Reseau De Neurones Siamois Multimodal Pour La Prediction D Evolution De Maladies Neurodegeneratives (original) (raw)
Related papers
Les Réseaux de Neurones Artificiels
Les réseaux de neurones artificiels 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.
2001
Une structure de filtrage non linéaire pour l'égalisation aveugle est présentée. Cette structure est basée sur un réseau de neurones, ce qui permet l'inclusion de non linéarités dans la structure du filtre. D'autre part, la stratégie d'apprentissage du réseau est séparée en deux parties : une supervisée et l'autre auto-organisée. La divergence de Kullback-Leibler est utilisée comme base pour une fonction de coût d'une règle d'apprentissage auto-organisée, tandis que le critère du (( constant modulus )) est utilisé dans la partie supervisée. Les résultats des simulations comparent la performance de cette stratégie par rapport aux stratégies classiques d'égalisation adaptative. Les résultats montrent que, pour certains canaux, la stratégie proposée est plus performante que l'égaliseurà retour des décisions (DFE) supervisé.
Revue d'intelligence artificielle, 2005
L'objet de cet article consiste en un état de l'art des réseaux de neurones temporels et d'une comparaison de trois réseaux de neurones récurrents les plus représentatifs pour des applications de surveillance dynamique et de pronostic. Les critères de sélection de ces réseaux se situent à deux niveaux : temporel et architectural. Suite à l'application de ces critères, trois réseaux récurrents se distinguent : le RRBF, le R2BF et le DGNN. Des tests utilisant un benchmark de surveillance dynamique et un benchmark de pronostic nous permettent d'évaluer les performances des trois réseaux temporels en termes de temps de calcul et de capacité de traitement.
Revue d'intelligence artificielle, 2001
Ce papier porte sur la modélisation de séries temporelles ou de régression à l'aide de réseaux de neurones. En nous appuyant sur des résultats récents sur l'estimation des moindres carrés pour les séries temporelles non linéaires, nous proposons une méthodologie complète et explicite pour l'estimation des paramètres (processus d'apprentissage) et pour le choix du modèle (sélection d'architecture). En particulier, nous donnons une solution au problème de l'élagage dans un perceptron multi-couches au moyen d'une méthode pas à pas utilisant un critère de type BIC dont on démontre la consistance.
manifest.univ-ouargla.dz
Dans ce travail, nous proposons une approche d'automatisation du processus de négociation du prix sur un marchéà terme simplifié, en occurrence le marché producteurconsommateur. Cette approche consisteà représenter le système par un réseau de neurones récurrent capable de réagir au flux de prévisions de l'offre et de la demande dans l'émission des ordres d'achat et de vente, l'interaction de ces ordres aboutiraà la génération d'une courbe de Prix du Marché (PM). Pour mesurer la performance de notre système de négociation automatique, nous avons d'abordémis des hypothèses sur les propriétés d'une courbe de Prix de Référence (PR), puis nous proposons des mesures analytiques permettant de calculer la distance entre les deux courbes (PM) et (PR). L'objectif du réseau de neurones est d'apprendreà générer une courbe (PM) qui soit la plus proche possible de la courbe (PR).
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.
médecine/sciences, 2021
À partir des années 1940, plusieurs dynamiques permirent de renforcer le champ des sciences du cerveau et du système nerveux dans un processus interdisciplinaire, favorisé par l’idée que les biochimistes viendraient désormais éclairer les mécanismes physiologiques du système nerveux. Plus globalement, des grands programmes de recherche comme le projet Manhattan ou bien la réalisation de l’ENIAC (electronic numerical integrator and computer), avaient mis en évidence l’interpénétration, sans dépendance unilatérale de l’une à l’égard de l’autre, des sciences et des techniques. L’illusion d’une technique « appliquant » les découvertes scientifiques s’évanouit alors. Le concept de « technosciences »*, en permettant de sortir de cette dichotomie, permet de mieux comprendre comment, entre les années 1940 et 1970, diverses trajectoires convergèrent pour donner naissance aux « neurosciences modernes » [1, 2].
This paper uses the neural networks with an incremental learning algorithm as tool of selection of the most relevant risk factors in the disease of the breast cancer diagnosis. The results testify of the relevance of the neuronal approach with an incremental algorithm in research. An experimental study is performed using simulated data are further validated on real clinical data for breast cancer diagnosis; it was possible to us to determine the optimal combination of factors allowing to affect a good predictive performance of the type of tumor.