TP6 Réseau D'ANFIS Ghiri Siradj Eddine

République algérienne démocratique et populaire
Ministère de l'enseignement supérieur et de la recherche scientifique
Université des frères Mentouri Constantine
Faculté des sciences de la Technologie
Département d'électrotechnique
TP N°6 : Commande par contrôleurs basés
sur un réseau Neuro-flou adaptatif (ANFIS)
Présenté par :
Ghiri Siradj Eddine

1. Introduction au réseau (ANFIS)
Les systèmes neuro-flous sont apparus de I ’association des réseaux de neurones et de la
logique floue.
La logique floue permet une spécification rapide des taches 4 accomplir 4 partir des
connaissances symboliques disponibles. Le réglage précis du système obtenu et
l’optimisation de ses différents paramètres reste néanmoins beaucoup dans de nombreux cas
assez difficile.
En revanche les modèles les plus courant des RNA n’autorisent pas l’incorporation de
connaissance a priori mais permet de régler par apprentissage le comportement précis du
système.
Le principal type d'association entre les réseaux de neurones et les systèmes flous est le cas
où un système d'inférence flou est mis sous la forme d'un réseau multicouche, dans lequel
les poids correspondent aux paramètres du système d’inférences floue.
1.2 Architecture du réseau ANFIS
Le système hybride ANFIS (Adaptive Network Basé Fuzzy Inférence System) proposé par
Jang est un système d'inférence neuro-flou adaptatif. Il consiste à utiliser un réseau de
neurone MLP a 5 couches dont chacune est destinée à la réalisation d’une étape d’un
système d’inférence floue de type Takagi-Sugeno.

Couche 1 : Chaque neurone calcule le degré d'appartenance d’un sous ensemble flou
particulier par sa fonction de transfert (fuzzification). La seule restriction sur le choix de
cette fonction est sa dérivabilité. En trouve dans la littérature, l’utilisation des fonctions
gaussiennes dont les paramètres modifiables sont le centre et la pente de la gaussienne.
Si x est l’entrée du nœud i, Ai est le terme linguistique associé à sa fonction, il représente
donc le degré d’appartenance de x à Ai. Les paramètres d’un nœud de cette couche sont
ceux de la fonction d’appartenance correspondante.
Couche 2 : Elle sert à calculer le degré d'activation des prémisses. Chaque neurone dans
cette couche reçoit les sorties des neurones précédents de fuzzification et calcule son
activation. La conjonction des antécédents est réalisée avec l’opérateur produit.
Couche 3 : Chaque neurone calcul le degré de vérité normalisé d’une règle floue donnée.
La valeur obtenue représente la contribution de la règle floue au résultat final.
Couche 4 : Chaque neurone f de cette couche est relié à un neurone de normalisation
correspondant et aux entrées initiales du réseau. Il calcule le conséquent pondéré de la règle.
(𝑓
𝑖= 𝑎𝑖 𝑥 + 𝑏𝑖 𝑦 + 𝑐𝑖)
Couche 5 : Comprend un seul neurone qui fournit la sortie de ANFIS en calculant la somme
des sorties de tous les neurones de sortie.

2. Partie simulation
A. Regulation d’un MCC par un Correcteur Pi:
A la sortie :
Commentaire :
Comme remarqué déjà précédemment, le correcteur PI au moment de perturbation il a fait la
régulation de vitesse (reprendre a la vitesse initiale), avec les meilleur valeurs de Kp et Ki
précisées.

➢ Maintenant on va inclure le PI dans un system ANFIS :
On tape ‘anfisedit’ et on ajoute nos données erreur et command,
Les résultats sont presque identiques a ceux de la simulation précédente.
Après qu’on choisie 5 couches et le nombre de epochs 20 le training nous donne le résultat
suivant :
Comme petite remarque on voit que l’erreur diminue de façon normale chaque epoch.