Controle neuro-flou robuste des systèmes non-linéaires

I.9 La structure des systèmes a base de la logique flou :

Le système à base de la logique floue effectue un application de U Rⁿ à V R

Avec : U = U₁ . U₂ . . . U_n .

Il est constitué de quatre blocks comme c'est illustré sur la figure :

Base de connaissance

Interface de fuzzification

Interface de défuzzification

entrée sortie

Engin d'inférence flou

floue floue

Processus

entrée numérique Sortie numérique

Figure I.10 : structure de base d'un système flou

Chapitre 1 : La logique floue

Le contrôleur flou est composé de deux interfaces ( fuzzification , defuzzification ) , et d'une base de connaissance , et d'un engin d'inférence .

I.9.1 Interface de fuzzification :

Cet interface converti les variables d'entrées en valeurs linguistiques à l'échelle de l'univers de discours choisi [13] .

L'opération de fuzzification permet d'assurer le passage des grandeurs physiques d'entrées du contrôleur en variables linguistiques qui peuvent être traitées par les inférences .

Un opérateur de conjonction ( une norme triangulaire , généralement T_Zadeh = min )

doit être déterminé pour définir le sous ensemble flou conjoint associé à la partie condition de la règle .

Il y a au minimum deux choix de convertir l'entrée numérique en un ensemble flou A définie dans U .

A - fuzzification singleton :

ou l'opérateur de fuzzification convertie la valeur numérique x U en un singleton flou A_i dans U tel que

1 si x= x₀

ì_Ai(x) =

0 si x ? x₀

Exemple :

ì_Ai(x) min ì_Ai(x)

1

x₀ x x₀ x

Figure I.11 : fuzzification singleton

Cette stratégie est largement utilisée dans les applications de contrôle flou, car elle est facile à implémenter .

Chapitre 1 : La logique floue

B - Fuzzification non-singleton :

C'est une fuzzification pour la quelle ì_Ai(x) est égal à l'unité si x =x₀ et décroît quand on s'éloigne de x .

Exemple :

min

ì_Ai(x) ì_Ai(x) ì_Ai(x) . ì_Ai(x)

x₀ x x₀ x

Figure I.12 : fuzzification non singleton