Chapitre III : Réseaux neuraux flous
III.1 Introduction :
Dans des systèmes employant une logique de raisonnement ,
l'apprentissage consiste soit à augmenter la base de connaissance en
créent de nouveaux objet correspondant au schémas
déjà connus , soit à créer de nouvelles structures
de connaissances , ce qui est beaucoup plus difficile .
Il s'agit en effet dans le second cas de
généré de nouvelles règles , par exemple , de faire
émerger une nouvelle connaissance , c'est a dire d'apprendre
effectivement .
Le fonctionnement d'un apprentissage demande essentiellement
d'être confronté à des exemples et d'être capable de
s'y adapter , et de généraliser la connaissance .
De ce fait , une technique très prometteuse aujourd'hui ,
il s'agit ( des réseaux de neurones )
Ceux ci correspond en effet parfaitement aux conditions
énoncées , ils sont capables de s'adapter à des exemples
donner , de les apprendre par coeur , mais aussi de
généralisé et de répondre sur des cas non appris
.
L'inconvénient de cette technique , est qu'on ne sait pas
encore très bien extraire des règles à partir d'un
réseau de neurones qui a appris , d'ou l'utilité d'employé
( la logique floue ) en combinaison avec les réseaux de
neurones .
La logique floue tel que Zadeh la cocus , est incapable
d'apprendre la connaissance , contrairement aux réseaux de neurones ,
d'un autre point de vue , les réseaux de neurones ont besoin d'un
minimum d'information , tandis que la logique floue demande une connaissance
détaillé sur le problème à résoudre .
La solution apporté est l'introduction de la notion
d'extraction automatique des connaissances sans besoin relatif de l'expert .
Cependant , la conjonction de la méthode d'extraction
automatique avec l'expérience humaine permet d'obtenir un FLC de
degré d'efficacité et de souplesse de manipulation
élevé.
III.2 Extraction automatique des
connaissances :
Ces méthodes sont basées sur l'apprentissage pour
déduire l'information suffisante pour traiter un problème
quelconque dans un environnement complexe .
Les deux approches les plus rencontrées dans la
littérature sont :
1- Approche à auto - apprentissage ou directe .
2- Approche connexionniste .
III.2.1 : Approche à auto - apprentissage ou
directe :
Les travaux de Mamdani et de Procyk ont conduit au
développement du premier contrôleur à auto - apprentissage
( SOC : Self Organizing Controller ) , il possède une structure
hiérarchique constituée de deux bases de règles :
La première est d'ordre général , la seconde
est construite à partir de méta - règles qui crée
et modifie la base de règle générale .
Donc ce contrôleur expose la capacité humaine
d'apprentissage et de modification .
Chapitre III : Réseaux neuraux flous
Les règles sont adaptées en cours de fonctionnement
et peuvent donc suivre les modifications du processus a contrôler , cette
stratégie est utilisée pour l'apprentissage des paramètres
d'un FLC par application directe d'une méthode
d'optimisation [18] [19] [20] [21] .
La méthode la plus utilisée est celle de descente
de gradient .
| 
