Remerciez-le!

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

-PET- Vol. 58 ISSN : 1737-9934 International Centre for Innovation & Developmen

-PET- Vol. 58 ISSN : 1737-9934 International Centre for Innovation & Development –ICID– Editeur : Dr. Ahmed Rhif (Tunisia) Proceedings of Engineering & Technology -PET- Techniques avancées sur la commande et le traitement de signal ISSN: 1737-9334 Proceedings of Engineering & Technology -PET- Techniques avancées sur la commande et le traitement de signal Editeur: Dr. Ahmed Rhif (Tunisie) International Centre for Innovation & Development –ICID– -PET- Vol. 58 ICID International Centre for Innovation & Development Editeur en chef: Dr. Ahmed Rhif (Tunisia) Ahmed.rhif@gmail.com Dean of International Centre for Innovation & Development (ICID) Comité de redaction: Janset Kuvulmaz Dasdemir, Turkey Mohsen Guizani, USA Quanmin Zhu, UK Muhammad Sarfraz, Kuwait Minyar Sassi, Tunisia Seref Naci Engin, Turkey Victoria Lopez, Spain Yue Ma, China Zhengjie Wang, China Amer Zerek, Libya Abdulrahman A. A. Emhemed, Libya Abdelouahid Lyhyaoui, Morocco Ali Haddi, Morocco Hedi Dhouibi, Tunisia Jalel Chebil, Tunisia Tahar Bahi, Algeria Youcef Soufi, Algeria Ahmad Tahar Azar, Egypt Sundarapandian Vaidyanathan, India Ahmed El Oualkadi, Morocco Chalee Vorakulpipat, Thailand Faisal A. Mohamed Elabdli, Libya Feng Qiao, UK Lijie Jiang, China Mohammed Sidki, Morocco Natheer K.Gharaibeh, Jordan O. Begovich Mendoza, Mexico Özlem Senvar, Turkey Qing Zhu, USA Ved Ram Singh, India Beisenbia Mamirbek, Kazakhstan Claudia Fernanda Yasar, Turkey Habib Hamdi, Tunisia Laura Giarré, Italy Lamamra Kheireddine, Algeria Maria Letizia Corradini, Italy Ozlem Defterli, Turkey Abdel Aziz Zaidi, Tunisia Brahim Berbaoui, Algeria Jalel Ghabi, Tunisia Yar M. Mughal, Estonia Syedah Sadaf Zehra, Pakistan Ali Mohammad-Djafari, France Greg Ditzler, USA Fatma Sbiaa, Tunisia Kenz A.Bozed, Libya Lucia Nacinovic Prskalo, Croatia Mostafa Ezziyyani, Morocco Nilay Papila, Turkey Rahmita Wirza, Malaysia Sommaire Réseaux de neurones attentifs prochaine évolution de l’intelligence artificielle. Page 1 Mohamed Amine Djebbi, Seifallah Fetni, Riadh Ouersighni. Analyse temps et fréquence des potentiels induits par les commutations des gradients Page 5 lors de l’IRM. Karim Bouzrara, Odette Fokapu, Kais Jamoussi, Ahmed Fakhfakh. Modélisation et Simulation Basées DEVS/SMA de Processus Industriels. Page 9 Mohammed Redjimi. Sur les Implémentations de Détecteurs de Défaillances dans les Systèmes Page 13 Distribués Asynchrones. Hamouma MOUMEN , Souheila BOUAM . R´ eseaux de neurones attentifs prochaine ´ evolution de l’intelligence artiﬁcielle 1st Mohamed Amine Djebbi Virtual Reality & Information Technology (VRIT) Military Academy of Foundouk Jedid Nabeul, Tunisia aminedjebbie@gmail.com 2nd Seifallah Fetni Electro Mechanical department Military Academy of Foundouk Jedid Nabeul, Tunisia seifallah.el.fetni@gmail.com 3rd Riadh Ouersighni Virtual Reality & Information Technology (VRIT) Military Academy of Foundouk Jedid Nabeul, Tunisia riadh.ouersighni@gmail.com Abstract—Les techniques d’apprentissage automatique r´ eelles et les m´ ethodes de r´ eseaux de neurones profonds ont un impact potentiel dans le domaine de l’exp´ erience des tˆ aches informelles. Cependant, la plupart de ces m´ ecanismes ne prˆ etent pas attention au ph´ enom` ene de psycho-perception. Dans cet article, nous avons bien critiqu´ e les principales limites des mod` eles de r´ eseau neu- ronal et du d´ eﬁdes donn´ ees massives. Ensuite, nous avons men´ e notre recherche visant ` a concevoir un r´ eseau de neurones attentif, traitant du lien entre intelligence artiﬁcielle et psychanalyse. La structure neuronale propos´ ee implique essentiellement une couche cognitive entre la couche d’entr´ ee et les autres types de couches cach´ ees. Le principal avantage de cette couche est de b´ en´ eﬁcier du rendu des autres couches et des fonctions des neurones et de m´ emoriser la plupart des valeurs d’entr´ ee. Apr` es la s´ eance de formation, notre couche ajout´ ee pourra extraire, par ses poids et ses fonctions, les donn´ ees entrantes pertinentes en relation avec des tˆ aches particuli` eres. Les r´ esultats exp´ erimentaux appliqu´ es ` a un r´ eseau de neurones convolutifs montrent que notre mod` ele atteint des performances de pointe avec une pr´ ecision de 99,18 % contre 82,42 % dans la structure pr´ ec´ edente. Index Terms—deep neural network , big-data analysis , ma- chine learning I. INTRODUCTION Le concept d’intelligence artiﬁcielle (IA) a commenc´ e depuis les ann´ ees 1950, quand Alan Turing supposait que les machines pouvaient penser, mais avec des limites com- par´ ees ` a l’intelligence humaine. ` A cette ´ epoque, le princi- pal d´ eﬁconsistait ` a r´ esoudre des tˆ aches arithm´ etiques et logiques avanc´ ees, telles que le d´ echiffrement des signaux de transmission radio n´ eerlandais