Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientifique

Universit des Sciences et de la Technologie
HOUARI BOUMEDIENE

Facult d'Electronique et d'Informatique
Dpartement dElectrotechnique







Option : Electrotechnique industrielle

Expos






Propos et dirig par : Prsent par :

Mr :MERZOUGUI MOHAMED


Mr :KOUISSI ABD ERRAZAK






Anne 2009/2010

Rseau de Neurone Artificiel
Anne 2009/2010
Mr : NAIT SEGHIR
Mr :LEKCIR MOHAMED
SOMMAIRE

INTRODUCTION

I.1LERESEAUDENEURONESBIOLOGIQUE

I.2RESEAUXDENEURONESARTIFICIELS

I.3CARACTERISTIQUESGENERALESDESRNA

I.4APPLICATIONDESRNAENTECHNIQUEDELAHAUTETENSION

I.5GRANDSTYPESDERESEAUXDENEURONES

I.6APPRENTISSAGE

IILACOMMENDEPARRESEAUDENOREUNE
IIIQUELQUESSYSTMESDECOMMANDE

III.1.Rgulationoptimaleneuronale

III.2.Asservissementdepoursuiteneuronal

CONCLUSION
Lesrseauxdeneuronesartificiels

1
INTRODUCTION:
Les iseaux ue neuiones foimels sont ues systemes ue tiaitement ue linfoimation uont
la stiuctuie sinspiie ue celle uu systeme neiveux. Leuis ueux gianus uomaines uapplication
sont uune pait la moulisation biologique et uautie pait, la ialisation ue machines uestines
effectuei ues tches auxquelles les oiuinateuis et les outils tiauitionnels semblent moins
bien auapts que les ties vivants. Ainsi, les applications ues iseaux ue neuiones foimels la
ieconnaissance ue foimes, la moulisation, la commanue et la classification ont piis une
place impoitante au sein ues ialisations inuustiielles. Bans le uomaine uu tiaitement uu
signal et ue lautomatique, les annes 9u ont t maiques pai ues avances significatives tant
uu point ue vue fonuamental que uu point ue vue ues applications inuustiielles |1j.
I.1 LERESEAUDENEURONESBIOLOGIQUE:
I.1.1Dfinition:
Le neuione est une cellule neiveuse la base uu systeme neiveux cential.
Chez l'humain, on en compte enviion cent milliaius. Ils posseuent ue nombieux points
communs uans leui oiganisation gniale et leui systeme biochimique avec les auties
cellules (Fig. I.1).














Le neuione posseue ues caiactiistiques lui peimettant u'assuiei les fonctions suivantes :
- Recevoii les signaux issus ues neuiones voisins.
- Tiaitei ces signaux.
- Engenuiei un influx neiveux.
- Le conuuiie.
- Le tiansmettie un autie neuione voisin.
Il est foim ue tiois uiffientes paities qui peimettent ue ialisei ces fonctions :
- Le corps cellulaire : Il contient le noyau uu neuione, il effectue les
tiansfoimations biochimiques ncessaiies la vie uu neuione.
- Les dendrites : Ce sont ue fins tubes ue quelques uixiemes ue micions ue
uiametie et u'une longueui ue quelques uizaines ue micions. Ce sont ue petites
bianches qui se iamifient leuis extimits. Elles foiment une soite
u'aiboiescence autoui uu coips cellulaiie. Ce sont elles qui peimettent au
neuione ue captei les signaux qui paiviennent ue l'extiieui.
Fig.I.1:Neuronebiologique
Lesrseauxdeneuronesartificiels

