Remerciements : Avant tout, louange à Dieu le tout puissant de m avoir aidé et permis d achever ce modeste travail.
|
|
- Delphine St-Laurent
- il y a 8 ans
- Total affichages :
Transcription
1 العالي التعلیم وزارة والبحث العلمي BADJI MOKHTAR ANNABA UNIVERSITY UNIVERSITE BADJI MOKHTAR ANNABA جامعة باجي مختار عنابة Faculté: Sciences de l'ingénieur Année : 2010 Département: Electronique MEMOIRE Présentée en vue de l obtention du diplôme de MAGISTER en Automatique Modélisation par Réseaux de Neurones Artificiels (RNA) et commande Prédictive non linéaire d une station de production d eau froide Option Commande Avancée Par M. MEDJILI Fayçal DIRECTEUR DE MEMOIRE: Dr Khadir Med Tarek DEVANT LE JURY PRESIDENT: Yahmedi Saïd Pr Université Badji Mokhtar Annaba RAPPORTEUR: Khadir Med Tarek MCA Université Badji Mokhtar Annaba EXAMINATEUR: Bensaker Bachir Pr Université Badji Mokhtar Annaba EXAMINATEUR: Kherfane Hamid MCA Université Badji Mokhtar Annaba
2 Remerciements : Avant tout, louange à Dieu le tout puissant de m avoir aidé et permis d achever ce modeste travail. Je ne saurai trop remercier mon encadreur, monsieur Khadir M.T pour tout le temps et l intérêt qu il m a consacré. Qu il trouve ici l expression de ma profonde gratitude. Je remercie Monsieur le président du jury Pr S.Yahmedi et les membres de jury, Pr B. Bensaker, Dr H. Kherfane,Dr M. T. Khadir, d avoir bien voulu juger mon travail. Je n oublierai pas de remercier toutes les personnes qui m ont soutenu
3 Abréviations RNA FIR ARX ARMAX OE NBJ NNFIR : Réseaux de Neurones Artificielles. : Modèle à réponse impulsionnelle finie. : Modèle à réponse impulsionnelle finie Modèle autorégressif à entrée exogène. : Modèle autorégressif à moyenne mobile et entrée exogène. : Modèle erreur de sortie : Modèle Box-Jenkins : Neural network FIR model. NNARX : Neural network ARX (or AR) model. NNARMAX : Neural network ARMAX (or ARMA) model. NNOE : Neural network OE model. DCS PID MPC CPNL NNMPC NNSYD ANN : Distributed Control System : Proportional Integrate Derivative : Model Prédictive Control : Commande Prédictive Non Linéaire : Neural Network Model Predictive Control : Neural Network Based Control System Design : Artificiel Neural Network
4 Table des figures Table des figures Fig I.1 : Neurone biologique..5 Fig I.2 : Le modèle de neurone formel...6 Fig I.3 : Correspondance entre neurones biologiques et neurones artificiels 7 Fig I.4 : Différents types de fonctions d'activations pour le neurone..10 Fig I.5 : Réseau multicouche 11 Fig I.6 : Exemple de réseaux de neurone dynamique (Modèle de Hopfield)..12 Fig I.7 : Schéma bloc de l apprentissage supervisé.13 Fig I.8 : Structure d une couche de neurones...15 Fig 1.9 : PMC pour l approximation de fonctions...16 Fig I.10 : Les structures des modèles NNFIR (a) et NNARX (b) 29 Fig I.11: La structure du modèle NNARMAX Fig I.12 : La structure du modèle NNOE Fig II.1 : Station de production d eau froide 33 Fig II.2 : Diagramme de Mollier..34 Fig II.3 : Les principales familles des compresseurs...35 Fig II.4 : Compresseurs dynamiques 36 Fig II.5 : Coupe d'un compresseur scroll.37 Fig II.6 : Fonctionnement d un Compresseur Scroll 38 Fig II.7 : Le diagramme théorique du compresseur scroll...39 Fig II.8 : L'évaporateur.41 Fig II.9 : détendeurs thermostatiques...42 Fig II.10 : Bouteille anti-coups de liquide...43 Fig II.11 : Le déshydrateur...43 Fig II.12 : Réservoir liquide Fig III.1 : Commande prédictive : représentation schématique...49 Fig III.2 : Principe de la commande prédictive... 50
5 Table des figures Fig III.3 : La stratégie de la commande prédictive..52 Fig III.4 : Structure de programme pour la conception directe 53 Fig III.5 : Structure de programme pour la conception indirecte Fig IV.1 : Procédure d identification d un système dynamique..56 Fig IV.2 : Les entrées du système (Compresseur ) Fig IV.3: Les sorties du système (Compresseur ) Fig IV.4 : Architecture du réseau (Compresseur ) Fig IV.5 : Variation de l erreur d apprentissage en fonction des itérations (température / Compresseur) Fig IV.6 : Variation de l erreur de validation en fonction des itérations (température / Compresseur) Fig IV.7 : Variation de l erreur d apprentissage en fonction des itérations (pression / Compresseur) Fig IV.8 : Variation de l erreur de validation en fonction des itérations (pression / Compresseur) Fig IV.9 : Les sorties