48
Maria Rifqi-Berger DESS TSI Raisonnement flou Variables linguistiques et propositions floues Variables linguistiques Proposition floue générale Implication floue Raisonnement Flou Modus ponens classique Modus ponens généralisé Application du Modus ponens généralisé

Raisonnement flou

  • Upload
    kasa

  • View
    73

  • Download
    1

Embed Size (px)

DESCRIPTION

Raisonnement flou. Variables linguistiques et propositions floues Variables linguistiques Proposition floue générale Implication floue Raisonnement Flou Modus ponens classique Modus ponens généralisé Application du Modus ponens généralisé. Agé. Jeune. Très-jeune. 1. 0. Age. - PowerPoint PPT Presentation

Citation preview

Page 1: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Raisonnement flou Variables linguistiques et propositions floues

Variables linguistiques Proposition floue générale Implication floue

Raisonnement Flou Modus ponens classique Modus ponens généralisé

Application du Modus ponens généralisé

Page 2: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Variable linguistique Une variable linguistique est représentée par un triplet

(V, XV, TV) V : nom de la variable (age, taille, température, longueur,...) XV : univers des valeurs prises par V ( ,...)ℝ TV = {A1, A2, ...} : ensemble de sous-ensembles flous de XV,

utilisés pour caractériser V. Par exemple: (Age-Personne, [0,130], {Très-jeune,

Jeune, Agé})

1

0Age

Très-jeune Jeune Agé

Page 3: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Proposition floue Proposition floue élémentaire : qualification « V est A » d'une variable linguistique (V, XV, TV) Par exemple: « Age-personne est jeune »

Proposition floue générale : composition de propositions floues élémentaires de variables linguistiques qui peuvent être distinctes Soit « V est A » p.f.e. de (V, XV, TV), et « W est B » p.f.e. de (W, XW, TW),

Exemples de proposition floue générale : « V est A et W est B »« V est A ou W est B »

Page 4: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Proposition classique : valeur de vérité {0, 1} (FAUX ou VRAI)

Proposition floue : la valeur de vérité est un sous-ensemble flou à valeurs dans [0,1]

Valeur de vérité pA de « V est A » : fA fonction d'appartenance de A

Négation: « V n'est pas A » : pAc= fAc = 1-fA Valeur de vérité p d'une proposition floue générale : agrégation des valeurs de vérité pA et pB de chaque proposition floue élémentaireLe type d'agrégation dépend de la composition réalisée (et, ou,...)

Conjonction « V est A et W est B » : pAB= min(pA, pB) Disjonction « V est A ou W est B » : pAB= max(pA, pB)

Valeur de vérité d’une proposition floue

Page 5: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Règle de production : lien particulier (implication) entre 2 propositions floues« V est A W est B » est lue « si V est A alors W est B »« V est A » est la prémisse« W est B » est la conclusionPar exemple: « si Age-personne est Jeune alors Salaire est Bas »

Valeur de vérité de l'implication « V est A W est B » : évaluée par une fonction implicative fI : X x Y [0,1]

x X, y Y, fI(x, y) = (fA(x), fB(y))

est une fonction [0,1]x[0,1] [0,1] qui est équivalente à l'implication classique quand les propositions sont classiques.

Implication floue

Page 6: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Principales fonctions d'implication floue

fI(x, y) = (A(x), B(y))

-

Page 7: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Logique classique vs Logique floue

Page 8: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Modus ponens de la logique classiqueRègle: Prémisse ConclusionObservation: Prémisse-observéeDéduction: Conclusion

Modus ponens : règle de déduction pour inférer de la connaissanceRègle: H est humain H est mortelObservation: Socrate est humainDéduction: Socrate est mortel

Mode de raisonnement classique

Page 9: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Modus ponens généralisé : extension du MP aux propositions floues

Soient (V, XV, TV) et (W, XW, TW) deux variables linguistiques

Règle floue: V est A W est B fA fB

Observation floue: V est A' fA'

Déduction: W est B' fB'

fA, fB, et fA' sont connus, on recherche la valeur de fB'(y), y Y

Mode de raisonnement flou

Page 10: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Règle floue « V est A W est B » Implication x X, y Y, fI(x,y)= (fA(x), fB(y))

Le MPG combine la règle floue avec l'observation « V est A' » pour construire la conclusion B'

Opérateur de modus ponens généralisé : fonction T de [0,1]x[0,1] dans [0,1] pour combiner fI et fA'T est une t-normeT est liée à fI pour que le MPG soit compatible avec le modus

ponens classique. On a, pour tout y Y :

fB' = supx X T(fI(x,y), fA'(x))

Modus ponens généralisé

Page 11: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Une règle

Page 12: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Plusieurs règles

Page 13: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Exemple d’un système de règles floues

Page 14: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Max-Min inférence : exemple

Page 15: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Max-Min inférence : autre exemple

Page 16: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Exemples d'opérateurs de MPG Zadeh : u,v [0,1], T(u,v) = min(u,v)Utilisé avec les implications de Mamdani, Larsen,...

