Professional Documents
Culture Documents
y(t)
Système
u(t) e(t) y(t)ŷ(t) (t)
ŷ(t)
Modèle
Modélisation des Systèmes Non linéaires
décrits par SIF de type Mamdani
But : Elaboration d’un SIF de M règles de type Mamdani
permettant de reproduire le comportement d’un système non
linéaire à partir d’un ensemble de données entrée/sortie.
Rl Si x1 est F1l et …. et xn est Fnl alors y est Gl
où
l=1 … M : l’indice de la règle
Fil : désigne le lème ensemble flou qui caractérise la ième variable xi
Gl : désigne le lème ensemble flou qui caractérise la variable y.
y i G' ( yi )
y i 1
k
i 1
G' ( yi )
y
l
Si on considère que les points modaux y des valeurs floues de la
sortie Gl(l=1, ….,M) (Gl (y l )1) pour calculer le centre de gravité(
y i y i ), on a G'(yi)G'(yi)
M M n
y i
G'
i
(y ) y l
Fil
(xi)
y i 1M yˆ f(x) l M1 n
i 1
G' )
i 1
(yi
Fil
(xi)
l 1 i 1
n
B(y l )F (x1)F (xn)F (xi)
j j
i
l
1 n
i 1
i 1 i
l
M
y l l
z
a(x)
ŷf(x) l 1
x x l 2 M
b(x)
M n
exp i l i l 1
z
l
l 1 i 1 i
- Validation du modèle
Algorithme du gradient
Il repose sur un développement de e() limité au premier ordre
T
ef(x, y,q) e(k l) e(k) e DqO Dq
q qq(k) T
e est le gradient du critère, vecteur colonne noté gk. De e
q qq(k) q qq(k) Dq
Puisque e(.) est à minimiser, nous cherchons à minimiser De. A IlDqll fixé,
cela conduit à choisir Dq colinéaire au gradient mais de sens opposé, soit
Dq l g(q(k)) d'où AG q(k 1)q(k)l e
q qq(k)
Imaginons une personne abandonnée les yeux bandés au flan d'une
montagne. Pour rejoindre la vallée, il lui faut minimiser son altitude en
agissant sur sa position. La politique du gradient revient à tâter le terrain
autour de la position actuelle pour déterminer la direction de plus grande
pente, puis à partir dans la direction opposée. Inutile de dire que cette
politique à courte vue peut conduire à de sérieuses déconvenues !
Algorithme d’identification
Supposons que nous avons les données entrée-sortie caractérisant
le comportement de système non linéaire à modéliser (x, y) où
a) Estimation de y l (k)
y l (k 1) y l (k) el
y k
y f l 2(x x )
l p l
xi (k 1)xi (k)(f y)
l l i i
z l2
b i k
Algorithme d’identification
c) Estimation de i (k)
l
yl f l 2(x i x i)
p l 2
i (k 1)i (k)(f y)
l l
z l3
b i k
Application
y(k+1)=f(y(k),y(k-1),…..,y(k-n+1) ;u(k),….,u(k-m+1))
Où
- f est une fonction inconnue que nous voulons identifier.
- u et y sont les entrées et les sorties du système
- n et m sont des entiers naturels.
Structure d’identification
Structure Parallèle Structure Série-Parallèle
Système y Système y
Non linéaire Non linéaire
+ +
u e u e
- -
Système Système +
Flou Flou