réelles et estimées (température / Après apprentissage/compresseur)..60 Fig IV.10 : Erreur de prédiction d apprentissage (température / Après apprentissage/compresseur).60 Fig IV.11 : Les sorties réelles et estimées (température / Après validation/compresseur)..60 Fig IV.12 : Erreur de prédiction de validation (température / Après validation/compresseur)...60 Fig IV.13 : Les sorties réelles et estimées (pression / Après apprentissage/compresseur)...61 Fig IV.14 : Erreur de prédiction d apprentissage (pression / Après apprentissage/compresseur).61 Fig IV.15 : Les sorties réelles et estimées (pression / Après validation/compresseur) 61 Fig IV.16 : Erreur de prédiction de validation (pression / Après validation/compresseur)...61 Fig IV.17 : Les entrées du système (Condenseur ) Fig IV.18: Les sorties du système (Condenseur ) Fig IV.19 : Architecture du réseau (Condenseur ) Fig IV.20 : Variation de l erreur d apprentissage en fonction des itérations (température / Condenseur)
6 Table des figures Fig IV.21 : Variation de l erreur de validation en fonction des itérations (température / Condenseur) Fig IV.22 : Variation de l erreur d apprentissage en fonction des itérations (pression / Condenseur) Fig IV.23 : Variation de l erreur de validation en fonction des itérations (pression / Condenseur) Fig IV.24 : Les sorties réelles et estimées (température / Après apprentissage/condenseur)..65 Fig IV.25 : Erreur de prédiction d apprentissage (température / Après apprentissage/condenseur)...65 Fig IV.26 : Les sorties réelles et estimées (température / Après validation/condenseur)...65 Fig IV.27 : Erreur de prédiction de validation (température / Après validation/condenseur)...65 Fig IV.28 : Les sorties réelles et estimées (pression / Après apprentissage/condenseur)...66 Fig IV.29 : Erreur de prédiction d apprentissage (pression / Après apprentissage/condenseur)..66 Fig IV.30 : Les sorties réelles et estimées (pression / Après validation/condenseur). 66 Fig IV.30 : Erreur de prédiction de validation (pression / Après validation/condenseur)...66 Fig IV.32 : Les entrées du système (Détendeur évaporateur) Fig IV.33: Les sorties du système (Détendeur évaporateur) Fig IV.34 : Architecture du réseau (Détendeur évaporateur ) Fig IV.35 : Variation de l erreur d apprentissage en fonction des itérations (température / Détendeur évaporateur)..69 Fig IV.36 : Variation de l erreur de validation en fonction des itérations (température / Détendeur évaporateur)..69 Fig IV37 : Variation de l erreur d apprentissage en fonction des itérations (pression / Détendeur évaporateur)..69 Fig IV.38 : Variation de l erreur de validation en fonction des itérations (pression / Détendeur évaporateur)..69 Fig IV.39 : Les sorties réelles et estimées (température / Après apprentissage/détendeur évaporateur)..70 Fig IV.40 : Erreur de prédiction d apprentissage (température / Après apprentissage/détendeur évaporateur). 70 Fig IV.41 : Les sorties réelles et estimées (température / Après validation/détendeur évaporateur).70
7 Table des figures Fig IV.42 : Erreur de prédiction de validation (température / Après validation/détendeur évaporateur).70 Fig IV.43 : Les sorties réelles et estimées (pression / Après apprentissage/détendeur évaporateur)...71 Fig IV.44 : Erreur de prédiction d apprentissage (pression / Après apprentissage/détendeur évaporateur).71 Fig IV.45 : Les sorties réelles et estimées (pression / Après validation/détendeur évaporateur).71 Fig IV.46 : Erreur de prédiction de validation (pression / Après validation/ Détendeur évaporateur) Fig IV.47: Les sorties du système...72 Fig IV.48 : Schéma de commande prédictive non linéaire (le contrôleur est un arrangement itératif d optimisation).73 Fig IV.49 : L allure des signaux de perturbation.73 Fig IV.50 : Résultat (1) de CPNL : La sortie et variable de commande (Sans perturbation)...74 Fig IV.51 : Résultat (2) de CPNL : La sortie et variable de commande (Sans perturbation)...74 Fig IV.52 : Résultat (3) de CPNL : La sortie et variable de commande (Sans perturbation)...75 Fig IV.53 : Résultat (4) de CPNL : La sortie et variable de commande (Sans perturbation)...75 Fig IV.54 : Résultat (1) de CPNL : La sortie et variable de commande (Avec perturbation)...76 Fig IV.55 : Résultat (2) de CPNL : La sortie et variable de commande (Avec perturbation)...77 Fig IV.56 : Résultat (3) de CPNL : La sortie et variable de commande (Avec perturbation)..77 Fig IV.57 : Approche de commande de type PID...78 Fig IV.58 : La sortie et variable commande (PID)...78
