Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

See discussions, stats, and author profiles for this publication at: https://ww

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/333200979 République Algérienne Démocratique et Populaire Ministère de l'Enseignement Supérieur et de la Recherche Scientiﬁque POLYCOPIE DE COURS COMMANDE AVANCEE « Logique ﬂoue et réseaux... Book · May 2019 CITATIONS 0 READS 527 1 author: Some of the authors of this publication are also working on these related projects: Electrical machines and drives View project Kheira Mendaz 6 PUBLICATIONS 2 CITATIONS SEE PROFILE All content following this page was uploaded by Kheira Mendaz on 19 May 2019. The user has requested enhancement of the downloaded file. République Algérienne Démocratique et Populaire Ministère de l'Enseignement Supérieur et de la Recherche Scientifique Centre universitaire Belhadj Bouchaib Ain Temouchent Institut des sciences et de la technologie Département génie électrique POLYCOPIE DE COURS COMMANDE AVANCEE « Logique floue et réseaux de Neurone ‘ application à l’électrotechnique’» Parcours : commande système électrique M1 Année Universitaire : 2016-2017 Préparé et enseigné par : Dr : Mendaz Keira kheiram76@yahoo.com. Cours commande avancée « logique floue et réseaux de Neurone’’ application à l’électrotechnique’’» Page 2 Ce cours intitulé « Commande avancée » s’inscrit dans le cadre de la formation en Première Année MASTER en Electrotechnique de Centre Universitaire Belhadj Bouchaib d’Ain Temouchent. Je considère que le contenu s’adapte bien à la plupart des profils de formation de MASTER 1 en Electrotechnique auquel je suis confronté. Il a été rédigé originellement à l’attention des étudiants du Commande système électrique (CSE). Ce cours est composé de deux (02) parties : Partie 1 : la logique flou Partie 2 : Réseau de Neurone La première partie de ce cours concerne la commande par logique floue, dans cette partie en fait comprendre aux étudiants le principe et les étapes nécessaire pour avoir cette commande, il s’agit aussi de permettre aux étudiants de savoir les différentes calcule qui se passe dans cette commande, et même comment ils peuvent appliquer ce régulateur sur logiciel Matlab /Simulink. La deuxième partie parle sur le réseau de Neurones, nous intéressons dans cette partie à donné au étudiants un aidé sur le réseau Neurones où en cite leurs différentes structures ainsi les algorithmes utilisées dans cette commande. Finalement en riche l’information de ses étudiants par des exercices qui leur permettent de savoir et comprendre plus les algorithmes de calcul qui sont utilisés surtout dans le réseau de neurones multicouches. L’objectif est de permettre à l’étudiant de se familiariser rapidement avec ces deux commandes avancées qui sont la logique floue et le réseau de neurones, ainsi comprendre le contenu et le principe de chaque commande et la différence entre eux. Finalement, ce document est dynamique. Des mises à-jour seront rendues disponibles sur une base régulière. Je suis ouvert à toute suggestion de correction ou de modification de la part des lecteurs intéressés par les matières présentées, j’espère qu’ils y trouvent un support utile et un outil de travail intéressant, comme j’apprécie fortement leurs réactions, critiques et conseils. Toute erreur ou ambigüité relevée peut être communiqué à l’adresse suivante : kheiram76@yahoo.com. Cours commande avancée « logique floue et réseaux de Neurone’’ application à l’électrotechnique’’» Page 3 Table des matières Avant-propos PARTIE01 : LA LOGIQUE FLOUE 1. INTRODUCTION……………………………………………………………………..05 