Sur les modèles flous adaptatifs dynamiques

La contribution principale de ce travail de recherche est la proposition d'un modèle flou avec des fonctions d'appartenance dynamiques à paramètres ajustables en ligne, par un algorithme basé sur l'Apprentissage par Renforcement (AR). L'approche présentée prend en compte la dynamique des variables du système en introduisant, dans les fonctions d'appartenance d'un modèle flou, la valeur moyenne et la variance des variables d'entrée et de sortie du modèle au temps t. De cette manière, les ensembles flous se déplacent sur le domaine de discours des variables, en fonction des valeurs de la moyenne et de la variance échantillonnées ;ainsi, la possibilité d'obtenir des ensembles flous disjoints peut être minimisée. La propriété dynamique du modèle flou proposé est un atout pour résoudre les problèmes de commande de systèmes variant avec le temps, par exemple. Des exemples d'identification de fonctions non-linéaires, variant avec le temps, illustrent la capacité du modèle flou adaptatif dynamique pour l'identification des systèmes. Une application à la commande prédictive a été développée, en utilisant le modèle flou proposé comme modèle de prédiction et l'AR pour résoudre le problème d'optimisation de ce type de schéma de commande. Finalement, l'utilisation de l'information contenue dans les fonctions d'appartenance dynamiques du modèle flou à des niveaux supérieurs de supervision et diagnostic, a été aussi discutée comme perspective intéressante d'application de ce type de modèles.This work deals with the proposition of an adaptive fuzzy model with dynamical membership functions. The identification of the parameters of these membership functions is performed by a on-line reinforcement learning-based algorithm. This approach takes into account the system variables dynamic by incorporating the mean value and the variance, at time t, of the input and output variables of the fuzzy model into its membership functions.By this way, the fuzzy sets associated to the fuzzy variables, are relocated on the domain of discourse according to the sampled mean and variance values; thus, a disjointed partition of the fuzzy sets of the fuzzy model could be avoid. The dynamical property of the proposed fuzzy models is an asset in fuzzy control problems in case of time-varying nonlinear systems, for example. Classical examples related to the identification of time-varying nonlinear functions show the capabilities of the dynamical fuzzy models. An application to predictive control has been developed using the fuzzy model as one step ahead predictor and the reinforcement learning in the optimization problem of this type of control scheme. Finally, a discussion about the use of the information provided by the dynamical membership functions is presented in order to accomplish diagnosis and supervision tasks at upper levels.TOULOUSE-INSA (315552106) / SudocSudocFranceF