8 Tableaux Tableaux Tab I.1 : Comparaison entre neurone Biologique et artificiel 7 Tab I.2. : Correspondance RNA - domaines d application Tab IV.1 : les résultats de modélisation de compresseur.62 Tab IV.2 : les résultats de modélisation de condenseur...67 Tab IV.3 : les résultats de modélisation de détendeur évaporateur...72 Tab IV.4 : les résultats de commande prédictive non linaire (CPNL) (Sans perturbation)..76 Tab IV.5 : les résultats de commande prédictive non linaire (CPNL) (Avec perturbation) 78
9 Sommaire Sommaire : Introduction générale CHAPITRE I : Modélisation non linéaire par réseaux de neurones I.1 Introduction... 3 I.2 Historique des RNA I.3 Modèle Biologique...4 I.3.1 Neurone I.3.2 Structure de neurone I Le corps cellulaire (soma) 5 I Axone I Synapse I.3.3 Neurone formel I.4 Réseaux de neurones artificiels I.4.1. Définition.6 I.4.2 Domaine d'application des réseaux de neurones (RNA)...8 I L application au traitement du signal L'application à la planification. 8 L'application au contrôle.. 8 L'application au diagnostic... 8 I.4.3 Fonctionnement...9 I.5 Modélisation générale..9 La nature de ses entrées...10 La fonction des entrées 10 Fonction d'activation (seuil)..10 Fonction de sortie.10 I.6 Architectures de réseaux de neurones.11 I.6.1 Les réseaux statique (non bouclés).11 I.6.2 Les réseaux dynamique (bouclés) I.7 Apprentissage des réseaux de neurones I.8 Type d apprentissage I.8.1 L apprentissage supervisé...13
10 Sommaire I.8.2 L apprentissage non supervisé...14 I.9 Perceptron à une seule couche I.9.1 La convergence du perceptron 15 I.10 Théorème de Cybenko Perceptron multicouche...16 I.12 Algorithme de retro-propagation du gradient (generalizaed delta rule) I.13 Formalisation d'apprentissage...17 I.13.1 Adaptation des poids.18 I.13.2 Algorithme de la rétro-propagation..22 I.14 Identification par réseaux de neurones 22 Acquisition des données d apprentissage et de test.23 Choix de la structure du modèle...23 Estimation des paramètres du modèle..23 Validation du modèle identifié.23 I.14.1 Structures de modèles linéaires I Structure du modèle à réponse impulsionnelle finie (FIR)...25 I Modèle autorégressif à entrée exogène (ARX)...25 I Modèle autorégressif à moyenne mobile et entrée exogène (ARMAX)...26 I Structure du modèle erreur de sortie (OE)...26 I Structure Box-Jenkins (NBJ)...27 I.14.2 Structures de modèles non linéaires.27 I NNFIR et NNARX...28 I NNARMAX...29 I NNOE I.15 Conclusion 31 CHAPITRE II : Fonctionnement d un cycle frigorifique II.1 Introduction...32 II.2 Description physique de la station 32 II.3 Fonctionnement d une machine frigorifique...34 II.4 Le fluide frigorifique.35 II.5 Les compresseurs..35
11 Sommaire II.6 Les familles de compresseurs 35 II.6.1 Les compresseurs dynamiques..36 II.6.2 Les compresseurs volumétriques...36 II Compresseur scroll.36 II Fonctionnement..37 II Diagramme théorique du compresseur scroll.38 II Avantages et inconvénients 39 II.7 Le condenseur 40 II.8 L évaporateur II.9 Le détendeur..41 II.9.1 Le détendeur électronique II.9.2 Les détendeurs thermostatiques 42 II.10 La bouteille anti-coups de liquide II.11 Le déshydrateur II.12 Le voyant de liquide 44 II.13 Réservoir liquide.44 II.14 Conclusion.. 44 CHAPITRE III : Commande predictive III.1 Introduction.45 III.2 La commande prédictive : généralités..45 III.2.1 Modèle interne...46 Modèles indépendants 46 Modèle re-ajustés 47 III.2.2 Trajectoire de référence.47 III.2.3 Calcul de la variable manipulée...47 III.2.4 Auto compensateur 47 III.3 Historique 48 III.4 Principe de la commande prédictive 49 III.5 Commande prédictive non linéaire III.5.1 Théorie de la commande prédictive non linéaire.51 III.5.2 Commande prédictive non linéaire (NNMPC) 52 III.6 Conclusion...54
