Département d'Automatique

Permanent URI for this collection

https://dspace.ummto.dz/handle/ummto/9

Browse

Browsing Département d'Automatique by Author "Amoura, Karima"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Réseaux de neurones et espace d'état pour l'identification et la prédiction
    (Université Mouloud Mammeri, 2010) Amoura, Karima
    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.