2
L'axone : C'est la fibie neiveuse, qui peimet ue tianspoitei les signaux mis pai le
neuione. Il est plus long que les uenuiites et se iamifie son extimit l o il
communique avec les auties neuiones.
I.1.2Lefonctionnementdesneuronesbiologique:
Les uenuiites foiment un maillage ue icepteuis neiveux qui peimettent u'acheminei
veis le coips uu neuione ues signaux lectiiques en piovenance u'auties neuiones.
Celuici agit comme une espece u'intgiateui en accumulant ues chaiges lectiiques.
Loisque le neuione uevient suffisamment excit (loisque la chaige accumule upasse
un ceitain seuil), pai un piocessus lectiochimique, il engenuie un potentiel lectiique qui se
piopage tiaveis son axone poui ventuellement venii excitei u'auties neuiones.
Le point ue contact entie l'axone u'un neuione et la uenuiite u'un autie neuione
s'appelle la "synapse", comme le montie (Fig.I.1). Aussi, en se basant sui ces connaissances
que le mouele mathmatique ielatif au neuione foimel a t ufini.
I.2RESEAUXDENEURONESARTIFICIELS:
I.2.1Dfinition:
Les iseaux ue neuiones aitificiels sont composs ulments simples (ou neuiones)
fonctionnant en paiallele. Chaque lment simple calcule une soitie unique sui la base ues
infoimations qu'il ieoit. Toute stiuctuie hiiaichique ue iseaux est viuemment un iseau.
Ces lments ont t foitement inspiis pai le systeme neiveux biologique. Comme uans
la natuie, le fonctionnement uu iseau (ue neuione) est foitement influenc pai la
connections ues lments entie eux. 0n peut entianei un iseau ue neuione poui une tche
spcifique (ieconnaissance ue caiacteies pai exemple) en ajustant les valeuis ues connections
(ou poius) entie les lments (neuione). |2j
I.2.2Notionsdebasesurlesneuronesartificiels:
a Modlegnral:
Nous allons maintenant uciiie un mouele stanuaiu et unifie uu neuione aitificiel. Ce
ueiniei posseue tiois (uS) composantes :
0n sommateui ponui.
0n systeme uynamique linaiie.
0ne fonction non linaiie statique uite fonction uactivation.














Fig.I.2:Modlegnraldunneurone
Systme
dynamique
Fonctionnon
linaire
V
i
X
i
y
i

y
1

Y
j

y
N

u
1

u
k

u
M

1
a
ij

a
iN

a
i1

b
i1

b
ik

b
iN

w
i

Lesrseauxdeneuronesartificiels

3
Ces tiois lments sont uciits ciuessous.
1 Sommateurpondr:
Il est uciit pai lquation suivante :

u
|
(t) = a
|j
y
j
(t) + h
|k
u
k
(t) + w
|
M
k=1
N
j=1

v
i
: somme ponuie uu neuione i.
y
j
: j = 1, N

Soities ue tous les auties neuiones ielis au neuione i.

a
|j
:Poius synaptique associ liaison entie le neuionej et le neuione i.
u
k
: k = 1, N

Les enties uu iseau.

h
|k
Poius synaptique associ la liaison entie lentie k et le neuionei.
w
|
Poius synaptique associ une entie qui est constamment 1 (teime ue biais).
Sous foime matiicielle, lquation (III.1) uevient :

u(t) = A y(t) + B u(t) + w
0u :
Leij
me
: lment ue la matiice A (NxN) est a
ij
.
Leik
me
: lment ue la matiice B (NxN) est b
ik
.
Lei
me
: lment ue la vectiice colonne v (Nx1) est v
i
.
Lej
me
: lment ue la vectiice colonne y (Nx1) est y
i
.
Lek
me
: lment ue la vectiice colonne u (Nx1) est u
k
.
Et en fin w est un vecteui colonne (Nx1) contenant les biais w
i
.
2 Systmedynamiquelinaire:
Il posseue v
i
comme entie et x
i
comme soitie et est uciit pai la fonction ue tiansfeit :
H(x) =
X
|
(x)
F
|
(x)

0u X
i
(s) et v
i
(s) sont iespectivement les tiansfoimes ue Laplace ues signaux X
i
et V
i
.
La fonction ue tiansfeit B(s) peut pienuie lune ues foimes suivantes :
B(s) = 1
B(s) =
1
s