12 Sommaire CHAPITRE IV : Résultats des simulations IV.1 Introduction.56 IV.2 Visualisation du système.56 IV.3 Modélisation 56 IV.4 Résultats des simulations.57 IV.4.1 Compresseur IV Architecture du réseau de neurones 58 IV Les courbes obtenues pour la température...60 Après apprentissage Après validation.60 IV Les courbes obtenues pour la pression 61 Après apprentissage Après validation.61 IV.4.2 condenseur...62 IV Architecture du réseau de neurones.63 IV Les courbes obtenues pour la température..65 Après apprentissage Après validation.65 IV Les courbes obtenues pour la pression 66 Après apprentissage Après validation.66 IV.4.3 Détendeur évaporateur...67 IV Architecture du réseau de neurones.68 IV Les courbes obtenues pour la température...70 Après apprentissage Après validation.70 IV Les courbes obtenues pour la pression 71 Après apprentissage Après validation.71 IV.5 Commande prédictive non linéaire..73 IV.5.1 Résultat de simulation..73 Sans perturbation 74 Avec perturbation...76
13 Sommaire IV.5.2 Commande avec PID classique 78 Conclusion générale Références..80
14 Introduction générale Introduction générale : L industrie moderne à besoin d obtenir les meilleurs résultats pour la commande des systèmes travaillant toujours aux limites des contraintes. Les scientifiques proposent plusieurs méthodes de commande comme éventuelle solution, l une de ces méthodes est l utilisation de la technique de réseaux de neurones dans le processus de contrôle, soit dans la conception du modèle soit dans la conception du contrôleur. Ces derniers présentent plusieurs avantages notamment comme aproximateurs globaux qui peuvent fournir des solutions efficaces aux problèmes de contrôle des systèmes non linéaires. La possibilité d apprentissage peut réduire l effort humain lors de la conception des contrôleurs et permet de découvrir des structures de contrôle plus efficace que celles déjà connues. Les algorithmes des réseaux de neurones sont basés sur les entrés et les sorties des systèmes. Notre travail consiste à appliquer l apprentissage supervisé et les algorithmes de rétro propagation des réseaux de neurones afin d obtenir un modèle valide du système a commander. Une fois cette étape réalisée, le modèle peut être intégré dans une approche de commande prédictive non linéaire. Cette commande est probablement l approche qui a connu le plus de succès sur le terrain des industries chimiques de pulpes à papier et de processus alimentaire. Il est aussi rapporté que MPC a été utilisée dans des domaines aussi variés à savoir le domaine médical, la robotique, l'aérospatiale, l'agroalimentaire, le pétrole, l'énergie, la mécanique, etc. MPC est jugée très efficace pour aborder des problèmes de contrôle, grâce à l habilité de prédiction donnée par le modèle encastré, ainsi que le maniement de contrainte. C est la raison pour laquelle nous avons choisi, dans notre travail, d entreprendre une régulation numérique par la commande prédictive non linéaire Pour évaluer ces performances, notre objectif est de proposer un système de commande qui permet de réguler une température dans une station de production d eau froide et de comparer la stratégie de la commande prédictive non linéaire avec la commande classique de type PID
15 Introduction générale Ce mémoire regroupe quatre chapitres : Le chapitre I neurones. présente une étude théorique sur un aperçu général sur les réseaux de Le chapitre II présente une étude théorique de la description physique de notre station de production d eau froide et le fonctionnement de cycle frigorifique. Le chapitre III présente une étude sur les Notions de la commande MPC. Le chapitre IV présente les résultats des simulations
16 Chapitre I Modélisation non linéaire par réseaux de neurones I.1 Introduction : Sciences neurobiologiques et les sciences cognitives nous proposent de nombreux modèles, notamment pour représenter les systèmes perceptifs et les systèmes réflexes. Si un tel intérêt se porte sur les réseaux de neurones c'est grâce à leurs propriétés : parallélisme, capacité de généralisation, capacité d'adaptation et mémoire distribuée. Nous allons présenter dans ce chapitre les principes de base des réseaux de neurones artificiels et leur apprentissage ainsi que ses utilisation pour la modélisation nonlineaire des systèmes dynamiques. I.2 Historique des RNA L origine de l inspiration des réseaux de neurones artificiels remonte à 1890 où W. James, célèbre psychologue américain, introduit le concept de mémoire associative. Il propose ce qui deviendra une loi de fonctionnement pour l apprentissage des réseaux de neurones, connue plus tard sous le nom de loi de Hebb. Quelques années plus tard, en 1949, J. Mc Culloch et W. Pitts[1]donnent leurs noms à une modélisation du neurone biologique (un neurone automatique comportement binaire). Ce sont