|
| Titre : | Réseaux de neurones et espace d'état pour l'identification et la prédiction | | Type de document : | theses et memoires | | Auteurs : | Karima Amoura ; Said Djennoune, Directeur de thèse | | Editeur : | Tizi Ouzou : UMMTO.FGEI | | Année de publication : | 2010 | | Importance : | 105 p. | | Présentation : | ill. | | Format : | 30 cm. | | Note générale : | Bibliogr. | | Langues : | Français | | Mots-clés : | Réseaux de neurones Représentation d’état Identification Prédiction Réseaux de
neurones à espace d’état, Systèmes dynamiques. | | Résumé : | 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. | | En ligne : | https://dl.ummto.dz/bitstream/handle/ummto/713/Amoura%20Karima-AUTO.pdf?sequence [...] | | Format de la ressource électronique : | PDF | | Permalink : | ./index.php?lvl=notice_display&id=24904 |
Réseaux de neurones et espace d'état pour l'identification et la prédiction [theses et memoires] / Karima Amoura ; Said Djennoune, Directeur de thèse . - Tizi Ouzou (Tizi Ouzou) : UMMTO.FGEI, 2010 . - 105 p. : ill. ; 30 cm. Bibliogr. Langues : Français | Mots-clés : | Réseaux de neurones Représentation d’état Identification Prédiction Réseaux de
neurones à espace d’état, Systèmes dynamiques. | | Résumé : | 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. | | En ligne : | https://dl.ummto.dz/bitstream/handle/ummto/713/Amoura%20Karima-AUTO.pdf?sequence [...] | | Format de la ressource électronique : | PDF | | Permalink : | ./index.php?lvl=notice_display&id=24904 |
|
Réseaux de neurones et espace d'état pour l'identification et la prédiction (2010) 