2. PRINCIPE……………………………………………………………………………...05 2.1.1. DIFFERENTES FORMES POUR LES FONCTIONS D’APPARTENANCE………07 2.2. OPERATEUR DE LA LOGIQUE FLOUE………………………………………07 3. REGLAGE ET COMMANDE PAR LOGIQUE FLOUE: …………………………………………….09 3.1. STRUCTURE D’UNE COMMANDE PAR LOGIQUE FLOUE ……………………….09 3.1.1. FUZZIFICATION…………………………………………………………………………………10 3.1.2. BASES DE REGLE ET METHODES D’INFERENCE…………………………………10 3.1.2.1. REGLE D’INFERENCE……………………………………………………………………10 3.1.2.2. DESCRIPTION DES REGLES PAR MATRICE D’INFERENCE………………11 3.1.2.3. LE CHOIX DES METHODES D’INFERENCE ………………………………………11 3.1.2.4. DEFUZZIFICATION…………………………………………………………………………13 4. AVANTAGES ET INCONVENIENTS DU REGLAGE PAR LOGIQUE FLOUE……………..14 4.1. AVANTAGE ………………………………………………………………………………………..14 4.2. INCONVENIENTS…………………………………………………………………………………14 5. EXERCICE………………………………………………………………………………………………………14 5.1. Exercice : 01………………………………………………………………………………………14 6. EXEMPLE D’APPLICATION DE LA LOGIQUE FLOUE (REGULATION DE LA VITESSE) SOUS MATLAB/SIMULINK:………………………………………………………………………………19 PARTIE02 : RESEAU DE NEURONE 7. INTRODUCTION………………………………………………………………………………………………24 7.1. DU NEURONE BIOLOGIQUE AU NEURONE ARTIFICIEL…………………………25 7.1.1. CORRESPONDANCE NEURONE BIOLOGIQUE/FORMEL…………………………25 7.2. NEURONE ARTIFICIEL…………………………………………………………………………26 7.3. DEFINITIONS………………………………………………………………………………………26 7.4. TOPOLOGIES……………………………………………………………………………………….28 7.4.1. LE PERCEPTRON MONO-COUCHE (ROSENBLATT, 1958)………………………28 7.4.2. LE PERCEPTRON MULTI COUCHES (M.MINSKY AND S.PAPERT, 1969)…29 7.4.3. RESEAU A CONNEXIONS LOCALES……………………………………………………….29 7.4.4. RESEAU A CONNEXIONS RECURRENTES……………………………………………...30 7.4.5. RESEAU A CONNEXION COMPLETE……………………………………………………...30 8. APPRENTISSAGE D’UN RESEAU DE NEURONES……………………………………………….30 8.1. DEFINITION APPRENTISSAGE SUPERVISE ET APPRENTISSAGE NON SUPERVISE……………………………………………………………………………………...30 8.1.1. APPRENTISSAGE NON-SUPERVISE ……………………………………………………...31 8.1.2. APPRENTISSAGE SUPERVISE (La rétropropagation) ……………………………31 8.1.3. APPRENTISSAGE PAR RENFORCEMENT : ……………………………………………31 9. ALGORITHMES D’APPRENTISSAGE………………………………………………………………….32 9.1. PRE-APPRENTISSAGE …………………………………………………………………………32 9.2. APPRENTISSAGE CONTINU………………………………………………………………….32 10. APPRENTISSAGE D’UN RESEAU DE NEURONES……………………………………………….32 Cours commande avancée « logique floue et réseaux de Neurone’’ application à l’électrotechnique’’» Page 4 11. LE PERCEPTRON MULTICOUCHE (MLP)……………………………………………………….32 11.1. LA RETROPROPAGATION PAR DESCENTE DE GRADIENT……………………33 11.1.1. AJUSTER LE POIDS………………………………………………………………………………36 11.1.2. AJUSTER LE SEUIL D’ACTIVITATION (BIAIS)…………………………36 12. LES MODES D’APPRENTISSAGE PAR RETROPROPAGATION DE GRADIENT……………………………………………………………………………36 13. EXERCICE ………………………………………………………………………………………………………37 13.1. EXERCICE: 01 ……………………………………………………………………………………..37 13.2. EXERCICE: 02………………………………………………………………………………………38 13.3. EXERCICE: 03………………………………………………………………………………………45 14. EXEMPLE D’APPLICATION DE RESEAU NEURONE SOUS MATLAB…………………….45 15. CREATION DE RESEAU DE NEURONE SOUS MATLAB…………….................47 Cours commande avancée « logique floue et réseaux de Neurone’’ application à l’électrotechnique’’» Page 5 1. INTRODUCTION La logique floue (en anglais fuzzy logic) est de grande actualité aujourd’hui. En réalité elle existait déjà depuis longtemps et nous pouvons diviser son histoire de développement en trois étapes. Ce sont les paradoxes logiques et les principes de l’incertitude d’hersnberg qui ont conduit au développement de la « logique à valeur multiples » ou » logique floue » dans les années 