les premiers à montrer que des réseaux de neurones formels simples peuvent réaliser des fonctions logiques, arithmétiques et symboliques complexes. C est ensuite que D. Hebb, physiologiste américain, présente en 1949 les propriétés des neurones par le conditionnement chez l animal. Ainsi, un conditionnement de type pavlovien tel que, nourrir tous les jours à la même heure un chien, entraîne chez cet animal la sécrétion de salive à cette heure précise même en l absence de nourriture. La loi de modification des propriétés des connexions entre neurones qu il propose, explique en partie ce type de résultats expérimentaux. Les premiers succès de cette discipline remontent à 1957, lorsque F. Rosenblatt développe le modèle du Perceptron. Il construit le premier neuro-ordinateur basé sur ce modèle et l applique au domaine de la reconnaissance des formes. Notons qu à cette époque les moyens à sa disposition étaient limités et c était une prouesse technologique que de réussir à faire fonctionner correctement cette machine plus de quelques minutes. C est alors qu en 1960, l automaticien Widrow développe le modèle Adaline (Adaptative Linear Element). Dans sa structure, le modèle ressemble au Perceptron, cependant la loi d apprentissage est différente. Celle-ci est à l origine de l algorithme de rétropropagation de gradient très utilisé aujourd hui 1969 : M.Minsky et S.Papert publient un ouvrage qui met en exergue les limitations théoriques avec les Perceptrons Multi Couches. M
17 Chapitre I Modélisation non linéaire par réseaux de neurones Minsky et S. Papert publient ensuite en 1969 un ouvrage qui met en évidence les limitations théoriques du Perceptron. Ces limitations concernent l impossibilité de traiter des problèmes non linéaires en utilisant ce modèle. Quelques années d ombre se sont ensuite succédées de 1967 à Le renouveau de cette discipline reprend en 1982 grâce à J. J. Hopfield, un physicien reconnu. Il présente une théorie du fonctionnement et des possibilités des réseaux de neurones. Il faut remarquer la présentation anticonformiste de son article. Alors que les auteurs s acharnent jusqu alors à proposer une structure et une loi d apprentissage, puis à étudier les propriétés émergentes, J. J. Hopfield fixe préalablement le comportement à atteindre par son modèle et construit, à partir de là la structure et la loi d apprentissage correspondant au résultat escompté. Ce modèle est aujourd hui encore très utilisé pour des problèmes d'optimisation. On peut citer encore la machine de Boltzmann en 1983 qui était le premier modèle connu, apte à traiter de manière satisfaisante les limitations recensées dans le cas du Perceptron. Mais l utilisation pratique s avère difficile, la convergence de l algorithme étant extrêmement longue (les temps de calcul sont considérables). C est ensuite qu en 1985 la rétro-propagation de gradient apparaît. C est un algorithme d apprentissage adapté au Perceptron Multi Couches. Sa découverte est réalisée par trois groupes de chercheurs indépendants. Dès cette découverte, nous avons la possibilité de réaliser une fonction non linéaire d entrée/sortie sur un réseau, en décomposant cette fonction en une suite d étapes linéairement séparables. Enfin, en 1989 Moody et Darken exploitent quelques résultats de l interpolation multi variables pour proposer le Réseau à Fonctions de base Radiales (RFR), connu sous l appellation anglophone Radial Basis Function network (RBF). Ce type de réseau se distingue des autres types de réseaux de neurones par sa représentation locale.[2] I.3 Modèle Biologique Les neurones, au nombre d'une centaine de milliards, sont les cellules de base du système nerveux central. Chaque neurone reçoit des influx nerveux à travers ses dendrites (récepteurs), les intègre pour en former un nouvel influx nerveux qu'il transmet à un neurone voisin par le biais de son axone (émetteur) [3] comme le montre la Fig I.1 : - 4 -