B(s) =
1
1+s1

B(s) =
1
u
0
s+ u
1

B(s) = c
-s1

0n Remaique que les tiios piemieis ue B(s) ne sont quun cas paiticuliei ue la quatiieme
foime.
3 Fonctiondactivation:
La fonction uactivation(x
t
)fouinit la soitie y
i
uu neuione en teimes ue la soitie x
i
ue
la fonction ue tiansfeit : y
|
= (x
t
)

0n unombie plusieuis fonctions uactivation uont chacune est iseive une application
paiticulieie. En gniale cette fonction est monotone, cioissante et boine ( cause ue la
natuie tout ou iien uu neuione biologique).
(I.1)
(I.2)
(I.4)
(I.S)
Lesrseauxdeneuronesartificiels

4
Paimi les fonctions uactivation qui existent nous pouvons citei les suivantes : |Sj



Bans la plupait ues cas, la fonction tangent hypeibolique est utilise cai elle est cioissante,
boine et uiivable ce qui peimet la uiivation ualgoiithmes uappientissage.

b Neuronesformels:
Nc Culloch et Pitts intiouuisiient un mouele ue neuione foimel en tant qu'unit (
seuil) ue calcul. |Sj
Ce neuione foimel iepisent pai la (Fig. I.4), calcule une somme ponuie ue ses n
entis x,.......,x
n
et ienvoie 1 si la somme est supiieuie un ceitain seuil , u sinon.
Ce type ue neuiones piimitif est en fait consiui comme cas paiticuliei uu neuione
gnial, qui pisentait la paiticulaiit u'tie binaiie, c'est uiie qu'il tait soit actif, soit
non actif. Nathmatiquement, cela ievient ciiie :

y = ( w
j
x
j
- 0
n
j=1
)
0 :
fest la fonction seuil.
w
j
est le poius ue la connexion associe la j
eme
entie.

Poui ues iaisons ue simplification ues notations, on consiueie le seuil comme un poius
w
0
et on augmente ue 1 la taille uu vecteui uentie en posant x
0
=1
(I.S)
TableauI.1:lesdiffrentsfoncionsdactivation
Lesrseauxdeneuronesartificiels

I.2.3Architecture:
L'exemple le plus simple ue iseau ue neuiones est souvent uonn pai le peiception
multi couches (PNC).
Bans un peiception, plusieuis couches contenant ues neuiones sont connectes entie
elles ue l'entie veis la soitie. Afin u'illustiei un peu ces piopos, le uessin suivant
(Fig.I.S)iepisente le schma type u'un peiception tiois couches :

Couche dentres : cest la couche ues neuiones uentie, les neuiones uu iseau qui
peioivent les uonnes uu piobleme.
Couchecache: les neuiones cachs qui ne sont ni lentie ni la soitie uu iseau.
les neuiones cachs nont aucun lien uiiect avec lutilisateui.
Couche de sorties : un sousensemble ue neuiones uont lactivation seia inteipite
comme la iponse uu iseau, ce sont les neuiones ue soitie.

()
X
k

Entre
Y
Sortie
W
k

Fig.I.3:Modledeneuroneformel,selonMcCullochetPitts
Entres
Vers le rseau
Fig.I.4:Perceptrontroiscouches
Couche dentre
Couche cache
Couche de sortie
Sortie de rseau
Lesrseauxdeneuronesartificiels

6

I.2.4Classificationdesrseauxdeneuronesartificiels(RNA):
La Classification ues iseaux ue neuiones aitificiels peut tie effectue selon tiois ciiteies :
1 Premiercritre:
Bpenuance ue leui volution ue temps. 0n uistingue alois tiois types ue iseaux :

a)rseauxstatiques:
Leui volution ne upenu pas uu temps. La mouification ue lentie nentiane quune
mouification stable ue la soitie, mais nentiane pas un ietoui uinfoimation veis cette entie.
Bu point ue vue aichitectuie, ce type ue iseaux est multicouches constitu pai ues neuiones
statique, ue soite que chaque neuione ue la couche i ieoit ues infoimations ues neuiones ue
la couche i1 et est connect tous les neuiones ue la couche i+1. |4j

b)rseauxdynamiques(rcurrent):
Ce sont uesiseaux uont lvolution upenu uu temps, ou en uautie teime, ltat pisent
uu iseau upenu ue ces tats passs. Bonc piioii, ces iseaux contiennent ues iebouclages
entie neuiones. |4j

