Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

See discussions, stats, and author profiles for this publication at: https://ww

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/319939107 Les Réseaux de Neurones Artiﬁciels Chapter · September 2017 CITATIONS 0 READS 3,668 1 author: Some of the authors of this publication are also working on these related projects: Nonlinear control strategies of doubly fed induction generator for wind turbine drive View project Neural Network Applied To Power Quality Enhancement View project Youcef Djeriri University of Sidi-Bel-Abbes 32 PUBLICATIONS 114 CITATIONS SEE PROFILE All content following this page was uploaded by Youcef Djeriri on 20 September 2017. The user has requested enhancement of the downloaded file. Y. Djeriri Les réseaux neurones artificiels UDL-SBA-2017 1 Les Réseaux de Neurones Artificiels Y. Djeriri Les réseaux neurones artificiels UDL-SBA-2017 2 I - Introduction Le cerveau humain a une fantastique puissance de traitement de l’information si l’on considère ses capacités à prendre en charge certaines taches nécessaires pour obtenir un comportement intelligent. La nature de l’intelligence a longtemps été un sujet difficile et controverse. D’une certaine manière, chacun a une idée assez vague de ce qu’est l’intelligence : la capacité à observer, à comprendre, à se souvenir, à résoudre des problèmes, à apprendre, à créer,…etc. Deux disciplines sont concernées par la définition et la modélisation du comportement intelligent : ce sont la psychologie cognitive et l’intelligence artificielle (IA en jargon informatique). La psychologie cognitive est l’étude scientifique des structures de mémorisation et des processus de raisonnement humain. Le but de l’IA est le développement des machines capables d’avoir un comportement intelligent. Le critère pour estimer la qualité d’un modèle en « IA » diffère de ceux de la neurophysiologie ou des sciences cognitives. En « IA », on met l’accent sur le développement des systèmes à hautes performances plutôt que sur la reproduction fidèle ou l’explication du comportement humain et a fortiori des données neuro-physiologiques. Au fur et à mesure que progresse l’informatique dans les années cinquante et soixante, il devient clair que les domaines privilégiés à court terme de l’ordinateur sont le calcul scientifique et la gestion. Les performances de celui-ci dans des tâches plus ″intelligentes″ (traduction automatique, vision et reconnaissance des formes sont plus discutables). Les techniques de l’intelligence artificielle telles que les systèmes experts, la logique floue, les algorithmes génétiques et les réseaux de neurones artificiels (RNA) ont été largement utilisées dans le domaine de l’électronique de puissance et de la commande des machines électriques. L’objectif recherché dans l’utilisation des techniques de l’intelligence artificielle est d’arriver à l’émulation du raisonnement humain sur un DSP (Digital Signal Processor) (processeur de signal numérique) de telle sorte que le système complet commande - machine puisse penser et réagir intelligemment comme un être humain. Un système commande - machine équipé d’un algorithme développant un calcul par intelligence est appelé système intelligent. En effet, un système intelligent possède la caractéristique d’apprentissage, d’auto-organisation et d’auto-adaptation. Les techniques de l’intelligence artificielle ont été discutées pendant longtemps et le seront également à l’avenir. Actuellement, les techniques de l’intelligence artificielle sont largement utilisées dans de nombreux domaines tels que la régulation de processus industriels, le traitement d’image, le diagnostic, la médecine, la technologie spatiale et les systèmes de gestion de données informatiques. Parmi toutes les techniques intelligentes, les réseaux de neurones artificiels (RNA) semble avoir le maximum d’impact dans le domaine de l’électronique de puissance et dans la commande de machines électriques, ce qui est évident par le nombre important de publications réalisées dans la littérature. Les RNA constituent une technique de traitement de données bien comprise et bien maitrisée. Ces techniques s’intègrent parfaitement dans les stratégies de commande. En effet, elles réalisent des fonctionnalités d’identification, de contrôle ou de filtrage, et prolonge les techniques classiques de l’automatique non linéaire pour aboutir à des solutions plus efficaces et robustes. Y. Djeriri Les réseaux neurones artificiels UDL-SBA-2017 3 Dans ce chapitre, nous présentons dans un premier temps un bref historique sur RNA et des généralités sur leurs concepts de base. Nous abordons ensuite le processus d’apprentissage. L’apprentissage d’un RNA se réalise par le choix du type d’apprentissage et de l’algorithme de mise à jour. Comme type, seul l’apprentissage supervisé sera détaillé vu son intérêt dans la commande et