de la ”machine Inigma” [1]. En fait, l’utilisation de circuits ´ electriques et logiques a prouv´ e leur efﬁcacit´ e en raccourcissant consid´ erablement les calculs, pr´ ec´ edemment ex´ ecut´ e par l’homme. Sept ans avant la machine de Turing, McCulloch et Pitts ont introduit le calcul logique derri` ere les neurones dans le cerveau [2]. Jusqu’` a pr´ esent, les progr` es technologiques permettent aux machines de devenir des candidats potentiels pour diverses applications telles que la d´ etection et la classiﬁcation d’objets, la reconnaissance vocale, la compr´ ehension et la synth` ese de texte. [3]. Ce comportement particulier, qui exige de notre cerveau quelques micro-secondes, ´ etait le probl` eme de calcul le plus complexe pour les super-ordinateurs les plus puissants durant des ann´ ees de programmation et de reprogrammation par des algorithmes arithm´ etiques. Par cons´ equent, l’importance de l’intelligence artiﬁcielle et de l’apprentissage en profondeur par les r´ eseaux de neurones tire son importance de l’inspiration des capacit´ es c´ er´ ebrales. Cependant, les r´ eseaux de neurones intelligents ne poss` edent toujours pas la pens´ ee cognitive initialement induite dans la perception humaine [4]–[6]. Par cons´ equent, la structure du r´ eseau de neurones est devenue tr` es int´ eressante en raison de sa capacit´ e ` a imiter les performances du cerveau. En contrepartie, dans le monde r´ eel, les donn´ ees, objets et ´ ev´ enements trait´ es par apprentissage en profondeur (avec des mod` eles diff´ erents), ne sont pas isol´ es de leur environnement mais fortement li´ es ` a un ´ etat de contexte g´ en´ erique Cela pourrait s’expliquer par la psychologie de la forme dans la loi de Gestalt qui lie la psychologie et la perception [7]. Ici, chaque objet est consid´ er´ e comme signiﬁcatif ` a la fois pour la vision totale que partielle. Une telle prise en compte de la psycho-pens´ ee se manifeste sous d’autres aspects plus int´ eressants tels que l’impact de l’illusion dans la perception, l’invocation des sens du toucher et l’audition dans la reconnaissance d’objets ainsi que le vocabulaire de compr´ ehension. Ainsi, le recours ` a la psychanalyse peut se faire avec une grande acuit´ e avec la perception [8]. Dans ce travail, les limites de la perception des r´ eseaux neuronaux profonds seront illustr´ ees dans un premier temps [9]. Ensuite, nous allons d´ emontrer, ` a travers une nouvelle structure, comment le recours ` a la psycho-analyse peut con- duire ` a d´ epasser ces limites. 8 ème Conférence Internationale en Automatique & Traitement de Signal (ATS-2019) Proceedings of Engineering and Technology PET Copyright - 2019 ISSN 1737-9334 Page 1 II. LIMITES DE L’INTELLIGENCE ARTIFICIELLE ET DE LA PERCEPTION DE L’APPRENTISSAGE AUTOMATIQUE DANS L’ANALYSE DE DONN´ EES A. r´ eseaux de neurones embarqu´ e et d´ eﬁde la r´ egression des donn´ ees Des mod` eles de r´ eseaux de neurones intelligents sont de plus en plus d´ evelopp´ es en relation avec le volume de donn´ ees. Par cons´ equent, ces mod` eles n´ ecessitent plus de param` etres pour atteindre les objectifs, mais cela implique des exigences en termes de comp´ etences de calcules et de m´ emoire des machines. D’´ enormes mod` eles sont ´ egalement sensibles au manque de donn´ ees, ce qui signiﬁe que l’absence d’un volume l´ egal de donn´ ees d’apprentissage et de test pourrait ˆ etre la cause d’un overﬁt [10]–[12]. La repr´ esentation embarqu´ e est une technique bien connue pour r´ esoudre les probl` emes de manque de donn´ ees, utilisant un apprentissage non supervis´ e pour g´ en´ erer des imbrications et alimenter des algorithmes pr´ edictifs avec moins de donn´ ees [13], [14]. En outre, l’embarqu´ e est une technique efﬁcace pour d´ evelopper des algorithmes de compression tels que l’analyse en composantes principales (PCA) [15] et les archi- tectures de codeurs dans la r´ egression des dimensions [16]. En effet, l’id´ ee de r´ egression des dimensions repose sur le principe de conserver les informations importantes dans les donn´ ees essentielles, aﬁn de r´ epondre aux questions directement li´ ees aux exigences initialement introduites. En cons´ equence, il existe une perte pond´ er´ ee d’informations qui peut pr´ esenter un int´ erˆ et pour d’autres probl` emes de classiﬁcation, mais surtout trop utile dans des situations complexes telles que la localisation. Jusqu’` a pr´ esent, l’intelligence artiﬁcielle manque l’une des proc´ edures de localisation les plus puissantes; Dans les donn´ ees du monde r´ eel, les objets et les ´ ev´ enements ne sont pas pr´ esents seuls dans un environnement restreint. En fait, il existe un lien ´ etroit entre les donn´ ees dans la forme contextuelle du concept.Nous mentionnons ici le principe de la totalit´ e dans Gestalt uploads/Science et Technologie/ techniques-avancees-sur-la-commande-et-le-traitement-de-signal.pdf