Academic literature on the topic 'Systèmes flous – Informatique'

La plupart des méthodes et outils, développés pour vérifier la cohérence des bases de connaissances, se sont situées dans des formalismes proches de la logique classique car, cela permettait de disposer d'un cadre formel rigoureux et relativement bien défini. Or, si celle-ci se prête bien à la modélisation des connaissances dans des domaines assez bien formalisés, elle ne permet pas de représenter des connaissances de sens commun. Il est ainsi impossible en logique classique de représenter (et de raisonner avec) des informations imparfaites. C'est ainsi que de nouveaux formalismes de représentation de connaissances sont apparus permettant ainsi de manipuler des informations de sens courant. Nous nous intéressons dans cette thèse au problème de la vérification de la cohérence des bases de connaissances imprécises ou incertaines. Le cadre choisi est le raisonnement approximatif basé sur la théorie des possibilités et celle des sous-ensembles flous. Dans ce cadre, nous définissons un modèle conceptuel de cohérence, c'est-à-dire, un ensemble de propriétés que doivent vérifier les bases de connaissances cohérentes. Notre système permet de vérifier la cohérence statique d'une base de connaissances, c'est-à-dire la cohérence des différentes entités structurelles de la base. Pour la vérification dynamique de la base de connaissances, nous tirons parti des travaux qui ont été menés dans le cadre de la résolution des équations des relations floues et mettons au point un schéma abductif flou. Ce schéma permet de générer les bases de faits initiales qui, confrontées aux contraintes de cohérence définies au moment de l'élaboration de la base de connaissances, permettent de constater l'incohérence de la base de connaissances. A contrario, l'absence d'une telle base de faits permet d'établir la cohérence dynamique de la base de connaissances.

Le présent travail concerne le développement d'un système à base de connaissances pour l'identification des procédés industriels, appelés OBJET-SEXI, ainsi que de son interface graphique dédiée (GRAFOS), permettant d'exploiter aisément les résultats des «raisonnements» du système expert. Ce système est à situer dans la famille assez récente―et déjà large―des outils de conception assistée par ordinateur des systèmes de commande (CAOSC) en automatique. OBJET-SEXI a été conçu au LAG. Il admet une base de connaissances mixte, comprenant une partie structurée sous forme d'objets, et une autre implémentée par des modules de règles. Les objets structurés représentent la partie statique (ou théorique) de la connaissance. Des bases de règles locales, relativement petites (10 à 15 règles en moyenne) sont attachées aux objets pour permettre l'affectation des facettes de certains attributs des objets. Les bases de règles permettent d'implémenter des connaissances dynamiques (ou empiriques) sur l'identification des procédés. D'autre part, des fonctions d'appartenance floues sont utilisées pour décrire qualitativement les grandeurs quantitatives incertaines et/ou imprécises, issues des calculs numériques liés à l'estimation des coefficients, comme par exemple la proximité des pôles et zéros, l'allure des corrélations, etc. OBJET-SEXI agit en superviseur, alternant le lancement du module algorithmique de calcul (estimations des coefficients, calculées par un progiciel appelé CASTOR) et le raisonnement sur les grandeurs floues. Des multiples facilités d'édition des résultats, dont l'interface graphique GRAFOS, permettent à l'utilisateur d'avoir rapidement et aisément accès à des informations intéressantes. Toute la partie système superviseur (dont l'interface graphique) a été implémentée en Sun Common-Lisp 3. 0. 0. L'ensemble du progiciel (i. E. OBJET-SEXI et CASTOR) a été testé avec succès sur les stations de travail suivantes: Sun 3/60, Sparc 1, Sparc 1+