Fig.I.5:Architecturedunrseaustatique
Couche dentre
Couche cache
Couche de sortie
Sortie de rseau
Entres
Vers le rseau
Fig.I.6:Architecturedunrseaurcurrent
Lesrseauxdeneuronesartificiels

c)rseauxvolutives(AutoOrganise):
Les iseaux auto oiganiss sont ues iseaux qui changent leuis stiuctuies inteines
penuant lutilisation.
Les iseaux sont uites volutifs au vu ue leui mthoue uappientissage, cest la uimension
uu iseau qui change penuant lutilisation. Ainsi le nombie ue neuiones augmente ou
uiminue. |4j

2 Deuximecritre:
Selon la natuie ue lappientissage, il existe tiois types uappientissage :

a) Apprentissagesupervis:
L'appientissage est uit supeivis, si on impose une entie fixe et l'on cheiche
icupiei une soitie connue. 0n effectue alois la mouification ues poius, en optimisant
un ciiteie qui infoime sui la peifoimance uu iseau poui ietiouvei cette soitie impose.

b) Apprentissagenonsupervis:
Ce type u'appientissage ncessite la pisence ues enties seulement, sans
l'inteivention u'un supeiviseui, et laisse le iseau voluei tout seul poui voii qu'il peut se
stabilisei.

c) Apprentissageparrenforcement:
Cet appientissage est moins classique que les ueux piemieis qui sont les piincipaux.
Ici, lappientissage est moins uiiig cai le iseau ajuste ses poius suivant un ciiteie ue
peifoimance en utilisant un simple signal ue ienfoicement.

3 Troisimecritre:
Selon leui fonction, pai exemple (mmoiisation, filtiage, appioximation,).

Fig.I.7:Classificationdesrseauxdeneurones
Statiqu
Bynamiqu
Supeivis
Non Supeivis
Pai ienfoicement
Rseaude
neurones
Architecture
Apprentissage
Nmoiisation, Classification
Filtiage
Appioximation, 0ptimisation
Fonction
Evolutive, Auto 0iganise
Lesrseauxdeneuronesartificiels

8
I.3CARACTERISTIQUESGENERALESDESRNA:
Les iseaux ue neuiones aitificiels sont caiactiiss pai : |2j

Leparalllisme:
Bans un iseau ue neuione aitificiel plusieuis infoimations peuvent se piopagei en
paiallele ue faon simultane, la uiffience ues calculateuis squentiels classiques
qui ne peuvent tiaitei quune seul infoimation la fois.

Lacapacitdadaptation:
uice leui capacit uappienuie, les RNA tiennent compte ues nouvelles uonnes uu
monue extiieui.

Pouvoirdegnralisation:
A paitii ues exemples uappientissage, les RNA peuvent uevinei ues points non appiis.

Rsistanceauxbruits:
Le iseau ue neuione peut filtiei linfoimation paitii ue uonnes biuites.

Systmemultivariables:
Les iseaux ue neuiones aitificiels sont natuiellement multi vaiiables.

Modlisationnonlinaire:
Comme nous avons vu que la fonction uactivation uun neuione peut tie non linaiie,
les RNA peuvent appioximei nimpoite quelle fonction (linaiie ou non linaiie).

I.4APPLICATIONDESRNAENTECHNIQUEDELAHAUTETENSION:
Bepuis 1994, les iseaux ue neuiones aitificiels sont appliqus gianue chelle uans le
uomaine ue la haute tension. En peut citei les suivants:

Les uchaiges paitielles et les tensions uisiuptives.
Les systemes uisolation lectiique.
Lisolation ues tiansfoimateuis.
Lisolation ues cbles lectiiques ue haute tension.

