Controle neuro-flou robuste des systèmes non-linéaires

A1

N

*

W1 W1

X1

A2

W1.F1

?

N

*

B2

B1

F

W2.F2

X2

W2 W2

X1 X2

Couche 1 couche 2 couche 3 couche 4 couche 5

Figure III.1 : Structure ANFIS de deux règles

Couche 1 :

Chaque neurones réalise l'opération de fuzzification , la sortie est donnée par :

O1.1 = ì_A1 (x₁)

O1.2 = ì_A1 (x₁)

O1.3 = ì_A1 (x₁)

O1.4 = ì_A1 (x₁)

Couche 2 :

Couche d'inférence : chaque neurone calcul le degré d'activation de chaque règle , appliquant une conjonction MIN ou PROD .

O2.i = wi = ì_Ai (x₁) . ì_Bi (x₂) . i = 1 , 2 . ( III . 1 )

Couche3 :

couche de normalisation , la sortie de chaque neurone est donnée par :

O3i = w i = wi / (w1 + w2 ) . i = 1 , 2 . ( III . 2 )

Couche4 :

Dans cette couche la sortie est

O1,i = O3i. Fi = O3i . ( pi .xi + qi.x2 + ri ) i = 1 , 2 . ( III . 3 )

Ou {pi , qi , ri }sont les paramètres de Takagi , Sugeno .

Chapitre III : Réseaux neuraux flous

Couche 5 :

Couche de defuzzification , la méthode la plus utilisée à cette situation est celle des moyennes pondérées ( weited average defuzzification ) .

La sortie est :

F = ( w1.F1 + w2 . F2 ) / (w1+w2) ( III . 4 )

Les poids ou les paramètres des premises sont optimisés par l'algorithme de la

Rétro - propagation basée sur la descente du gradient .

A- L'architecture basée sur le raisonnement de Mamdani représentée par la structure FLP

( fuzzy logic processor ) [25] .

La structure de cette architecture est la suivante :

X1

F