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

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013 École de technologie supérieure Département de génie de la production automatisée Responsable(s) du cours : Crédits : Richard Lepage, ing., Ph.D. GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE

Plus en détail

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S POUR L ENSEIGNEMENT DE L INFORMATIQUE MPSI première année I. Objectifs de la formation II-1 Développement de compétences et d aptitudes

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

avec w ij poids liant le neurone j au neurone i vec w.vec xi = 0 vec xi vec xi

avec w ij poids liant le neurone j au neurone i vec w.vec xi = 0 vec xi vec xi Exemple pour un perceptrion à deux classes (1 unité de sortie) -> 1/-1 Si w i x 0 la réponse est 1 Si w i x 0 la réponse est -1 Donc la discrimination se fait pour des entrés (les x ). Cet hyperplan a

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

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

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

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

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

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

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 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

en sciences de l ingénieur

en sciences de l ingénieur Systèmes Automatisés Optimisation en sciences de l ingénieur présente les principales méthodes exactes d optimisation statique et dynamique. Parmi les méthodes décrites figurent : - la programmation linéaire

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

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES 1 TABLE DES MATIERES TABLE DES MATIERES... 2 I PERCEPTRON SIMPLE... 3 I.1 Introduction... 3 I.2 Algorithme... 3 I.3 Résultats... 4 1er exemple

Plus en détail

Architecture des calculateurs

Architecture des calculateurs Chapitre 1 Architecture des calculateurs 1.1 Introduction Ce paragraphe n a pas la prétention de présenter un cours d informatique. D une manière générale, seuls les caractéristiques architecturales qui

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

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

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

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07 Reconstruction et Animation de Visage Charlotte Ghys 15/06/07 1 3ème année de thèse Contexte Thèse CIFRE financée par Orange/France Telecom R&D et supervisée par Nikos Paragios (Ecole Centrale Paris) et

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Support Vector Machines

Support Vector Machines Support Vector Machines Séparateurs à vaste marge Arnaud Revel revel.arnaud@gmail.com Plan 1 Introduction 2 Formalisation 3 Utilisation des noyaux 4 Cas multi-classes 5 Applications des SVM 6 Bibliographie

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

Algorithmique et Analyse d Algorithmes

Algorithmique et Analyse d Algorithmes Algorithmique et Analyse d Algorithmes L3 Info Cours 11 : Arbre couvrant Prétraitement Benjamin Wack 2015-2016 1 / 32 La dernière fois Rappels sur les graphes Problèmes classiques Algorithmes d optimisation

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

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

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

Réseaux de neurones. 1 Introduction. Résumé. 1.1 Historique. 1.2 Réseaux de neurones. 1 Réseaux de neurones

Réseaux de neurones. 1 Introduction. Résumé. 1.1 Historique. 1.2 Réseaux de neurones. 1 Réseaux de neurones 1 Réseaux de neurones Résumé Réseaux de neurones Définition et caractéristiques des réseaux de neurones ou perceptrons multicouches spécifiques pour la régression et la discrimination ou classification

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

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

k Couche de sortie change alors, seul k change. Si w ij

k Couche de sortie change alors, seul k change. Si w ij Support théorique de «backprop» : Cette partie présente la théorie qui sous-tend l algorithme «backprop» dont une exécution a été montrée à la partie précédente. La figure 4 montre un réseau plus général

Plus en détail

ORDRE DE RÉACTION : MÉTHODES DE

ORDRE DE RÉACTION : MÉTHODES DE ORDRE DE RÉACTION : MÉTHODES DE RÉSOLUTION Table des matières 1 Méthodes expérimentales 2 1.1 Position du problème..................................... 2 1.2 Dégénérescence de l ordre...................................

Plus en détail

Régulation par PID Mickaël CAMUS Etienne DEGUINE Daniel ROSS

Régulation par PID Mickaël CAMUS Etienne DEGUINE Daniel ROSS Régulation par PID Mickaël CAMUS Etienne DEGUINE Daniel ROSS 26/02/10 Plan Définition 1. Proportionnel 2. Intégral 3. Dérivé Réglages des coefficients 1. Différentes approches 2. Ziegler-Nichols 3. Process

Plus en détail

Les Réseaux de Neurones

Les Réseaux de Neurones I Les Réseaux de Neurones 2. Présentation des réseaux neuronaux 2.1. Introduction 2.2. Les neurones 2.3. Architectures simples 2.4. Architectures multicouches 3. Apprentissage supervisé 3.1. Introduction

