Mémoires de Fin d’Etudes
Etablissement
Université de Annaba - Badji Mokhtar
Affiliation
Département d’Electronique
Auteur
MOUSSAOUI, Abdelkrim
Directeur de thèse
Abbassi Hadj Ahmed (Professeur)
Filière
Automatique
Diplôme
Doctorat
Titre
Contribution à la modélisation et la commande des processus industriels par reseaux de neurones.
Mots clés
D., Hinton G. and Sejnowski T., A learning algorithm for Boltzmann machines, Cognitive Science, Vol. 9, 1985, pp.147-169
Résumé
Au cours des dernières années, l’une des évolutions les plus marquantes des réseaux de neurones formels a été, pour la communauté scientifique, l’abandon de la métaphore biologique au profit de fondements théoriques solides dans le domaine des statistiques : on sait à présent que la propriété fondamentale des réseaux de neurones est l’approximation universelle parcimonieuse (Hornik et al., 1994). De plus, le développement d’algorithmes performants pour l’apprentissage de ces réseaux leur a ouvert de nouvelles perspectives d’utilisation. En particulier, les réseaux de neurones se sont avérés particulièrement adaptés, dans le domaine de l’Automatique, comme éléments de systèmes de commande de processus dynamiques non linéaires. En effet, avec des propriétés mathématiques bien établies et des algorithmes d’apprentissage très performants, les réseaux de neurones surpassent, lorsqu’ils sont convenablement mis en ..uvre, les techniques classiques de modélisation non linéaire. Néanmoins, pour la modélisation de processus, il faut déterminer les performances optimales réalisables par un modèle, compte tenu notamment deperturbations aléatoires non mesurables, afin de poser correctement le problème de l’apprentissage. De même, pour la commande, il est nécessaire de caractériser les propriétés dessystèmes de commande en matière de stabilité et de performance, indépendamment de la réalisation éventuelle du correcteur par un réseau de neurones. Naturellement, la mise en ..uvre d’un réseau neuronal est d’autant plus simpleque la taille du réseau est plus petite. Ainsi, la qualité des résultats et la facilité d’implantation matérielle orientent les études dans la même direction : l’optimisation des réseaux, en termes de nombre d’entrées comme de nombre de neurones, pour obtenir des modèles aussi parcimonieux que possible pour respecter les contraintes de l’implémentation en temps réel.
Date de soutenance
2006
Cote
629.8 MOU
Pagination
131F.
Illusatration
Fig.
Format
30 cm.
Statut
Soutenue