Intelligence artificielle - Systèmes de logique floue
Les systèmes de logique floue (FLS) produisent une sortie acceptable mais définitive en réponse à une entrée incomplète, ambiguë, déformée ou inexacte (floue).
Qu'est-ce que la logique floue?
La logique floue (FL) est une méthode de raisonnement qui ressemble au raisonnement humain. L'approche de FL imite le mode de prise de décision chez l'homme qui implique toutes les possibilités intermédiaires entre les valeurs numériques OUI et NON.
Le bloc logique conventionnel qu'un ordinateur peut comprendre prend une entrée précise et produit une sortie définie comme TRUE ou FALSE, ce qui équivaut au OUI ou NON de l'homme.
L'inventeur de la logique floue, Lotfi Zadeh, a observé que contrairement aux ordinateurs, la prise de décision humaine comprend une gamme de possibilités entre OUI et NON, telles que -
| OUI, CERTAINEMENT |
| POSSIBLEMENT OUI |
| JE NE PEUX PAS DIRE |
| POSSIBLEMENT NON |
| CERTAINEMENT PAS |
La logique floue travaille sur les niveaux de possibilités d'entrée pour atteindre la sortie définie.
la mise en oeuvre
Il peut être implémenté dans des systèmes de différentes tailles et capacités allant des petits microcontrôleurs aux grands systèmes de contrôle en réseau basés sur des postes de travail.
Il peut être implémenté dans le matériel, le logiciel ou une combinaison des deux.
Pourquoi la logique floue?
La logique floue est utile à des fins commerciales et pratiques.
- Il peut contrôler les machines et les produits de consommation.
- Il peut ne pas donner un raisonnement précis, mais un raisonnement acceptable.
- La logique floue permet de gérer l'incertitude de l'ingénierie.
Architecture des systèmes à logique floue
Il comporte quatre parties principales comme indiqué -
Fuzzification Module- Il transforme les entrées du système, qui sont des nombres nets, en ensembles flous. Il divise le signal d'entrée en cinq étapes telles que -
| LP | x est grand positif |
| MP | x est moyennement positif |
| S | x est petit |
| MN | x est moyennement négatif |
| LN | x est un grand négatif |
Knowledge Base - Il stocke les règles IF-THEN fournies par des experts.
Inference Engine - Il simule le processus de raisonnement humain en faisant des inférences floues sur les entrées et les règles IF-THEN.
Defuzzification Module - Il transforme l'ensemble flou obtenu par le moteur d'inférence en une valeur nette.
le membership functions work on ensembles flous de variables.
Fonction d'adhésion
Les fonctions d'appartenance vous permettent de quantifier un terme linguistique et de représenter graphiquement un ensemble flou. UNEmembership functionpour un ensemble flou A sur l'univers du discours X est défini comme μ A : X → [0,1].
Ici, chaque élément de X est mappé à une valeur comprise entre 0 et 1. Il est appelémembership value ou degree of membership. Elle quantifie le degré d'appartenance de l'élément en X à l'ensemble flou A .
- L'axe des x représente l'univers du discours.
- L'axe des y représente les degrés d'appartenance dans l'intervalle [0, 1].
Il peut y avoir plusieurs fonctions d'appartenance applicables pour fuzzifier une valeur numérique. Les fonctions d'appartenance simples sont utilisées car l'utilisation de fonctions complexes n'ajoute pas plus de précision dans la sortie.
Toutes les fonctions d'adhésion pour LP, MP, S, MN, et LN sont montrés comme ci-dessous -
Les formes de fonction d'appartenance triangulaires sont les plus courantes parmi diverses autres formes de fonctions d'appartenance telles que trapézoïdale, singleton et gaussienne.
Ici, l'entrée du fuzzifier à 5 niveaux varie de -10 volts à +10 volts. Par conséquent, la sortie correspondante change également.
Exemple de système de logique floue
Considérons un système de climatisation avec un système de logique floue à 5 niveaux. Ce système ajuste la température du climatiseur en comparant la température ambiante et la valeur de température cible.