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

Feuille n 2 : Contrôle du flux de commandes

Feuille n 2 : Contrôle du flux de commandes Logiciels Scientifiques (Statistiques) Licence 2 Mathématiques Générales Feuille n 2 : Contrôle du flux de commandes Exercice 1. Vente de voiture Mathieu décide de s acheter une voiture neuve qui coûte

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

M1/UE CSy - module P8 1

M1/UE CSy - module P8 1 M1/UE CSy - module P8 1 PROJET DE SIMULATION AVEC MATLAB RÉGULATION DU NIVEAU ET DE LA TEMPÉRATURE DANS UN BAC En vue de disposer d un volume constant de fluide à une température désirée, un processus

Plus en détail

L'intelligence artificielle

L'intelligence artificielle Texte de la 263 e conférence de l'université de tous les savoirs donnée le 19 septembre 2000. L'intelligence artificielle par JEAN-PAUL HATON Dès le début de l intelligence artificielle (IA) dans les années

Plus en détail

Système. Introduction aux systèmes informatiques

Système. Introduction aux systèmes informatiques Introduction aux systèmes informatiques Système Un système est une collection organisée d'objets qui interagissent pour former un tout Objets = composants du système Des interconnexions (liens) entre les

Plus en détail

Présentation. Il s adresse aux étudiants : de B.T.S. Fluides Énergies Environnement, d I.U.T. Génie Thermique des écoles d ingénieurs.

Présentation. Il s adresse aux étudiants : de B.T.S. Fluides Énergies Environnement, d I.U.T. Génie Thermique des écoles d ingénieurs. Présentation Professeur agrégé de mécanique, j enseigne la conception des installations frigorifiques depuis 1989 en B.T.S. Fluides Énergies Environnement option Génie Frigorifique. Lors de sa dernière

Plus en détail

EXEMPLES DE MODÉLISATION DE PROCESSUS

EXEMPLES DE MODÉLISATION DE PROCESSUS Première partie : chapitre 4. 1 Chapitre 4 EXEMPLES DE MODÉLISATION DE PROCESSUS INTRODUCTION. Dans les chapitres 2 et 3, nous avons décrit les principes de la modélisation de processus par réseaux de

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

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

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

IUT Toulouse II - Automatique et Systèmes Génie Industriel et Maintenance GIM 2 Promo 14 Année 2007-2008. AUTOMATIQUE et SYSTEMES

IUT Toulouse II - Automatique et Systèmes Génie Industriel et Maintenance GIM 2 Promo 14 Année 2007-2008. AUTOMATIQUE et SYSTEMES IUT Toulouse II - Automatique et Systèmes Génie Industriel et Blagnac Maintenance GIM 2 Promo 14 Année 2007-2008 AUTOMATIQUE et SYSTEMES Les cours, TD et TP seront entièrement programmés en 2 ème année.

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

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Pour un socle de la licence de MATHEMATIQUES

Pour un socle de la licence de MATHEMATIQUES Pour un socle de la licence de MATHEMATIQUES Société Mathématique de France Société de Mathématiques Appliquées et Industrielles Société Française de Statistique Contexte général Afin d éviter de trop

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

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

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

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

LES NEURONES : APPROCHES

LES NEURONES : APPROCHES LES NEURONES : APPROCHES STRUCTURELLE ET FONCTIONNELLE I Généralités Un neurone est une cellule dite «excitable» qui est la brique élémentaire du systèm nerveux. Ces cellules possèdent deux propriétés

Plus en détail

COURS DE DATA MINING 8 : MODELISATIONS RESEAUX DE NEURONES ET DE KOHONEN

COURS DE DATA MINING 8 : MODELISATIONS RESEAUX DE NEURONES ET DE KOHONEN COURS DE DATA MINING 8 : MODELISATIONS RESEAUX DE NEURONES ET DE KOHONEN EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 8 : Modélisations - Réseaux de neurones

Plus en détail

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic Algorithmique et programmation Cours d'algorithmique illustré par des exemples pour le picbasic Même s'il est possible d'écrire un programme petit à petit par touches successives, le résultat est souvent

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

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

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

Chapitre 2 : Représentation des nombres en machine

Chapitre 2 : Représentation des nombres en machine Chapitre 2 : Représentation des nombres en machine Introduction La mémoire des ordinateurs est constituée d une multitude de petits circuits électroniques qui ne peuvent être que dans deux états : sous