Le travail présenté dans cette thèse porte sur la commande adaptative de systèmes robotiques complexes et traite, en particulier, le problème du contrôle en effort. Les difficultés liées à la modélisation de ce type de systèmes et le nombre de paramètres qui peuvent être mis en oeuvre limitent le champ d'application des approches conventionnelles, et justifient la nécessité de nouvelles approches de commande telles que les réseaux de neurones (RN) et les systèmes d'inférence flous (SIF). Bien que l'approche par RN donne souvent lieu à de bons! résultats de simulation ou d'expérimentation, elle présente certaines limites, liées, en particulier, à la nécessité de disposer d'un ensemble de couples d'entrée/sortie de référence ou à l'ininterprétabilité des paramètres à l'issue de l'apprentissage. Les SIF, contrairement aux RN, permettent directement d'exploiter la connaissance disponible, et de l'interpréter sous forme de règles linguistiques. Dans ce cadre, deux contributions sont présentées. La première, consiste à proposer une méthodologie de conception de SIF pour l'identification et la commande. La deuxième s'articule autour de la génération et de l'optimisation de contrôleurs flous en utilisant une méthode de classification basée sur la notion d'indice d'inclusion ayant pour but la réduction du nombre de règles et le maintien de l'interprétabilité. La notion d'indice d'inclusion permet de construire des bases de connaissance de taille raisonnable, avec des règles lisibles et interprétables, sans perte de précision. La démarche proposée est. Validée en simulation sur un robot à deux mobilités exécutant une tâche de suivi de contour. Selon une commande adaptative en effort externe. L'efficacité de la méthode, est bien mise en évidence, au niveau des temps et de l'erreur de convergence<br>The work presented in this thesis deals with adaptive control of complex robotics systems and treats, particularly, the problem of force control. The complex modeling of such systems along with the large number of control parameters, limit the application field of a conventional approaches and lead us to prospect new control approaches such as Neural Networks (NN) and Fuzzy Inference Systems (FIS). Although, NN often gives good simulation or experimentation results, however, this approach requires an input/output reference set and suffers from the absence of interpretability of system dynamics behavior. At the opposite to NN, the FIS approach permits, on one hand, to exploit the available knowledge without requiring an analytical model, which is difficult to obtain, and on the other hand, to translate the dynamics behavior into an expert valuation rules expressed in a simple language. In this framework, two contributions are presented. The first one consists in proposing a FIS conception methodology for identification and control. The second one consists in the generation and optimization of fuzzy controllers using clustering method based on an inclusion concept. This concept permits to build a knowledge base exhibiting a reasonable size and legible and interpretable rules, without loss of accuracy. The proposed approach has been validated in simulation on 2-DOF planar robot executing a following contour task according to an adaptive external force control. The efficiency of the proposed approach has been proved from time and error convergence point of view

L'élaboration de modèles à partir d'informations numériques et symboliques relatives au comportement du système constitue la problématique de ce mémoire. Dans le premier chapitre, nous confrontons l'approche suivie dans le domaine de l'identification, qui s'appuie principalement sur la prise en compte d'informations numériques, à l'approche système expert qui se fonde sur des informations symboliques. Nous proposons alors une stratégie de prise en compte de l'ensemble de ces informations reposant sur l'utilisation d'un modèle flou linguistique. L'estimation des paramètres de ce type de modèles à partir d'informations numériques conduit à deux approches possibles, classique ou floue. La seconde, que nous choisissons, possède l'avantage de faire apparaître des critères très précis quant au choix du modèle et de la méthode d'estimation paramétrique. Le deuxième chapitre est consacré à l'analyse des différentes modèles flous linguistiques et méthodes d'estimation paramétrique par rapport aux critères définis au chapitre 1. On constate que le seul modèle vérifiant ces critères est le modèle à règles graduelles mono-entrée mono-sortie. Parallèlement, on vérifie qu'aucune méthode d'estimation paramétrique ne répond aux conditions spécifiées. Au cours du troisième chapitre, le modèle à règles graduelles est étendu au cas multi-entrées mono-sortie. Une réécriture sous forme symbolique de ce modèle est proposée afin de définir une stratégie d'estimation paramétrique adaptée à notre contexte et fondée sur la résolution d'équations de relation floue. Une méthodologie d'identification permettant la prise en compte des informations numériques et symboliques est ensuite proposée. Elle est appliquée à la modélisation d'un système statique non linéaire, cette application mettant en évidence les caractéristiques essentielles de la méthode<br>Building models from numeric and symbolic information relating to system behavior is the subject of this thesis. In the first chapter, the approach used in the domain of identification which is mainly based upon numeric information is compared with the expert system approach which is based on symbolic information. Then, we propose a strategy which takes into account both types of information by using a linguistic fuzzy model. Parametric estimation of these kinds of models from numeric information leads to two possible methods, classical or fuzzy. The second, which is chosen for our development, has the advantage of highlighting two particular criteria for the choice of the model and the parametric estimation method. The second chapter presents the analysis of linguistic fuzzy models and parametric estimation methods, with respect to the criteria defined in chapter 1. We demonstrate that only one model verifies all criteria, the single-input single-output gradual rules model. We also emphasize that no parametric estimation method satisfies the specified conditions. In the third chapter, the gradual rules model is extended to the multi-inputs single-output case. A symbolic form of this model is then proposed in order to define a parametric estimation strategy which fulfills our criteria and is based on the resolution of fuzzy relational equations. A methodology of identification which takes into account numeric and symbolic information is proposed. This is applied to the modelling of a static non-linear system which showcases the main characteristics of the method

