Remerciements : Avant tout, louange à Dieu le tout puissant de m avoir aidé et permis d achever ce modeste travail.

Dimension: px
Commencer à balayer dès la page:

Download "Remerciements : Avant tout, louange à Dieu le tout puissant de m avoir aidé et permis d achever ce modeste travail."

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. 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 détail

L apprentissage automatique

L 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 détail

Coup de Projecteur sur les Réseaux de Neurones

Coup 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 détail

artificiels Andrei Doncescu

artificiels Andrei Doncescu Les réseaux r de neurones artificiels Andrei Doncescu Human Beings Think v.s.. Intelligent Machines Think How Human Beings Think? Deduction Abduction Induction Limited by Computational and Memory Capacity

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet 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 détail

Optimisation 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 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 détail

L 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 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 détail

I 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...

I 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 détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - 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 détail

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle

CHAPITRE 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 détail

Quantification Scalaire et Prédictive

Quantification 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 détail

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide)

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide) Épreuve pratique de mathématiques Printemps 2009 Descriptifs (Page vide) Sujet 001 Épreuve pratique de mathématiques Descriptif Étude d une fonction dépendant d un paramètre Étant donné une fonction dépendant

Plus en détail

4.2 Unités d enseignement du M1

4.2 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 détail

Modélisation multi-agents - Agents réactifs

Modélisation 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 détail

Chapitre 1 : Introduction aux bases de données

Chapitre 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 détail

Vision par Ordinateur

Vision par Ordinateur Vision par Ordinateur James L. Crowley DEA IVR Premier Bimestre 2005/2006 Séance 6 23 novembre 2005 Détection et Description de Contraste Plan de la Séance : Description de Contraste...2 Le Détecteur de

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Contribution à l étude et au développement de modèles connexionnistes séquentiels de l apprentissage

Contribution à l étude et au développement de modèles connexionnistes séquentiels de l apprentissage Université de Montpellier II THESE DE DOCTORAT Contribution à l étude et au développement de modèles connexionnistes séquentiels de l apprentissage Claude TOUZET Soutenue le 14 décembre 1990, devant le

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 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 détail

Chapitre 6 Apprentissage des réseaux de neurones et régularisation

Chapitre 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 détail

DYNAMIQUE DE FORMATION DES ÉTOILES

DYNAMIQUE 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 détail

Résolution d équations non linéaires

Résolution 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 détail

L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique. Gonzalo Joya. Dpto. Tecnología Electrónica

L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique. Gonzalo Joya. Dpto. Tecnología Electrónica L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique Gonzalo Joya ETSI Telecomucicación 29017 Málaga joya@dte.uma.es París, le 21 fevrier 2003 Plan 1. Estimation

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

Introduction au datamining

Introduction 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 détail

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

Structures de données non linéaires

Structures de données non linéaires Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Druais Cédric École Polytechnique de Montréal. Résumé

Druais 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 détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Complexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation

Complexité. 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 détail

Chp. 4. Minimisation d une fonction d une variable

Chp. 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 détail

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?

Exercices 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 détail

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?

Exercices 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 détail

UE 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 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 détail

Les indices à surplus constant

Les 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 détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Apprentissage Automatique

Apprentissage 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 détail

Fouille de données orientée motifs, méthodes et usages.

Fouille de données orientée motifs, méthodes et usages. Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet 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 détail

La 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 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 détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-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 détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

Plus en détail

Système immunitaire artificiel

Système 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 détail

Introduction à l Algorithmique

Introduction à l Algorithmique Introduction à l Algorithmique N. Jacon 1 Définition et exemples Un algorithme est une procédure de calcul qui prend en entier une valeur ou un ensemble de valeurs et qui donne en sortie une valeur ou

Plus en détail

CHAPITRE VIII : Les circuits avec résistances ohmiques

CHAPITRE 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 détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

DEMARCHE ET MISE EN ŒUVRE

DEMARCHE ET MISE EN ŒUVRE Chapitre I : CONVENTIONS D ECRITURE 15 CHAPITRE I DEMARCHE ET MISE EN ŒUVRE Le développement de fonctions mathématiques peut répondre à plusieurs critères ou objectifs tels que la vitesse d exécution,

Plus en détail

La classification automatique de données quantitatives

La 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 détail

Chaînes de Markov. Mireille de Granrut

Chaînes de Markov. Mireille de Granrut Chaînes de Markov Mireille de Granrut Quelques précisions à propos de ce cours : Préambule 1. Tel que je l ai conçu, le cours sur les chaînes de Markov interviendra dès la rentrée, pour faire un peu de

Plus en détail

Ebauche Rapport finale

Ebauche 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 détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe 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 détail

