Algorithmes d'apprentissage pour systèmes d'inférence floue / P.Y. Glorennec (DL 1999, cop. 1999)

Public ISBD Titre : Algorithmes d'apprentissage pour systèmes d'inférence floue Type de document : texte imprime Auteurs : P.Y. Glorennec Editeur : Paris : Hermès science Année de publication : DL 1999, cop. 1999 Importance : 190 p. Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-2-7462-0044-9 Note générale : Bibliogr. p. 185-190. Index Langues : Français Mots-clés : Optimisation mathématique  Algorithmes optimaux  Apprentissage cognitif:modèles mathématiques  Systèmes flous:modèles mathématiques  Logique floue Index. décimale : 005101/005131 Résumé : La logique floue présente plusieurs facettes : celle qui est abordée dans Algorithmes d'apprentissage pour systèmes d'inférence floue concerne la représentation des connaissances sous une forme directement interprétable, en utilisant le formalisme des règles floues. Le problème se pose de savoir comment exprimer des connaissances et comment les réactualiser en fonction de l'expérience. La réponse à cette question passe par des représentations paramétriques adéquates et l'utilisation de méthodes d'optimisation sous contrainte. Il devient alors possible d'extraire des connaissances et d'optimiser des règles floues automatiquement, le tout à partir de données numériques disponibles. L'optimisation de règles floues a longtemps été réalisée de façon empirique. Différentes méthodes d'optimisation (on parle aussi d'apprentissage) ont vu le jour depuis le début des années 1990. Ces méthodes, souvent basées sur des réseaux de neurones ou des algorithmes génétiques, présentent l'inconvénient majeur de ne pas prendre en compte la sémantique des règles floues. La démarche choisie dans cet ouvrage insiste au contraire sur les spécificités des systèmes d'inférence floue pour en déduire des algorithmes appropriés, simples et performants, garantissant la sémantique tout au long de l'apprentissage. Note de contenu : Traitement numérique de la connaissance Optimisation sous contraintes Principales méthodes d'optimisation Apprentissage supervisé pour un SIF de structure donnée Optimisation structurelle supervisée (modèle DEL) Optimisation structurelle supervisée (modèle DED) Apprentissage indirect Association du neuronal et du flou Apprentissage par renforcement Applications Réduction d'un vocabulaire Méthode de Price et Storn Optimisation d'un SIF de structure donnée Algorithme des moindres carrés récursifs Potentiel d'un point. Permalink : ./index.php?lvl=notice_display&id=11677 Algorithmes d'apprentissage pour systèmes d'inférence floue [texte imprime] / P.Y. Glorennec . - Paris : Hermès science, DL 1999, cop. 1999 . - 190 p. : ill. ; 24 cm. ISBN : 978-2-7462-0044-9 Bibliogr. p. 185-190. Index Langues : Français Mots-clés : Optimisation mathématique  Algorithmes optimaux  Apprentissage cognitif:modèles mathématiques  Systèmes flous:modèles mathématiques  Logique floue Index. décimale : 005101/005131 Résumé : La logique floue présente plusieurs facettes : celle qui est abordée dans Algorithmes d'apprentissage pour systèmes d'inférence floue concerne la représentation des connaissances sous une forme directement interprétable, en utilisant le formalisme des règles floues. Le problème se pose de savoir comment exprimer des connaissances et comment les réactualiser en fonction de l'expérience. La réponse à cette question passe par des représentations paramétriques adéquates et l'utilisation de méthodes d'optimisation sous contrainte. Il devient alors possible d'extraire des connaissances et d'optimiser des règles floues automatiquement, le tout à partir de données numériques disponibles. L'optimisation de règles floues a longtemps été réalisée de façon empirique. Différentes méthodes d'optimisation (on parle aussi d'apprentissage) ont vu le jour depuis le début des années 1990. Ces méthodes, souvent basées sur des réseaux de neurones ou des algorithmes génétiques, présentent l'inconvénient majeur de ne pas prendre en compte la sémantique des règles floues. La démarche choisie dans cet ouvrage insiste au contraire sur les spécificités des systèmes d'inférence floue pour en déduire des algorithmes appropriés, simples et performants, garantissant la sémantique tout au long de l'apprentissage. Note de contenu : Traitement numérique de la connaissance Optimisation sous contraintes Principales méthodes d'optimisation Apprentissage supervisé pour un SIF de structure donnée Optimisation structurelle supervisée (modèle DEL) Optimisation structurelle supervisée (modèle DED) Apprentissage indirect Association du neuronal et du flou Apprentissage par renforcement Applications Réduction d'un vocabulaire Méthode de Price et Storn Optimisation d'un SIF de structure donnée Algorithme des moindres carrés récursifs Potentiel d'un point. Permalink : ./index.php?lvl=notice_display&id=11677

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
IA29/1	IA29	Livre	Magasin d'Ouvrages / FGE	Informatique et automatique	Consultation sur place Exclu du prêt
IA29/2	IA29	Livre	Magasin d'Ouvrages / FGE	Informatique et automatique	Disponible

Les abonnés qui ont emprunté ce document ont également emprunté :

Segmentation des images satellitaires par la méthode de la ligne de partage des eaux	Kadem, Meriama
Modélisation numérique	Breitkopf, Piotr
Commande robuste d'un drone par la logique floue	Hadjeres, Younes
Application des contours actif sur les images satellitaires pour l'extraction des nuages	Boudia, Ouerdia
Automatique de base [Texte imprimé]	Siarry, Patrick
Le Fonctionnement des microprosseurs	Gilmore, CH.M.

Aucun avis, veuillez vous identifier pour ajouter le vôtre !

---

page 1/1