Remerciez-le!

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

Representation des connaissances et raisonnement 2 « Rapport du TP °2 : Contrôl

Representation des connaissances et raisonnement 2 « Rapport du TP °2 : Contrôleurs flous» CHIKH Khadidja Master 2 SII Groupe 1 02/12/2019 Introduction : Dans ce TP , il a été demandé de modéliser un ou plusieurs exercices de la série de TD « contrôleurs flous» en exploitant la « Fuzzy toolbox » de matlab. Pour cela, nous avons conçu et implémenté le contrôleur flou donné par l'exercice 3 de la série. La logique floue : La logique floue est un type de modélisation qui s’intéresse à la prédiction d’une variable catégorielle Y « subjective » au sens où elle n’est pas objectivable : elle dépend de l’observateur (l’individu est « grand », « moyen » ou « petit »). Ce cadre sort de la statistique classique dans lequel la valeur de la variable Y est objectivable (« l’individu mesure 176 cm »). L’application de la logique floue revient à tenter d’appliquer un raisonnement proche de la pensée humaine.[1] Etapes de construction d'un contrôleur flou : [2] Fuzzification : Représentation des entrées non floues. Moteur d'inférence : Injection des règles floues au moteur d'inférence. Défuzification : Convertir les résultats flous en des résultats non flous. Implémentation : Les figures au dessus illustrent la modélisation de l'exercice ,suivie par les résultats, en implémentant la methode de Mamdani : Modélisation : Les entrées (la vitesse V, le degré J et la distance D) sont modélisés par des trapèzes (la fonction trapmf) comme suit: [1] :https://actudactuaires.typepad.com/files/principe-de-la-logique-floue-1.pdf [2] : http://193.194.84.142/theses/electronique/MER5237.pdf Fuzzification : V: J: D: La sortie (angle de direction L) est modélisée par des triangles (la fonction trimf) : Les règles floues : Les règles d'inférences définissant la sortie L en fonction des v,j,d sont modélisées à l'aide de rule editor : Résultats : Pour répondre à la question : « à combien est estimé L si v=9m/s, j=65°,d=125 », nous avons entré ces valeurs et ensuite obtenu les résultats montrés dans la figure suivante : L est estimé à 95.6° En donnant comme entrées des valeurs appartenant à des classes dont nous n'avons pas de règles (ici nous avons pris des valeurs correspondantes à : faible-petit-élevée), nous avons obtenu : en changeant les valeurs vers d'autres des mêmes classes (ie faible-petit-élevée), nous obtenons toujours L=90 En changeant la règle °3 en la remplaçant par « si v=moyenne alors l est petit », nous obtenons toujours des résultats variant en fonction de la classe de v seulement: i.e. Les autres hypothèses ne sont plus supportées par R3. Conclusion : L'exploitation de la Fuzzy Toolbox de Matlab nous a permit, à travers ce TP, d'implémenter un moteur d'inférence basé sur un contrôleur flou et de le tester de manière facile et rapide en manipulant différents scénarios (sur les entrées, sur les règles..etc) uploads/Philosophie/m2sii-chikhkhadidja-tp2.pdf