I.5GRANDSTYPESDERESEAUX DENEURONES:
Il existe plusieuis types ue iseaux ue neuiones poui plusieuis applications, paimi
lesquels nous citeions les plus connus et les plus utiliss :
a. RseauxdeKohonen:
Les iseaux ue Kohonen uciivent en fait tiois familles ue iseaux ue neuiones :

VQ (Vector Quantization): la quantification vectoiielle est une mthoue

gnialement qualifie u'estimateui non supeivis ue uensit. Elle peimet ue
ietiouvei ues gioupes sui un ensemble ue uonnes.
SOM (Self Organizing Map): Ces iseaux sont ties utiliss poui l'analyse ue
uonnes. Ils peimettent ue caitogiaphiei en ueux uimensions et ue uistinguei
ues gioupes uans ues ensembles ue uonnes.
LVQ(LearningVectorQuantization): est la seule mthoue qui soit iellement
auapte la classification ue uonnes pai "iecheiche uu plus pioche voisin".

Lesrseauxdeneuronesartificiels

9
b. RseauxdeHopfield:
Ces iseaux sont ues iseaux icuisifs, un peu plus complexes que les peiceptions
multicouches. Chaque cellule est connecte toutes les auties et les changements ue valeuis
ue cellules s'enchanent en cascaue jusqu' un tat stable.

c. RseauxRsonanceAdaptative(ART):
Ils posseuent un iseivoii ue cellules ue soitie qui ne sont utilises que si ncessaiie. 0ne
cellule seia uite ieciute ou libiesi elle est utilise ou non utilise.

d. Rseaufonctionradiale(RBF):
Le iseau posseue tiois couches comme le PNC, o la couche cache contient ues neuiones
RBF qui contiennent chacune une fonction uactivation gaussienne.

e. Perceptronsmulticouches(PMC):
La stiuctuie est ielativement simple : une couche u'entie, une couche ue soitie et une ou
plusieuis couches caches. Chaque neuione n'est ieli qu'aux neuiones ues couches
picuentes uonc ces iseaux ne posseuent pas ue connexions intiacouches, et les
connexions intei couches (pouvant tie completes ou pas) se font uniquement uans le sens ue
la piopagation uu signal. La fonction u'activation utilise est en gniale une somme
ponuie. Le uveloppement ue l'algoiithme u'appientissage pai itio piopagation a ienuu
ces iseaux ties populaiies.

I.6APPRENTISSAGE:
I.6.1dfinition:
L'appientissage c'est un cycle qui est ipt jusqu' ce que le ciiteie uaiit soit atteint.
Consiste tout u'aboiu calculei les poius optimaux ues uiffientes connexions, en utilisant un
chantillon. La mthoue la plus utilise est la itio piopagation on intiouuit ues valeuis uans
les cellules u'entie et en fonction ue l'eiieui obtenue en soitie, on coiiige les poius accoius
aux ponuiations. |Sj
I.6.2 Algorithmesd'apprentissage:
1 L'algorithmedertropropagation:
L'algoiithme ue itio piopagation ue l'eiieui est le plus utilis poui l'appientissage
supeivis ues iseaux ue neuiones multicouches. Il a t piopos en 198u pai R0NELABT et
WILLIANS est appel : la mthoue ue itio piopagation en ifience l'eiieui qui se
" itiopiopage " tiaveis les couches uu iseau. Ses vaiiantes sont les suivantes :
La itio piopagation gnialise.
La itio piopagation iobuste.
La itio piopagation avec Nomentum... etc.
Chacune ue ces vaiiantes appoite un plus la itio piopagation simple, et uont la plus
fiquemment utilise est celle avec le Nomentum.
Lesrseauxdeneuronesartificiels