Algorithme
- Définir les variables et les termes linguistiques (début)
- Construisez pour eux des fonctions d'appartenance. (début)
- Construire une base de connaissances des règles (début)
- Convertissez des données nettes en ensembles de données flous à l'aide des fonctions d'appartenance. (fuzzification)
- Évaluez les règles dans la base de règles. (Moteur d'inférence)
- Combinez les résultats de chaque règle. (Moteur d'inférence)
- Convertissez les données de sortie en valeurs non floues. (défuzzification)
Développement
Step 1 − Define linguistic variables and terms
Les variables linguistiques sont des variables d'entrée et de sortie sous la forme de mots ou de phrases simples. Pour la température ambiante, froid, chaud, chaud, etc. sont des termes linguistiques.
Température (t) = {très froid, froid, chaud, très chaud, chaud}
Chaque membre de cet ensemble est un terme linguistique et il peut couvrir une partie des valeurs de température globales.
Step 2 − Construct membership functions for them
Les fonctions d'appartenance de la variable de température sont comme indiqué -
Step3 − Construct knowledge base rules
Créez une matrice des valeurs de température ambiante par rapport aux valeurs de température cible qu'un système de climatisation devrait fournir.
| Température ambiante. /Cible | Très froid | Du froid | Chaud | Chaud | Très chaud |
|---|---|---|---|---|---|
| Très froid | Pas de changement | Chaleur | Chaleur | Chaleur | Chaleur |
| Du froid | Cool | Pas de changement | Chaleur | Chaleur | Chaleur |
| Chaud | Cool | Cool | Pas de changement | Chaleur | Chaleur |
| Chaud | Cool | Cool | Cool | Pas de changement | Chaleur |
| Très chaud | Cool | Cool | Cool | Cool | Pas de changement |
Construisez un ensemble de règles dans la base de connaissances sous la forme de structures IF-THEN-ELSE.
| Sr. No. | État | action |
|---|---|---|
| 1 | SI température = (Froid OU Très Froid) ET cible = Chaud ALORS | Chaleur |
| 2 | SI température = (chaude OU très chaude) ET cible = chaude ALORS | Cool |
| 3 | SI (température = chaud) ET (cible = chaud) ALORS | Pas de changement |
Step 4 − Obtain fuzzy value
Les opérations d'ensemble flou exécutent l'évaluation des règles. Les opérations utilisées pour OR et AND sont respectivement Max et Min. Combinez tous les résultats de l'évaluation pour former un résultat final. Ce résultat est une valeur floue.
Step 5 − Perform defuzzification
La défuzzification est ensuite effectuée selon la fonction d'appartenance pour la variable de sortie.
Domaines d'application de la logique floue
Les domaines d'application clés de la logique floue sont les suivants:
Automotive Systems
- Boîtes de vitesses automatiques
- Direction à quatre roues
- Contrôle de l'environnement du véhicule
Consumer Electronic Goods
- Systèmes Hi-Fi
- Photocopiers
- Caméras fixes et vidéo
- Television
Domestic Goods
- Four à micro-ondes
- Refrigerators
- Toasters
- Aspirateurs
- Machines à laver
Environment Control
- Climatiseurs / sécheuses / appareils de chauffage
- Humidifiers
Avantages des FLS
Les concepts mathématiques dans le raisonnement flou sont très simples.
Vous pouvez modifier un FLS en ajoutant ou en supprimant simplement des règles en raison de la flexibilité de la logique floue.
Les systèmes à logique floue peuvent accepter des informations d'entrée imprécises, déformées et bruyantes.
Les FLS sont faciles à construire et à comprendre.
La logique floue est une solution à des problèmes complexes dans tous les domaines de la vie, y compris la médecine, car elle ressemble au raisonnement humain et à la prise de décision.
Inconvénients des FLS
- Il n'y a pas d'approche systématique de la conception de système flou.
- Ils ne sont compréhensibles que lorsqu'ils sont simples.
- Ils conviennent aux problèmes qui ne nécessitent pas une grande précision.