenne des maxima
Elle correspond à la moyenne des valeurs de sortie
les plus vraisemblables.
Où :
𝑆 = {𝑥 ∈ 𝑈 𝑡𝑒𝑙 𝑞𝑢𝑒 𝜇(𝑥) = 𝑆𝑈𝑃 𝑥∈𝑈 (𝜇(𝑥))}
𝑁 le nombre de point appartenant à 𝑆.
18
La méthode des centres de gravité
On utilise l’abscisse du centre de gravité de la
surface de la courbe de résultats.
Où:
U est l’univers du discours de la variable de sortie.
Cela revient à considérer l’espérance liée à la
densité 𝜇 / ∫𝜇𝑥𝑑𝑥𝑈 associée à la fonction de véracité.
19
Intérêt de la logique floue(1)
Exemple: Un patient atteint d’hépatite présente

généralement les symptômes suivants :
• le patient a une forte fièvre
• sa peau présente une coloration jaune
• il a des nausées
20
Le patient a 38.9°C
En logique classique: le patient n’a pas de forte fièvre =>
pas d’hépatite
En logique floue: le patient a une forte fièvre à 50% =>
hépatite à x%
21
La plupart des problèmes auxquels sont
confrontés les êtres humains sont modélisables
mathématiquement, mais les problèmes du
monde réel nécessitent parfois des informations
imprécises et incertaines.
Le fait d’apprécier les données de manières

approximatives et imprécises et non de manière
quantitative est l’intérêt fondamental de la
logique floue,
22
CONCLUSION
La logique floue peut s’appliquer dès
qu’une problématique se base sur une
modélisation comportementale ou un
raisonnement subjectif Elle ouvre donc la
possibilité à de nombreuses applications
notamment :
la modélisation de comportements
associés à un sentiment de satisfaction
la modélisation de décisions liées, en
partie, à une intuition.
23
Merci pour votre aimable attention!!!!
24

TPE Logique Floue

Transféré par

Droits d'auteur :

Formats disponibles

TPE Logique Floue

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TPE Logique Floue

Transféré par

Droits d'auteur :

Formats disponibles

ECOLE NATIONALE SUPERIEURE DES SCIENCES

EXPOSE DE THEORIE DES FILES D’ATTENTE

Master 2 recherche IEA

THEME: MODELISATION PAR LA LOGIQUE FLOUE

La gestion du risque fait appel depuis fort

Par contraste, les modèles de logique floue

En introduisant la notion de degré dans la

Les variables prédictives sont des modalités

C’est transformation des variables en variables floues

Donner l’univers du discours : plage de variations possibles

Construction de règles (et de résultats)

Sur la base des catégories précédemment

Une véracité pour chacune des règles est alors calculée.

Calculer la règle d’activation revient à croiser la

Deux méthodes sont applicables pour obtenir la valeur

Exemple: Un patient atteint d’hépatite présente

Le fait d’apprécier les données de manières

Vous aimerez peut-être aussi