18 Chapitre I Modélisation non linéaire par réseaux de neurones Dendrites Noyau Synapses Axone Corps cellulaire A partir de ces concepts on va donner une déscréption des fondamentales du réseau de neurones. Fig I.1 : Neurone biologique I.3.1 Neurone Est une cellule vivante, qui peut prendre des formes variables (pyramidale, sphérique ou étoilée) sa forme est définit par une membrane qui sépare l'intérieur du neurone a l'extérieur. Ces neurones sont considérés comme l'élément de base qui constituent les unités élémentaires de traitement dans le cerveau. [4] I.3.2 Structure de neurone I Le corps cellulaire (soma) Il est composé d'un noyau qui effectue les transformations biochimiques essentielles à la vie de neurone et se ramifie pour former les dendrites, qui établit la liaison avec d'autres cellules. [5] I Axone C'est le prolongements unique, qui diffuse le signal du neurone vers d'autres cellules donc son rôle est représente dans la communication avec d'autre neurone. Il peut diviser a son extermiter pour entrer en contacte avec un grand nombre d'autre cellules. [5] - 5 -
19 Chapitre I Modélisation non linéaire par réseaux de neurones I Synapse C'est un élément de jonction qui assure le contact du cytoplasme (membrane) d'un neurone et les membranes de ses voisins, il joue un rôle essentiel dans la transmission des signaux. [5] I.3.3 Neurone formel Est processeur très simple imitant grossièrement la structure et le fonctionnement d un neuronebiologique, la première version du neural formel est celle de Mc.culloche et Pitts qui est largement utilisée. [6] Un neurone formel est un opérateur effectuant la somme penderée de ses entrées externes puis elle s active suivant la valeur de cette sommation pondéré puis modulée par une fonction d activation Fig I.2. [5] Sommation Fonction d activation Sortie Signaux d entre Poids synaptiques Seuil Fig I.2 : Le modèle de neurone formel. I.4 Réseaux de neurones artificiels I.4.1. Définition Un réseau de neurones (RN) est un système d ' opérateurs non linéaires interconnectés, recevant des signaux de l'extérieur par ses entrées, et délivrant des signaux de sortie, ces (RN) sont une métaphore des structures cérébrales et de traitement parallèle et distribué d'information et comportent plusieurs élément de traitement appelé neurone. Chaque neurone fonctionne indépendamment des autres de telle sorte que l'ensemble est un système parallèle fortement interconnecte. L'information détenue par le réseau de neurone est - 6 -
20 Chapitre I Modélisation non linéaire par réseaux de neurones distribuée à travers l'ensemble des constituants et non localisée dans une partie de mémoire sous la forme d'un symbole. Le réseau de neurone ne se programme jamais pour réalisé une ou telle tache, il est entraîné sur des données acquises, grâce a mécanisme d ' apprentissage qui agit sur les constituants du réseau afin de réaliser au mieux la tache souhaitée. [4] On peut comparer la correspondance entre les propriétés respectives de neurones biologiques et neurones artificiels comme le montre la Fig I.3. [3] Y Y Cette comparaison est montrée dans Tab I.1. [7] système nerveux Neurone Fig I.3 : Correspondance entre neurones biologiques et neurones artificiels Le corps cellulaire (soma) réseau neural Artificiel Traitant élément, noeud, neurone artificiel, neurone abstrait, Niveau de l'activation, fonction de l'activation, fonction du transfert, la fonction de la sortie Axone la communication avec d'autre neurone Synapse poids multiplicatifs Tab I.1 : Comparaison entre neurone Biologique et artificiel - 7 -
21 Chapitre I Modélisation non linéaire par réseaux de neurones I.4.2 Domaine d'application des réseaux de neurones (RNA) Les (RNA) aujourd'hui ont des applications dans des domaines variés parmi lesquelles on cite : I L application au traitement du signal : Dans ce domaine les application réalisées traitent essentiellement de la reconnaissance de signatures radar ou sonner. La société NESTOR a développe un réseau de neurones qui identifie une cible à coup sur (100% de réussite) et reconnaît du bruit avec un taux de réussite de 95%. Cette application à été construire à partir de signaux sonars et des traits caractéristiques de ces signaux déterminés par les experts comme utiles pour identifier une cible en environnement bruité. Le réseau agit dans ces comme un filtre pour éliminer le bruit. L'application à la planification : L'optimisation est souvent sollicitée pour la planification des actions ou des taches. A cet effet, l'utilisation du modèle de Hop Field et du modèle de Kohonen parait très utiles pour la résolution des problèmes d optimisation. L'application au contrôle : Grâce à leur propriétés (parallélisme de traitement, capacité d'adaptation, et de généralisation, etc ). Les réseaux de neurones sont