Transmission d informations sur le réseau électrique

Transmission 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 détail

Variantes du cycle à compression de vapeur

Variantes 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 détail

Chapitre 1 Régime transitoire dans les systèmes physiques

Chapitre 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 détail

Introduction au Data-Mining

Introduction 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 détail

Tests 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 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 détail

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2 Table des matières Optimisation 1 Petite taxinomie des problèmes d optimisation 2 2 Optimisation sans contraintes 3 2.1 Optimisation sans contrainte unidimensionnelle........ 3 2.1.1 Une approche sans

Plus en détail

Calculer avec Sage. Revision : 417 du 1 er juillet 2010

Calculer 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 détail

Initiation aux Systèmes Neuromimétiques. NeuroTrax. MACKAY, Colin RADOVIC, Alexander GANDECKI, Mickael

Initiation aux Systèmes Neuromimétiques. NeuroTrax. MACKAY, Colin RADOVIC, Alexander GANDECKI, Mickael Initiation aux Systèmes Neuromimétiques NeuroTrax MACKAY, Colin RADOVIC, Alexander GANDECKI, Mickael 15 Juillet 2008 Tables des matières 1 État de l art... 3 1.1 Réseau de neurones... 3 1.1.1 Architecture

Plus en détail

Figure 3.1- Lancement du Gambit

Figure 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 détail

1.2 Unité responsable Département d informatique, Faculté des sciences

1.2 Unité responsable Département d informatique, Faculté des sciences 1. Identification du programme 1.1 Titre du programme Maîtrise ès sciences (informatique) 1.2 Unité responsable Département d informatique, Faculté des sciences 1.3 Diplôme accordé M. Sc. (Informatique)

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP 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 détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Cours de Data Mining PageRank et HITS

Cours de Data Mining PageRank et HITS Cours de Data Mining PageRank et HITS Andreea Dragut Univ. Aix-Marseille, IUT d Aix-en-Provence Andreea Dragut Cours de Data Mining PageRank et HITS 1 / 48 Plan du cours Présentation Andreea Dragut Cours

Plus en détail

Détection 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 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 détail

TD1 Signaux, énergie et puissance, signaux aléatoires

TD1 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 détail

PREPARATION AU TEST POUR L OBTENTION DU CERTIFICAT D APTITUDE- FLUIDES FRIGORIGENES

PREPARATION AU TEST POUR L OBTENTION DU CERTIFICAT D APTITUDE- FLUIDES FRIGORIGENES PREPARATION AU TEST POUR L OBTENTION DU CERTIFICAT D APTITUDE- FLUIDES FRIGORIGENES Durée : 6 jours Public : Plombiers, Electriciens, Chauffagistes Pré-requis : avoir suivi une formation climatisation

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances ARITHMETIQUE 1 C B A Numération Ecrire en lettres et en chiffres Poser des questions fermées autour d un document simple (message, consigne, planning ) Connaître le système décimal Déterminer la position

Plus en détail

Fonctions de plusieurs variables

Fonctions 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

Pourquoi l apprentissage?

Pourquoi 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 détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Rappels sur les suites - Algorithme

Rappels 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 détail

Outils pour les réseaux de neurones et contenu du CD-Rom

Outils 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 détail

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)

(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 détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES 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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 détail

Modélisation et Simulation

Modélisation 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 détail

Économie d énergie dans les centrales frigorifiques : La haute pression flottante

Économie 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 détail

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q 1 Codes linéaires Un code de longueur n est une partie de F n q. Un code linéaire C de longueur n sur le corps ni F q est un sous-espace vectoriel de F n q. Par défaut, un code sera supposé linéaire. La

Plus en détail

MESURE DE LA TEMPERATURE

MESURE 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 détail

Propriétés thermodynamiques du mélange. Eau-Ammoniac-Hélium

Propriétés 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 détail

LE PROBLEME DU PLUS COURT CHEMIN

LE 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 détail

Les algorithmes de fouille de données

Les 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 détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

Optimisation, traitement d image et éclipse de Soleil

Optimisation, 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 détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. 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 détail

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP)

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Loris Marchal, Guillaume Melquion, Frédéric Tronel 21 juin 2011 Remarques générales à propos de l épreuve Organisation

Plus en détail

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$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 détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Conversion électronique statique

Conversion électronique statique Conversion électronique statique Sommaire I) Généralités.2 A. Intérêts de la conversion électronique de puissance 2 B. Sources idéales.3 C. Composants électroniques..5 II) III) Hacheurs..7 A. Hacheur série

Plus en détail

Mathématique 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 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 détail

Utilisation 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 détail

ENSPS 3A ISAV Master ISTI AR. J. Gangloff

ENSPS 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 détail