Plus en détail

Primitives Cours maths Terminale S

Primitives Cours maths Terminale S Primitives Cours maths Terminale S Dans ce module est introduite la notion de primitive d une fonction sur un intervalle. On définit cette notion puis on montre qu une fonction admet une infinité de primitives

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

2.1. Les fonctions. Les fonctions se définissent de la manière suivante : NomDeLaFonction(param1, param2,...)= { \\ Code de la fonction

2.1. Les fonctions. Les fonctions se définissent de la manière suivante : NomDeLaFonction(param1, param2,...)= { \\ Code de la fonction TP1, prise en main de Pari/GP et arithmétique Le programme que nous allons utiliser pour les TP se nomme PARI/GP dont le point fort est la théorie des nombres (au sens large). Il est donc tout à fait adapter

Plus en détail

LE PROBLEME DU FLOT MAXIMAL

LE PROBLEME DU FLOT MAXIMAL LE PROBLEME DU FLOT MAXIMAL I Exemple d introduction Deux châteaux d'eau alimentent 3 villes à travers un réseau de canalisations au sein duquel se trouvent également des stations de pompage. Les châteaux

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours 0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage 3- Organisation du cours Le présent cours constitue une introduction pour situer le langage C++, beaucoup des concepts

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

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

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

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015 Baccalauréat ES Nouvelle-Calédonie mars 015 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats On considère la fonction f définie pour tout réel x de l intervalle [1,5 ; 6] par : f (x)=(5x 3)e x. On

Plus en détail

L essai de Psy.D. (18 crédits) Définition et balises

L essai de Psy.D. (18 crédits) Définition et balises L essai de Psy.D. (18 crédits) Définition et balises politique adoptée par le CECS le 6 novembre 2002 Suite à l adoption par le Comité des études de cycles supérieurs en psychologie du projet de modification

Plus en détail

Placement de centres logistiques

Placement de centres logistiques Master 1 - Spécialité Androide Année 2014/2015 Module RP Résolution de Problèmes Projet Placement de centres logistiques On considère dans ce projet la résolution du problème de placement de centres logistiques

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé 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 détail

Analyse et Commande des systèmes linéaires

Analyse et Commande des systèmes linéaires Analyse et Commande des systèmes linéaires Frédéric Gouaisbaut LAAS-CNRS Tel : 05 61 33 63 07 email : fgouaisb@laas.fr webpage: www.laas.fr/ fgouaisb September 24, 2009 Présentation du Cours Volume Horaire:

Plus en détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel

Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel J. Blondel, L. Marle - CRIGEN A. Abdesselam GRTgaz F. Brissaud - DNV France Presentation Plan Objectifs

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

ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview.

ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview. ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview. Sciences et Technologies de l Industrie et du Développement Durable Formation des enseignants parcours : ET24 Modèle de

Plus en détail

BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES. EXEMPLE DE SUJET n 1

BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES. EXEMPLE DE SUJET n 1 Exemple de sujet n 1 Page 1/7 BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES EXEMPLE DE SUJET n 1 Ce document comprend : Pour l examinateur : - une fiche descriptive du sujet page 2/7 - une fiche

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

LE DIAGRAMME ENTHALPIQUE

LE DIAGRAMME ENTHALPIQUE LE DIAGRAMME ENTHALPIQUE L expression cycle vient de la thermodynamique. En effet lorsqu une masse de fluide se retrouve après diverses transformations dans le même état (pression, volume, température)

Plus en détail

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes

Plus en détail

TECHNIQUE DU FROID ET DU CONDITIONNEMENT DE L AIR. Séance : Les systèmes de climatisation Date :

TECHNIQUE DU FROID ET DU CONDITIONNEMENT DE L AIR. Séance : Les systèmes de climatisation Date : TECHNIQUE DU FROID ET DU CONDITIONNEMENT DE L AIR Tâche T4.2 : Mise en service des installations Compétence C1.2 : Classer, interpréter, analyser Thème : S5 : Technologie des installations frigorifiques

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

CHAPITRE 9 COMMUNICATION NERVEUSE. Le système nerveux forme dans l organisme un réseau de communication qui permet à la fois :

CHAPITRE 9 COMMUNICATION NERVEUSE. Le système nerveux forme dans l organisme un réseau de communication qui permet à la fois : CHAPITRE 9 COMMUNICATION NERVEUSE Le système nerveux forme dans l organisme un réseau de communication qui permet à la fois : De recueillir des informations en provenance de l environnement et des structures

Plus en détail