Notre travail s'interesse a la representation et au traitement des connaissances approximatives - les connaissances floues, incertaines et par defaut - dans une approche objet. Il repose sur une approche pluridisciplinaire, qui recouvre les themes suivants: langage de schemas, classification dans ces langages, elements de la theorie des ensembles flous et de la theorie des possibilites, elements de psychologie cognitive, concernant le domaine de la categorisation. Notre objectif consiste, d'une part, a proposer une approche souple et rigoureuse pour representer les connaissances en rendant possible l'introduction de connaissance approximatives dans une base de connaissances objets, et d'autre part, a definir une methode de classification d'instances qui s'inspire de travaux en psychologie cognitive. Nous proposons un modele objet pour representer les notions d'imprecision, d'incertitude et de typicalite, dans le langage support, objlog+, qui est un langage de schemas extensible. Nous decrivons de nouveaux schemas, et en particulier, de nouveaux aspects pour introduire ces notions dans une base de connaissances. Les mecanismes d'heritage ont ete etendus afin de prendre en compte la semantique particuliere des connaissances approximatives. La methode de classification approchee d'instances s'appuie, entre autre, sur l'introduction dans le modele objet, de connaissances de domaine qui orientent et ameliorent la classification. Des mecanismes d'appariement approche sont egalement definis (appariement flou, appariement semantique). Tous ces elements sont exploites par la methode de classification, qui repose sur le calcul de trois mesures: une mesure de comptabilite, une mesure d'incompatibilite et une mesure de typicalite entre l'instance a classer et un schema generique existant dans la hierarchie. Des inferences d'informations sont egalement realisees lorsque l'instance a classer a ete effectivement rattachee a un ou plusieurs schemas generiques solutions

Pour faciliter la mise au point de systèmes de reconnaissance de formes, nous proposons une méthodologie de classification visant à réunir un ensemble de propriétés rarement satisfaites dans une même approche : performances, généricité, fiabilité, robustesse, compacité et interprétabilité. Ce dernier point permet au concepteur d'adapter, de maintenir et d'optimiser le système plus facilement. L&rsquo;approche proposée, centrée sur la notion de connaissances dans un classifieur, est entièrement guidée par les données. L&rsquo;originalité réside notamment dans l&rsquo;exploitation conjointe de connaissances intrinsèques et discriminantes extraites automatiquement et organisées sur deux niveaux pour bénéficier au mieux de leur complémentarité : le premier modélise les classes par des prototypes flous et le second effectue une discrimination des formes similaires par des arbres de décision flous. L&rsquo;ensemble est formalisé par des systèmes d'inférence floue qui sont combinés pour la classification.