Lukasiewicz : u,v [0,1], T(u,v) = max(u+v-1,0)Utilisé avec les implications de Lukasiewicz, Reichenbach, Mamdani, Larsen,...

Page 17: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Applications du modus ponens généralisé

Commande floue : ensemble de règles floues + entrée numérique + sortie numérique Contrôle flou de processus Phase de défuzzification nécessaire

Systèmes experts flous : ensemble de règles floues + entrée floue + sortie floue Raisonnement flou, inférence de connaissances Pas de défuzzification

Raisonnement par analogie : ensemble de règles floues + entrée floue + sortie floue B' est à B ce que A' est à A ressemblance (A,A') doit être la même que

ressemblance(B,B')

Page 18: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Imprécisions et incertitudes Théorie des sous-ensembles flous

Modélisation des connaissances imprécises (« environ 20 ans ») ou vague (« jeune »)

traitement dans un même cadre des connaissances numériques et des connaissances symboliques

Ne permet pas de manipuler dans un même formalisme imprécisions et incertitudes ce qui est très généralement lié : « je suis sûr que nous

sommes en fin d'après-midi » mais « je ne suis pas certain qu'il soit exactement 17h30 »

De plus, un raisonnement basé sur des connaissances imprécises engendre souvent des incertitudes « Mon train est à 9h32, si je pars de chez moi vers 9h

quelle est la certitude que je puisse l'avoir? »

Page 19: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Théorie des possibilités Introduite en 1978 par L. A. Zadeh (puis popularisée

par Dubois et Prade), en liaison avec la théorie des sous-ensembles flous : But: raisonner sur des connaissances imprécises ou vague,

en introduisant un moyen de prendre en compte des incertitudes sur les connaissances.

Incertitudes non-probabilistes sur des événements : impossibilité d'évaluer correctement leur probabilité de réalisation. « Serais-je en salle 506 lundi 24 Novembre à 14h ? » Probabilité: ici, peu réaliste à évaluer « Il est relativement possible que je sois dans cette salle, et

c'est même assez certain. »

Page 20: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Soit un ensemble de référence fini X On souhaite attribuer à chaque sous-ensemble de X

(on parle alors d'événements) un coefficient compris entre 0 et 1 évaluant à quel point cet événement est possible.

Pour définir ce coefficient, on introduit une mesure de possibilité définie sur P(X), l'ensemble des parties de X, à valeur dans [0,1], telle que:

(∅)=0, et (X)=1 (A,B) P(X)2, (A∪B) = max((A), (B))

Un événement est tout à fait possible si la mesure de sa possibilité est égale à 1.

Mesure de possibilité

Page 21: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Mesure de possibilité : propriétés Une mesure de possibilité vérifie:

(A,B) P(X)2, (A∩B) ≤ min((A), (B)) En particulier, l'occurrence simultanée de 2

événements possibles peut être impossible Monotonie relativement à l'inclusion des

parties de X Si A B alors (A) ≤ (B)

A P(X), max((A), (Ac)) = 1 A P(X), (A) + (Ac) ≥ 1

Page 22: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Mesure de nécessité Une mesure de possibilité fournit une information sur

l'occurrence d'un événement mais elle ne suffit pas pour décrire l'incertitude existante sur cet événement (A) = 1 et (Ac)=1 peuvent être vérifiés en même temps:

indétermination complète sur la réalisation de A. On attribue à chaque événement un coefficient

évaluant à quel point la réalisation de cet événement est certaine.

Pour définir ce coefficient, on introduit une mesure de nécessité N définie sur P(X), à valeur dans [0,1], telle que :

N(∅)=0, et N(X)=1 ∀(A,B)∈ P(X)2, N(A∩B) = min(N(A), N(B))

Page 23: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Mesure de nécessité : propriétés Une mesure de nécessité vérifie:

(A,B) P(X)2, N(AB) ≥ max(N(A), N(B)) Monotonie relativement à l'inclusion des

parties de X Si A B alors N(A) ≤ N(B)

A P(X), min(N(A), N(Ac)) = 0 A P(X), N(A) + N(Ac) ≤ 1

Page 24: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Relations possibilité / nécessité Une mesure de nécessité N peut être obtenue à

partir d'une mesure de possibilité par : A P(X), N(A) = 1 - (Ac)

Plus un événement A est affecté d'une grande nécessité, moins son complémentaire Ac est possible.

