Réseaux de neurones et espace d'état pour l'identification et la prédiction
Loading...
Date
2010
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Mouloud Mammeri
Abstract
Les réseaux de neurones artificiels, appelés aussi réseaux neuromimétiques, constituent aujourd’hui une technique de traitement de données bien comprise et bien maîtrisée. Notre travail consiste à étudier un type de réseaux de neurones artificiels dynamiques appelés réseaux de neurones à espace d’état, en anglais "State Space Neural Networks" ou SSNN. Les SSNN font partie des techniques de l’intelligence artificielle et trouvent des applications directes dans le domaine de l’Automatique. L’objectif de ce travail
est d’évaluer le potentiel (performances optimales) de cette technique dans le cadre de tâches de modélisation, d’identification et de prédiction des systèmes dynamiques en utilisant deux méthodes d’apprentissage, la méthode du gradient stochastique et la méthode de Levenberg-Marquardt. Le chapitre I de ce présent mémoire est consacré à la présentation des réseaux de neurones artificiels d’une manière générale. Dans le deuxième chapitre on introduit le réseau de neurones à espace d’état et comment le mettre en œuvre pour les taches de modélisation et d’identification des systèmes dynamiques. Le troisième chapitre est un chapitre de test et de résultats dans lequel nous modélisons des systèmes dynamiques linéaires et non linéaires de différents ordre avec des SSNN en utilisant pour cela les deux méthodes d’apprentissage mises en œuvre. Afin mettre en valeur l’efficacité du SSNN une comparaison entre ce type de réseau avec un réseau multicouche a été réalisée.
Description
105 f. : ill. ; 30 cm. (+ CD-Rom)
Keywords
Systèmes dynamiques, Réseaux de neurones à espace d’état, Prédiction, Identification, Représentation d’état, Réseaux de neurones
Citation
Option : Automatique des systèmes continus et productique