Delf2 est un système expert conçu pour établir le diagnostic à moyen terme d'une entreprise. Une étude préalable a montré qu'il était nécessaire de sortir de l'obligation de conclure toute proposition par vrai ou faux. L'aspect original de ce travail a impliqué une approche particulière du raisonnement artificiel dans le domaine de la gestion d'entreprise, qui se traduit par l'utilisation de la théorie des sous-ensembles flous et de la théorie des possibilités pour la représentation des connaissances et la conduite du raisonnement graduel. Les règles, qui contiennent les connaissances déductives, sont écrites afin de pouvoir utiliser des appréciations linguistiques, et traiter des informations imprécises et incertaines. Les métarègles, contiennent les connaissances procédurales, et assurent le pilotage du système ,en contrôlant la comparaison des valeurs floues ; l'utilisation optimale de toutes les règles regroupées en modules spécifiques ,est réalisée par itération<br>Defl2 is an expert system designed for the medium term analysis of a company. A preliminary study has demonstrated that it is necessary to put aside the obligation to settle all propositions on the basis of true or false. The original aspect of this work consists in a particular approach of artificial reasoning in the area of company management. This involves the use of the theory of fuzzy sub-groups and the theory of the possibilities concerning the representation of knowledge and the application of gradual reasoning. The rules, which include deductive knowledge, are written to make use of linguistic analysis, and process imprecise and uncertain information. The meta-rules include procedural knowledge and ensure the piloting of the system, by controlling the comparison of fuzzy data; the optimal use of all the rules regrouped into specific modules is achieved by means of repetition

L'objet de cette thèse est de déterminer les justifications qui peuvent ou pourraient rendre les réseaux de neurones artificiels essentiels pour résoudre les problèmes complexes que l'on rencontre en reconnaissance des formes avec apprentissage supervisé. Pour ce faire, nous nous sommes placés successivement selon quatre points de vue : analogique ou neuromimétique, statistique, informatique et pragmatique. Par rapport aux trois premiers points de vue qui constituent un ensemble de justifications a priori, aucun des principaux modèles connexionnistes n'est apparu complètement satisfaisant. En ce qui a concerne le point de vue pragmatique, nous avons été amené à développer une méthode et des outils permettant d'effectuer des mesures de performances sur des problèmes construits dont on contrôle la complexité. En particulier, nous avons développé un générateur probabiliste pouvant produire des échantillons théoriquement quelconques et dont, en pratique, on peut régler la complexité en termes de non-linéarité des frontières optimales de décision et d'empiètement des différentes classes de décision. On a pu alors étudier expérimentalement l'épineux problème théorique de la généralisation dans les systèmes de reconnaissance de formes connexionnistes tel que le MLP ceci autrement que sur des cas particuliers. Les expériences réalisées ont mis en évidence certaines relations entre la complexité intrinsèque du problème de reconnaissance des formes d'où est issu l'échantillon, la taille de cet échantillon, la capacité intrinsèque d'adaptation du système connexionniste étudié et la stratégie d'apprentissage. L'ensemble des résultats expérimentaux obtenus comblent partiellement le manque de résultats en théorie statistique de l'apprentissage tout en restant cohérents avec ceux qui sont connus. Ils montrent la nécessité d'une théorie de l'apprentissage moins mathématique et statistique et plus cognitive.

Notre recherche se situe dans le cadre d'un systeme expert specialise dans l'interpretation des images satellite et la resolution de problemes de teledetection. Notre travail se situe essentiellement dans la partie du systeme expert permettant l'evaluation et le calcul automatique du contexte topographique au niveau de chaque point. Dans une premiere partie, nous avons developpe une nouvelle methode permettant l'evaluation de la distance reelle entre chaque pixel de l'image et un objet quelconque defini par sa position geographique. L'avantage de la nouvelle mesure de distance reside dans le fait que les effets topographiques modelises par un modele numerique de terrain sont pris en compte. Nous avons ensuite defini une nouvelle methode d'extraction automatique du reseau hydrographique multi-niveau a partir d'un modele numerique de terrain. La seconde partie de notre etude a ete consacree au developpement de nouvelles techniques pour l'evaluation des premisses de regles modelisant des connaissances structurelles. Nous avons defini en premiere etape une methode de segmentation floue, permettant la description de chaque image de coefficients d'appartenance par un ensemble de regions floues. Chaque region floue ainsi extraite sera transformee en un ensemble aleatoire constitue par un ensemble fini de regions ordinaires representant les differentes possibilites de representation de la region floue de depart (region inconnue). Nous avons ensuite developpe un nouvel algorithme permettant a partir d'une connaissance structurelle de transformer un ensemble aleatoire en un autre, en s'assurant que la region floue representee par l'ensemble aleatoire final verifie plus ce contexte topologique. L'application de ces nouvelles techniques a la classification des images satellite par notre systeme expert et qui fusionne donnees numeriques et symboliques est un pas important vers la classification automatique des images satellite