appliqués au contrôle intelligent. Par exemple plusieurs tentatives ont été faites pour appliquer les réseaux de neurones ; Ces applications peuvent être classifiés en plusieurs méthode, Telles que : le contrôle supervisé. Le contrôle inverse et le contrôle neuronal adaptatif. L'application au diagnostic : Les réseaux de neurones sont bien adaptés à la résolution des problèmes de diagnostic, utilisant la classification automatique des signaux et des formes. Dans ce contexte on distingue plusieurs applications des réseaux de neurones pour le diagnostic des défaillances et en particulier, pour le diagnostic des pannes des machines électriques. Exemples d'applications de chaque modèle : [8] - 8 -
22 Chapitre I Modélisation non linéaire par réseaux de neurones Caractéristiques fonctionnelles Reconnaissance de formes Mémoires associatives Optimisation Approximation de fonctions Modélisation et control Traitement d images Classification et clustering Type de RNA MLP, Hopefield, Kohonen, PNN Hopefield, MLP récurrents, Kohonen Hopefield, ART, CNN MLP, RBF MLP, MLP récurrent, FLN CNN, Hopefield MLP, Kohonen, RBF, ART, PNN I.4.3 Fonctionnement Tab I.2. : Correspondance RNA - domaines d application Avant de pouvoir utiliser les capacités de classification et d approximation de fonctions d'un réseau de neurones, il faut le construire, ceci se déroule en quatre temps : [9] 1. La construction de la structure du réseau (généralement empirique). 2. La constitution d'une base de données de vecteurs représentant au mieux le domaine à modéliser. Celle-ci est scindée en deux parties : une partie servant à l'apprentissage du réseau (on parle de base d'apprentissage) et une autre partie aux tests de cet apprentissage (on parle de base de test). 3. Le paramétrage du réseau par apprentissage. Au cours de l'apprentissage, les vecteurs de données de la base d'apprentissage sont présentés séquentiellement et plusieurs fois au réseau. Un algorithme d'apprentissage ajuste le poids du réseau afin que les vecteurs soient correctement appris. L'apprentissage se termine lorsque l'algorithme atteint un état stable. 4. La phase de reconnaissance qui consiste à présenter au réseau chacun des vecteurs de la base de test. La sortie correspondante est calculée en propageant les vecteurs à travers le réseau, La réponse du réseau est lue directement sur les unités de sortie et comparée à la réponse attendue. Une fois que le réseau présente des performances acceptables, il peut être utilisé pour répondre au besoin qui a été à l'origine de sa construction. I.5 Modélisation générale On peut modéliser un réseau de neurone par des élémentaires qu'il s agit de : - 9 -
23 Chapitre I Modélisation non linéaire par réseaux de neurones La nature de ses entrées : qu'ils peuvent être binaire (0 ou 1), (-1,1) ou réelles appartenant souvent à intervalle bornée [a, b]. La fonction des entrées : que sa signifie qu ' elle peut définir le pré traitement effectuée sur les entrées. Fonction d'activation (seuil) : Qui représente la limite à partir de la quelle le neurone s'activera, la sortie de neurone dépend d'une fonction de transfert dont les principales sont représentés sur la Fig I.4. [10] Fonction de sortie : Cette fonction calcule la sortie du neurone en fonction de son état d'activation. Fonction stochastique (T=1) Fonction sigmoïde Fonction Fonction linéaire ( λ = 1) Fonction seuil Fonction linéaire Fig I.4 : Différents types de fonctions d'activations pour le neurone
Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
Plus en détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailDYNAMIQUE DE FORMATION DES ÉTOILES
A 99 PHYS. II ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L'AÉRONAUTIQUE ET DE L'ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE SAINT-ÉTIENNE,
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailDruais Cédric École Polytechnique de Montréal. Résumé
Étude de load balancing par un réseau de neurones de types HME (Hierarchical Mixture of s). Druais Cédric École Polytechnique de Montréal Résumé Cet article tente d introduire le principe de load balancing
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailVariantes du cycle à compression de vapeur
Variantes du cycle à compression de vapeur Froid indirect : circuit à frigoporteur Cycle mono étagé et alimentation par regorgement Cycle bi-étagé en cascade Froid direct et froid indirect Froid direct
