Égalisation Par Prédiction Basée Sur Des Réseaux De Neurones et Des Fonctions Objectifs Obtenues À Partir De La Divergence De Kullback-Leibler et Du Constant Modulus (original) (raw)
Related papers
HAL (Le Centre pour la Communication Scientifique Directe), 2021
En classification automatique de textes, de nombreux travaux récents portent sur l'interprétation des réseaux de neurones par la production d'explications associées aux prédictions. Dans ce contexte, EBBE-Text offre une visualisation interactive de la frontière de décision, du positionnement des textes vis-àvis de celle-ci (et donc de la certitude d'un réseau en ses prédictions), des chemins menant d'un texte à la frontière de décision, des informations concernant la proximité entre les textes, tout cela au sein de différentes localités dans l'espace de représentation des textes. Ces informations permettent d'intuiter comment le réseau de neurones de classification fonctionne et ainsi aider à son interprétabilité. Notre méthode crée des données sur la frontière de décision puis utilise des ensembles flous simplicials pour créer un graphe avant d'aligner linéairement les données créées sur la frontière de décision. Enfin, un processus itératif place les données d'entrée autour des arrangements linéaires des données de la frontière.
Étude Des Réseaux De Neurones Sur La Stéganalyse
2016
Des travaux recents ont montre que les reseaux de neu-rones ont un fort potentiel dans le domaine de la stegana-lyse. L'avantage d'utiliser ce type d'architecture, en plus d'etre robuste, est que le reseau apprend les vecteurs ca-racteristiques de maniere automatique grâce aux couches de convolution. On peut dire qu'il cree des filtres intelli-gents. Dans cet article nous etudions le deep learning dans le domaine de la steganalyse afin d'avoir une meilleure comprehension de son fonctionnement. Dans ce document nous presentons les travaux que nous avons effectues sur les reseaux de neurones convolutionnels. Tout d'abord, nous expliquons les aspects theoriques des reseaux de neu-rones, puis nous presentons nos protocoles experimentaux et nous commentons les resultats obtenus. Mots clefs Steganalyse, Deep Learning, reseaux de neurones, cover source mismatch.
2016
Cet article presente l'application de la methode des reseaux de neurones pour la prediction du comportement vibratoire d’un systeme mecanique. Nous excitons le systeme experimental par un defaut combine (desalignement - balourd) et nous recueillons le RMS comme valeur caracteristique pertinente pour l’etat du systeme. le sous-ensemble de caracteristiques obtenu est ainsi injecte dans le reseau de neurone. ce dernier peut etre fonde sur un processus de detection permettant une modelisation pour determiner l’etat courant du systeme. nous utilisons ces donnees mesurees pour l’apprentissage et la verification de la performance du reseau de neurone. la procedure sera faite en trois etapes, la phase de mesure, ensuite la phase d’apprentissage et enfin la phase de prediction La prediction par le reseau de neurone est comparee avec une mesure experimentale. Les resultats sont satisfaisants et encourageants.
2014
Dans cette these, nous proposant un nouvel algorithme de separation aveugle de sources, base sur l'optimisation de l'information mutuelle sous contraintes.Le probleme d'optimisation sous contraintes est resolu par passage au probleme dual. L'estimateur propose du gradient utilise l'estimation des densites de probabilite par maximum de vraisemblance est reseaux de neurones MLP pour des modeles de lois exponentielles choisis par minimisation du critere AIC. Ensuite, la methode a ete generalisee a l'ensemble des divergences entre densites de probabilite. Nous montrons que l'algorithme utilisant la modelisation neuronale de la loi de probabilite a de bonnes performances d'estimation des signaux sources. Nous proposons aussi un algorithme de separation aveugle de sources de melange post non lineaire (PNL) en utilisant un reseaux de neurones multicouches.La procedure consiste a la fois a compenser les nonlinearites du modeles PNL et d'estimer les source...
