Neural networks for adaptative filtering, identification and process control
Réseaux de neurones pour le filtrage adaptatif, l'identification et la commande de processus
Résumé
The paper proposes a general framework which encompasses the training of neural networks, the adaptation of non linear filters, non linear identification and non linear process control. We introduce the canonical form of a neural network that permits a unified présentation of network architectures and of gradient-based training algorithms for both feedforward networks and feedback networks.
La présente thèse, ainsi que plusieurs articles récents par le laboratoire et qui sont joints en annexe, entre dans le cadre d'un effort de clarification des relations conceptuelles qui existent entre l'apprentissage des réseaux de neurones formels, l'adaptation des filtres dans le domaine du Traitement du Signal, l'identification et la commande des processus en Automatique. Le cadre conceptuel dans lequel nous nous plaçons (Traitement du signal ou Automatique) est différent du cadre "classique" d'apprentissage et d'utilisation des réseaux de neurones comme, par exemple, celui de la Classification. Ses particularités feront l'objet de définitions plus précises dans le chapitre I. Ce chapitre nous permettra par ailleurs de proposer une présentation originale et très générale des réseaux de neurones formels en introduisant la notion de synapse à retard.
Notre présentation des architectures et de l'apprentissage des réseaux de neurones formels commencera par les réseaux les plus simples, qui sont les réseaux non bouclés, utilisés essentiellement en tant que classifieurs, mais également en Traitement du signal comme prédicteurs non linéaires (chapitre II).
Nous décrirons ensuite les réseaux de neurones bouclés, qui sont des systèmes dynamiques, et qui ont été utilisés essentiellement en tant que mémoires associatives [Hopfield 82]. Dès 1984, notre équipe s'est intéressée au fonctionnement de tels réseaux [Personnaz 86], mais l'étude que nous présentons ici s'inscrit dans un tout autre cadre: celui des systèmes dynamiques non linéaires en Traitement du Signal et en Automatique. En effet, l'utilisation des réseaux de neurones bouclés étant parfaitement adaptée à la modélisation de systèmes dynamiques, nous avons développé un ensemble d'algorithmes très généraux permettant d'effectuer l'apprentissage de tels réseaux. Ces algorithmes sont présentés dans le chapitre III. Les travaux rapportés dans les chapitres II et III sont le fruit d'une collaboration entre notre laboratoire et l'équipe d'Odile MACCHI du Laboratoire des Signaux et Systèmes (ESE/CNRS), notamment avec Sylvie MARCOS.
L'utilisation des réseaux bouclés dans le domaine de la commande de processus nous a permis d'établir des algorithmes d'apprentissage que nous présentons dans le chapitre IV et qui sont dérivés de ceux du chapitre précédent.
Enfin, dans le chapitre V, nous illustrerons la plupart de ces algorithmes, et exposerons les résultats obtenus grâce aux méthodes décrites dans le présent mémoire.