On a de plus: A P(X), (A) ≥ N(A) A P(X), max((A), 1-N(A))=1

Page 25: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Distribution de possibilité Une mesure de possibilité est totalement définie

si on attribue un coefficient de possibilité à toute partie de X.

si on indique un coefficient seulement aux parties élémentaires de X, une partie quelconque étant l'union de parties élémentaires.

Une distribution de possibilité est une fonction définie sur X, à valeur dans [0,1], telle que : supxX (x) = 1

A partir d 'une distribution de possibilité , on construit une mesure de possibilité : A P(X), (A) = supxA (x)

Page 26: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Possibilité et nécessité ont été introduites pour quantifier la certitude sur un événement, elles s'appliquent à des sous-ensembles ordinaires de X

Pour des sous-ensembles flous de X, on peut indiquer dans quelle mesure ils sont possibles et/ou certains, à partir d'une connaissance préalable donnée sur X.

Ainsi, étant donnée une référence, i.e. un s.e.f. A de X, un autre s.e.f. B de X sera d'autant plus acceptable qu'il sera compatible avec A.

On évalue alors la possibilité de B relative à A par :

(B; A)= supxX min (fB(x), fA(x))

(B; A) mesure le degré maximal avec lequel un élément x de X peut appartenir à la fois à A et à B.

Possibilité de sous-ensemble flou

Page 27: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Nécessité de sous-ensemble flou Étant donnée une référence, i.e. un s.e.f. A

de X, un autre s.e.f. B de X sera d'autant plus acceptable qu'il sera compatible avec A.

On évalue alors la nécessité de B relative à A par : (B; A)= 1- (Bc; A)= infxX max (fB(x), 1-fA(x))

N(B; A) mesure le degré avec lequel B est inclus dans A.

Page 28: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Exemple On représente le concept de « vitesse rapide » par un s.e.f. Sur

l'espace des vitesses. Une moto roule à env. 100km/h. Questions:

Avec qu'elle certitude peut on dire que la moto roule avec une vitesse rapide?

Avec quel degré env. 100km/h signifie-t-il « vitesse rapide »?

90 100 110

1

0km/h

Rapide~100 km/h

Page 29: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Exemple : possibilité et nécessité(env.100; Rapide)= supxX min (fenv.100(x), fRapide(x)) = 0,6

(env.100; Rapide)= infx X max (fenv.100(x), 1-fRapide(x))= 0

1 Rapide~100 km/h

90 100 110

1

0km/h

Rapide~100 km/h

90 100 1100

km/h

0,6

Page 30: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Apprentissage non supervisé Étant donné un ensemble d'exemples (des

points dans un plan, ...) On ne connaît pas de classe à associer

aux exemples Il faut découvrir des classes, faire des

regroupements d'éléments similaires Clustering = construction de paquets

Page 31: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Méthodes de C-moyennes Une des plus anciennes méthodes de clustering existantes

(1967). Algorithme des C-means. Partition d'une population Affectation sans équivoque ( ou ) de chaque exemple à une

classe L'algorithme :

1. Sélection de c points (au hasard) : centroïdes.2. Affectation de chaque exemple au centroïde le plus proche (distance).

Constitution de clusters.3. Calcul de nouveaux centroïdes : on prend la moyenne, composante par

composante, pour tous les exemples d'un cluster.4. Retour à l'étape 2 jusqu'à stabilisation des frontières entre les clusters.

Page 32: Raisonnement flou

Maria Rifqi-Berger DESS TSI

C-moyennes: étape 1

XX

X

X

X

O

XX

XX

O

X

X

X

X

O X

XX

X

X

X

X

X

Page 33: Raisonnement flou

Maria Rifqi-Berger DESS TSI

C-moyennes: étape finale

X

X

XX

X

X

X

XX

XX

X

X

X

X

X

X X

X

X

X

X

X

X

OO

O

Page 34: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Méthodes des C-moyennes: Inconvénients

Problèmes de prise en compte des variables non-numériques (nécessité de posséder une mesure de distance) Traduction en valeurs numériques Construction de matrices de distances

Problème du choix du nombre de centroïdes c Problème du choix de la normalisation dans le

calcul de la distance (même poids pour chaque composante) Pondération, normalisation, agrégation

Page 35: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Méthode des C-moyennes floues Généralisation de l'algorithme des C-moyennes

Partition floue des données Fonctions d'appartenance aux clusters

Problématique : trouver une pseudo-partition floue et les centres des clusters associés qui représente le mieux la structure des exemples. Utilisation d'un critère permettant de mesurer les

associations fortes à l'intérieur d'un cluster, faibles à l'extérieur Index de performance

Page 36: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Rappels Pseudo-partition floue