1920 et 1930. Les bases théoriques de la logique floue ont été établies en 1965 par les professeur Lotfi Zadeh. A cette époque, la théorie de la logique floue n’a pas été prise au sérieux. Ses principes ont été appliqués en 1974 par E.H.Mamdani à la construction d’un premier contrôleur flou. Des 1975, on trouve les premières applications au niveau des systèmes de réglage. A partir de 1985 environ, ce sont les Japonais qui commencent à utiliser la logique floue dans des produits industriels pour résoudre des problèmes de réglage et de commande. 2. PRINCIPE Dans la théorie des ensembles conventionnelle, une chose appartient ou n’appartient pas à un certain ensemble. Par exemple, ou exactement la différence entre les notions de température moyenne ou plutôt faible ? Elles sont relativement difficiles à spécifier de manière précise. C’est à partir de ce genre de constatation que L. A. Zadeh a développé sa théorie. Il a défini les ensembles flous comme étant des termes linguistiques du genre négatif, zéro, positif, petit, grand…..Ces termes existant aussi dans les ensembles conventionnels. Cependant ce qui différencie ces deux théories sur les ensembles proviennent des limites des ensembles. Dans les ensembles flous, il permet qu’une chose appartienne partiellement à un certain ensemble ; ceci s’appelle le degré d’appartenance qui peut varier entre 0 et1. Dans les ensembles conventionnels le degré d’appartenance est de 0 et1. Un exemple simple d’ensembles flous est la classification des températures en trois ensembles : faible, moyenne, élevée. La façon d’établir cette classification est présentée à la figure (I.1). [1][2] [3] [8] Cours commande avancée « logique floue et réseaux de Neurone’’ application à l’électrotechnique’’» Page 6 Faible Moyenne Elevée 0 1 15 25 40 Température (0 c) µ:Degré appartenance 0 1 15 25 40 Température (0 c) µ:Degré appartenance 0.8 0.2 Logique floue Logique classique Figure I.1. Classification des ensembles En logique booléenne, le degré d'appartenance (µ) ne peut prendre que deux valeurs (0 ou 1). La température peut être : • Faible : 0 ) ( , 0 ) ( , 1 ) (    T T T élevée moyenne faible    • Moyenne : 0 ) ( , 1 ) ( , 0 ) (    T T T élevée moyenne faible    • élevée : 1 ) ( , 0 ) ( , 0 ) (    T T T élevée moyenne faible    Elle ne peut pas prendre deux qualificatifs à la fois. En logique floue, le degré d'appartenance devient une fonction qui peut prendre une valeur réelle comprise entre 0 et 1 inclus. On note que les limites entre les trois sous ensembles ne varient pas soudainement, mais progressivement. Par exemple, ) (T moyenne  permet de quantifier le fait que la température puisse être considérée, à la fois, comme faible avec un degré d’appartenance de 0,2 et comme moyenne avec un degré d’appartenance de 0,8(figure I.1) 0 ) ( , 8 , 0 ) ( , 2 , 0 ) (    T T T élevée moyenne faible    Cours commande avancée « logique floue et réseaux de Neurone’’ application à l’électrotechnique’’» Page 7 2.1.DIFFERENTES FORMES POUR LES FONCTIONS D’APPARTENANCE En générale, on utilise pour les fonctions d'appartenance trois formes géométriques : trapézoïdale, triangulaire et de cloche. Les deux premières formes sont les plus souvent employées en raison de leur simplicité. [3][4][10] P1 P2 P3 P4 P3 P3 P3 P3 P2 P2 P2 P2 P1 P1 P1 P1 P4 P4 P4 P4 = Trapézoïdes Triangle Rectangle Figure I.2. Fonction d’appartenance de forme trapézoïdale, triangulaire, rectangulaire Dans la plupart des cas, en particulier pour le réglage par logique floue, ces deux formes sont suffisantes pour délimiter des ensembles uploads/Industriel/ commande-avancee.pdf