l’identification des systèmes dynamiques. Nous présentons trois algorithmes d’apprentissage : l’apprentissage par correction d’erreur, l’apprentissage à rétropropagation du gradient d’erreur et l’apprentissage par renforcement. Seuls les deux premiers algorithmes seront II - Historique Les recherches sur les méthodes neuronales de traitement de l’information en vue de modéliser le comportement du cerveau humain ne sont pas récentes, en :  1890 : W. James, célèbre psychologue américain introduit le concept de mémoire associative, et propose ce qui deviendra une loi de fonctionnement pour l’apprentissage sur les réseaux de neurones connue plus tard sous le nom de loi de Hebb.  1943 : J. Mc Culloch et W. Pitts, laissent leurs noms à une modélisation du neurone biologique (un neurone au comportement binaire). Ceux sont les premiers à montrer que des réseaux de neurones formels simples peuvent réaliser des fonctions logiques, arithmétiques et symboliques complexes (tout au moins au niveau théorique).  1949 : D. Hebb, physiologiste américain explique le conditionnement chez l’animal par les propriétés des neurones eux-mêmes. Ainsi, un conditionnement de type pavlovien tel que, nourrir tous les jours à la même heure un chien, entraine 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.  1957 : 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 de formes. Notons qu’à cet époque les moyens à sa disposition sont limités et c’est une prouesse technologique que de réussir à faire fonctionner correctement cette machine plus de quelques minutes.  1960 : B. Widrow, un automaticien, développe le modèle ADALINE (ADAptive LInear NEuron). 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 retro propagation de gradient très utilisé aujourd’hui avec les Perceptrons multicouches. Les réseaux de type ADALINE restent utilisés de nos jours pour certaines applications particulières.  1969 : M.L. Minsky et S. Papert publient ensuite 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.  1972 : T. Kohonen présente ses travaux sur les mémoires associatives et propose des applications à la reconnaissance de formes.  1982 : J.J. Hopfield est un physicien reconnu à qui l’on doit le renouveau d’intérêt pour les réseaux de neurones artificiels. Il présente une théorie du fonctionnement et des possibilités des réseaux de neurones.  1983 : La machine de Boltzmann est le premier modèle connu apte à traiter de manière satisfaisante les limitations recensées dans le cas du Perceptron. Mais l’utilisation pratique Y. Djeriri Les réseaux neurones artificiels UDL-SBA-2017 4 s’avère difficile, la convergence de l’algorithme étant extrêmement longue (les temps de calcul sont considérables).  1985 : La rétropropagation de gradient apparaît. C’est un algorithme d’apprentissage adapté aux réseaux de neurones multicouches (aussi appelés Perceptrons multicouches). Sa découverte réalisée par trois groupes de chercheurs indépendants indique que « la chose était dans l’air ». Dés 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. De nos jours, les réseaux multicouches et la rétropropagation de gradient reste le modèle le plus productif au niveau des applications. Depuis ce temps, le domaine des réseaux de neurones fourni constamment de nouvelles théories, de nouvelles structures et de nouveaux algorithmes. Dans ce chapitre, nous allons tenter d’exposer les plus importants. III - Domaines d'application des réseaux de neurones artificiels Aujourd’hui, les réseaux de neurones artificiels ont de nombreuses applications dans des secteurs très variés :  Traitement d’images : reconnaissance de caractères et de signatures, compression d’images, reconnaissance de forme, cryptage, classification, etc.  Traitement du signal : filtrage, classification, identification de source, traitement de la parole…etc.  Contrôle : commande de processus, diagnostic, contrôle qualité, asservissement des robots, systèmes de guidage automatique des automobiles et des avions…etc.  Défense : guidage des missiles, suivi de cible, reconnaissance du visage, radar, sonar, lidar, compression de données, suppression du bruit…etc.  Optimisation : planification, allocation de ressource, gestion et finances, etc.  Simulation : simulation du vol, simulation de boîte noire, prévision météorologique, recopie de modèle…etc. IV - Définition des réseaux de neurones (a) (b) Fig.1 - Structure d’un réseau de neurone biologique et le cerveau humain. Y. Djeriri Les réseaux neurones artificiels UDL-SBA-2017 5 Corps cellulaire Dendrite Neurone Noyau Gain de myéline Axone Synapse Nœud de Ranvier L’origine des réseaux de neurones vient de l’essai de modélisation mathématique du cerveau humain les premiers travaux datent de 1943 et sont l’œuvre de W.M. Culloch et W. Pitts. Ils supposent que l’impulsion nerveuse est le résultat d’un calcul simple effectué par chaque uploads/Ingenierie_Lourd/ polycopie-rna.pdf