Ensemble de sous-ensembles flous non vides {A1, A2,..,An} de X tel que:

xX,

C-partition floue Une c-partition floue (c>0) de X est une famille P

={A1, A2,..,Ac} de c sous-ensembles flous tels que :

1)(1

xAn

ii

c

kkic

c

iki nxAixAXx

11

)(0,et 1)(,

Page 37: Raisonnement flou

Maria Rifqi-Berger DESS TSI

C-moyennes flouesSoit X={x1, x2, ..., xn} un ensemble de données où chaque xk peut être un

vecteur: xk=(xk1, xk2,...,xkp)Étant donné une c-partition floue P= {A1, A2,..,Ac}, les c centres v1, v2,..., vc

associés à chaque cluster flou sont calculés par :

Avec mℝ, m > 1, influence des degrés d'appartenance. vi: centre du cluster flou Ai

Moyenne pondérée des données de Ai Le poids d'une donnée xk est la puissance mième de son degré

d'appartenance à Ai.

n

i

mki

k

n

i

mki

ic

xA

xxAvi

1

1

)(

)(,

Page 38: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Soit la c-partition floue P= {A1, A2,..,Ac}, son indice de performance est défini par:

Avec ||.||: norme sur ℝp qui permet de mesurer la distance entre xk et vi

Plus Jm(P) est faible, meilleure est P

Index de performance d'une partition floue

2

1 1

)()( ik

n

k

c

i

mkim vxxAPJ

Page 39: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Algorithme de Bezdek (1981) Algorithme d'optimisation d'une partition

floue: algorithme des c-moyennes floues (Fuzzy c-means).

Hypothèses: C connu, On possède une distance (mesure), Un réel m ]1,+∞[ est donné, Un nombre positif ℇ petit est donné (critère d'arrêt).

Page 40: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Algorithme de Bezdek Etape 1: Soit t=0, sélectionner une partition floue initiale P(0). Etape 2: Calculer les c centres v1

(t), v2(t),...,vc

(t) pour P(t) grâce à (1) Etape 3: Mise à jour de P(t) pour construire P(t+1): xk X,

Si alors

si pour quelque iI ℕc , alors on définit

pour iI par tout nombre réel >0 tel que:

et on définit pour tout iℕc-I

Etape 4: Comparer P(t) et P(t+1)

Si |P(t) - P(t+1)| ≤ ℇ alors on s'arrête, sinon on incrémente t et on retourne à l'étape 2. On a :

(distance entre les partitions)

ct

ik ivx , 0)(

c

j

n

tjk

tik

kt

ivx

vxxA

1

1

11

2)(

2)()1( )(

0)( tik vx )()1(

kt

i xA

0)()1( k

ti xA

Ii

kt

i xA 1)()1(

)()( max )()1(

,

)1()(k

tik

ti

ki

tt xAxAPPcc

Page 41: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Construction de clusters flous – Exemple

Page 42: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Construction de clusters flous – Résultat final

Page 43: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Arithmétique floue - Intervalles et nombres flous Un sef F est convexe si

(x, y)RxR, z [x,y], fF(z)min(fF(x), fF(y)) Propriété équivalente au fait que toute –coupe

de F est une partie convexe de R. Quantité floue : sef normalisé de R. Intervalle flou : quantité floue convexe Nombre flou : intervalle flou de fonction

d’appartenance semi-continue supérieurement et de support compact.

a bm

1

R0

Page 44: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Addition floue

Page 45: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Arithmétique floue – Intervalles flous de type L-R (1) Quantité floue I dont la fonction

d’appartenance dépend de 4 paramètres (m,m’,a,b) et de 2 fonctions L er R telles que : L(0)=R(0)=1 L(1)=0 ou L(x)>0 x avec limx L(x)=0 R(1)=0 ou R(x)>0 x avec limx R(x)=0 I=(m,m’,a,b)LR

' si '' si 1

si

)(

mxb

mxR

mxm

mxa

xmL

xf I

Page 46: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Arithmétique floue – Intervalles flous de type L-R (2) Cas particulier : nombre flou I=(m,a,b) LR

avec m=m’. Fonctions L et R particulières :

L(x)=R(x)=max(0,1-x) pour des intervalles flous trapézoïdaux ou des nombres flous triangulaires.

Page 47: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Arithmétique floue – Opérations sur les L-R I=(m,m’,a,b)LR J=(n,n’,c,d)LR alors : -I=(-m’,-m,b,a)RL I J = (m+n, m’+n’, a+c, b+d)LR I J = (m-n’, m’-n, a+d, b+c)LR si L=R

Page 48: Raisonnement flou

Maria Rifqi-Berger DESS TSI

Fonction appliquée à un nombre flou