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailDétection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones
Détection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones Abdeljelil Farhat Unité de recherche EAS-Mahdia Faculté des sciences économiques
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailÉconomie d énergie dans les centrales frigorifiques : La haute pression flottante
Économie d énergie dans les centrales frigorifiques : La haute pression flottante Juillet 2011/White paper par Christophe Borlein membre de l AFF et de l IIF-IIR Make the most of your energy Sommaire Avant-propos
Plus en détailMESURE DE LA TEMPERATURE
145 T2 MESURE DE LA TEMPERATURE I. INTRODUCTION Dans la majorité des phénomènes physiques, la température joue un rôle prépondérant. Pour la mesurer, les moyens les plus couramment utilisés sont : les
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailPropriétés thermodynamiques du mélange. Eau-Ammoniac-Hélium
International Renewable Energy Congress November 5-7, 2010 Sousse, Tunisia Propriétés thermodynamiques du mélange Eau-Ammoniac-Hélium Chatti Monia 1, Bellagi Ahmed 2 1,2 U.R. Thermique et Thermodynamique
Plus en détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailPi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques
Pi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques Jean Fradette et Anik Trahan, Cégep de Sherbrooke Résumé Dans un cours intégrateur en mathématiques, des étudiants
Plus en détailNotions d asservissements et de Régulations
I. Introduction I. Notions d asservissements et de Régulations Le professeur de Génie Electrique doit faire passer des notions de régulation à travers ses enseignements. Les notions principales qu'il a
Plus en détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailProduction d eau chaude sanitaire thermodynamique, que dois-je savoir?
COURS-RESSOURCES Production d eau chaude sanitaire thermodynamique, que Objectifs : / 1 A. Les besoins en eau chaude sanitaire La production d'eau chaude est consommatrice en énergie. Dans les pays occidentaux,
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailENSPS 3A ISAV Master ISTI AR. J. Gangloff
Commande prédictive ENSPS 3A ISAV Master ISTI AR J. Gangloff Plan 1.Introduction / Historique 2.Modélisation du système 3.Fonction de coût 4.Équations de prédiction 5.Commande optimale 6.Exemples 7.Réglage
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailGENERALITES SUR LA MESURE DE TEMPERATURE
Distributeur exclusif de GENERALITES SUR LA MESURE DE TEMPERATURE INTRODUCTION...2 GENERALITES SUR LA MESURE DE TEMPERATURE...2 La température...2 Unités de mesure de température...3 Echelle de température...3
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailSite : http://www.isnab.com mail : mennier@isnab.fr SUJET ES - session 2003 Page 1 68-(7(6VHVVLRQ
Site : http://www.isnab.com mail : mennier@isnab.fr SUJET ES - session 003 Page 1 68-(7(6VHVVLRQ LE JUS E FRUIT 35(0,Ê5(3$57,(%LRFKLPLHSRLQWV L'analyse d'un jus de fruit révèle la présence d'un composé
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
Plus en détailLe nombre d or et Fibonacci
Août 2004, Bordeaux Pentagone et nombre d or Irrationalité Séries géométriques Equation Remarques et exercice Le pentagramme magique se retrouve partout dans la nature et hors de la nature est le symbole
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailWindows Internet Name Service (WINS)
Windows Internet Name Service (WINS) WINDOWS INTERNET NAME SERVICE (WINS)...2 1.) Introduction au Service de nom Internet Windows (WINS)...2 1.1) Les Noms NetBIOS...2 1.2) Le processus de résolution WINS...2
Plus en détailStockage de chaleur solaire par sorption : Analyse et contrôle du système à partir de sa simulation dynamique
Stockage de chaleur solaire par sorption : Analyse et contrôle du système à partir de sa simulation dynamique Kokouvi Edem N TSOUKPOE 1, Nolwenn LE PIERRÈS 1*, Lingai LUO 1 1 LOCIE, CNRS FRE3220-Université
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailL'évolution de VISUAL MESSAGE CENTER Architecture et intégration
L'évolution de VISUAL MESSAGE CENTER Architecture et intégration Sommaire Résumé exécutif Base technologique : VISUAL Message Center 2 3 VISUAL Message Center Core Engine VISUAL Message Center Extended
Plus en détail