Réseaux de neurones récurrents à fonctions de base radiales : RRFR Application au pronostic
Revue d'intelligence artificielle, 2002
Cet article présente un réseau RFR récurrent (Réseaux Récurrent à Fonction de base Radiales) appliqué à un problème de pronostic d'un système non linéaire. Le processus d'apprentissage du réseau RRFR se décompose en deux étapes. Durant la première étape, les paramètres des neurones gaussiens sont déterminés par la méthode non supervisée des Kmoyens, dont les performances ont été améliorées avec la technique FuzzyMinMax. Dans une seconde étape, les poids des connexions de sortie sont déterminés par une technique supervisée de régression linéaire. A travers l'application sur le benchmark Box and Jenkins gaz, nous illustrons la capacité du RRFR de prédire l'évolution d'un système non linéaire. Ses performances se montrent nettement supérieurs à celles du TDRBF, dés lors qu'on augmente l'horizon des prédictions temporelles. La technique FuzzyMinMax rend la convergence de l'algorithme des K-moyens plus stable. ABSTRACT. This paper introduces a Recurrent Radial Basis Function network (RRBF) for nonlinear system prognosis. The training process is divided in two stages. First, the parameters of the RRBF are determined by the unsupervised k-means algorithm. The ineffectiveness of this algorithm is improved by the FuzzyMinMax technique. In the second stage, a multivariable linear regression supervised learning technique is used to determine the weights of the connections between the hidden and output layer. We test the RRBF on the Box and Jenkins furnace database. This application shows that the RRBF is able to predict the evolution of a non-linear system. The performances of the RRBF are compared with those of the TDRBF. The RRBF gives better results for long run predictions. The FuzzyMinMax technique makes the K-means more stable. MOTS-CLÉS : Maintenance préventive, Surveillance, Pronostic, Réseaux de neurones temporels, RFR -Réseaux de neurones à fonctions de base radiales.
Reseau De Neurones Siamois Multimodal Pour La Prediction D Evolution De Maladies Neurodegeneratives
Rencontres des Jeunes Chercheurs en Intelligence Artificielle (RJCIA'21) Plate-Forme Intelligence Artificielle (PFIA'21), 2021
HAL is a multidisciplinary open access archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers. L'archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d'enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
2015
La caracterisation des reservoirs argilo-greseux par les donnees de diagraphies est un moyen pratique de la description des reservoirs dans les champs petroliers. Au cours des dernieres annees, plusieurs etudes ont ete menees dans le domaine de l'ingenierie petroliere en appliquant l'intelligence artificielle. Ce travail represente une methode basee sur la petrophysique qui utilise des diagraphies de puits et des donnees de modules de base pour predire et enregistrer les donnees en profondeur dans les reservoirs argilo-greseux de la formation du Trias dans le champ de Hassi R'Mel (Sahara algerien). Dans l'etude des gisements de petrole, la prediction de la permeabilite absolue et de la porosite est un element fondamental dans les descriptions de reservoirs ayant un impact direct sur les autres parametres petrophysiques, les programmes d'injection d'eau et la bonne gestion de reservoir d’une maniere plus efficace. Les formations du Trias du champ de Hassi R’Me...
Commande Vectorielle par les Réseaux de Neurones Artificiels d'une MADA Intégrée à un Système Eolien
This work is devoted to the electrical energy production on the grid by using the doubly fed induction generator (DFIG). The conception of the machine permits to control the power exchanged between the stator and the grid by modifying rotor voltages via a bidirectional converter. Accordingly a vector control is implemented which makes it possible to control the active and reactive power independently. This control is elaborated and tested by synthesizing tow different controllers: Proportional-Integral (PI) and Neuronal (NN). The performances of the system are analyzed and compared by simulation in terms of the performances and robustness face to the parametric variations of the machine.
2015
Dans cet article, nous mettons en evidence les proprietes d'invariance d'echelle (auto-similarite H, multifractalite M) des signaux cerebraux acquis par magnetoencephalographie (MEG) et nous demontrons leur pertinence fonctionnelle dans une tâche complexe de discrimination visuelle en contrastant les situations avant et apres apprentissage. L'analyse de ces invariances demontre que le cerveau peut adopter deux strategies complementaires pour apprendre efficacement: soit reduire H dans les aires associatives sous-tendant la plasticite neurale, soit faire converger M vers un attracteur asymptotique dans ces memes aires. Abstract – In this paper, we provide evidence for scaling properties (self-similarity H, multifractality: M) in the human brain based on brain activity recorded with magnetoencephalography (MEG). We demonstrate the functional relevance of scaling properties during the learning of complex visual discrimination by contrasting before and after training. The an...