Apprentissage de bases de règles floues : contribution à une étude systématique de l'approche de l'optimisation

par François Guély

Thèse de doctorat en Automatique

Sous la direction de Patrick Siarry.


  • Résumé

    Les bases de règles floues sont utilisées depuis les années 70 pour réaliser de nombreuses applications industrielles. Depuis la fin des années 70 des méthodes d'apprentissage automatique des bases de règles floues sont apparues, pour tenter de répondre aux besoins de rendre les bases de règles floues portables d'une application à une autre semblable, d'en systématiser la mise au point, et de les rendre adaptatives. Ces méthodes sont très étudiées aujourd'hui. Ce travail s'attache à étudier les méthodes qui utilisent les techniques d'optimisation pour effectuer l'apprentissage des fonctions d'appartenance. Le gradient, le recuit simulé et les algorithmes génétiques sont utilisés ici pour optimiser des bases de règles floues de Takagi-Sugeno. Un nouveau type de règles, les règles de Takagi-Sugeno centrées, est proposé. Il est démontré sur un cas simple et vérifié expérimentalement qu'elles permettent d'éviter des problèmes de convergence rencontrés avec le gradient. Enfin, trois applications industrielles de l'apprentissage à des automates programmables sont exposées: une méthode de commande avec apprentissage en temps réel, un approximateur simple, une méthode générale d'optimisation de bases de règles de Mamdani.

  • Titre traduit

    Learning fuzzy rule bases : contribution to a systematic study of the optimization approach


  • Pas de résumé disponible.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (VII-128 p.)
  • Annexes : Bibliogr. 107 réf.

Où se trouve cette thèse ?

  • Bibliothèque :
  • Disponible pour le PEB
  • Cote : T P1994/387
  • Bibliothèque :
  • Non disponible pour le PEB
  • Cote : TH 56568
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.