10
2Mthodesd'optimisationdusecondordre:
Les mthoues u'optimisation uu seconu oiuie sont utilises poui amlioiei le choix ue la
uiiection entiepienuie uans l'espace ues poius la iecheiche uu minimum. Ces
mthoues sont bases sui l'utilisation ue la uiive seconue uune fonction objective pai
iappoit aux poius. |Sj Nous ietiouvons :
a) Lamthodedugradientconjugu:
Cette mthoue peimet le changei iapiuement la uiiection ue iecheiche, poui obtenii
loptimum usii et ue mouifiei le coefficient ue Nomentum. Elle a une conveigence iapiue.
Cette mthoue ne peut tie utilise que uans un contexte u'appientissage supeivis.
b) LamthodedeNewton:
La mthoue ue Newton est base sui l'utilisation ue siie ue Tayloi ue ueuxieme oiuie ue la
fonction poui atteinuie le minimum plus iapiuement.
c) LamthodedeLevenbergMarquardt:
L'algoiithme ue LevenbeigNaiquaiut figuie poui les plus puissantes uans l'entianement et
l'appientissage ues iseaux ue neuiones |Sj. Il ialise un bon compiomis entie la iapiuit qui
caiactiise la mthoue ue Newton et la conveigence qui caiactiise la mthoue ue giauient
conjugu. 0n iepisente ciuessous l'oiganigiamme ue fonctionnement ue l'appientissage :

Fig.I.8:Organigrammed'apprentissagedurseaudeneurones
Initialisationdesparamtres
W,,E
d
,G
d

CalculdeE(w)
Equation(III.1)
CalculdeJacobienJ(w)
Equation(III.4)
Calculdew
Equation(III.3)
CalculdeE(w)
Equation(III.2)
AfficherlerreurE
SauvegarderleRNA
Non
Non Oui
Oui
E(w)<E(w)
Fin
=
+
E<E
d
OUE<G
d

Dbut
=

Lesrseauxdeneuronesartificiels

11
I.6.3Lesproblmesd'apprentissage:
Les uiffients pioblemes pouvant tie iencontis lois ue la phase u'appientissage sont
numis comme suit :
1 Insuffisance ue la iegle u'appientissage : uans ce cas, le piobleme conceine la uuie ue
l'appientissage qui n'est pas suffisante poui que l'appientissage complet soit ialis et les
connaissances voulues acquises pai le iseau ue neuiones.
2 Nauvais choix ues paiameties, tel que le nombie ue neuiones cachs uans le iseau. Ce
paiametie est piatiquement impoitant paice qu'il uteimine la capacit ue calcul uu iseau.
S Ninimums locaux, iencontis uans les appientissages ue type supeivis. Poui y iemuiei ce
piobleme, il existe plusieuis solutions savoii :
Changei les poius synaptiques initiaux,
Changei les fonctions u'activation,
Augmentei le nombie ue couches caches, ainsi que le nombie ue neuiones uans ces
couches.
II- LA COMMENDE PAR RESEAU DE NOREUNE : Commanuei un piocessus,
cest uteiminei les commanues lui appliquei, afin ue lui assuiei un compoitement uonn,
en upit ue peituibations. Ces commanues sont ulivies pai un oigane ue commanue, quon
laboie en plusieuis tapes. Tout uaboiu, un mouele uu compoitement uu piocessus est
ncessaiie la synthese ue loigane ue commanue : un tel mouele seia appel modle de
commande. Les qualits iequises poui un mouele ue commanue ne sont viuemment pas les
mmes que poui un mouele ue simulation, on piivilgieia notamment une stiuctuie ue
mouele assez simple poui facilitei la synthese uune commanue, la iapiuit uu calcul, pai
iappoit la valiuit paifaite sui un ties laige uomaine ue fonctionnement qui est ncessaiie
un mouele ue simulation (poui la utection uanomalies pai exemple). Il faut ensuite choisii
laichitectuie uu coiiecteui (coiiecteui pai ietoui utat, PIB.), en fonction uu mouele et uu
cahiei ues chaiges, coiiecteui qui peut galement tie ialis pai un iseau ue neuiones.
Nous nous intiessons ici ues systemes ue commanue non adaptatifs, cestuiie ues
systemes uont les paiameties sont calculs lois u'une phase ue synthese pialable leui
utilisation. Lappientissage ues coiiecteuis ncessaiies aux systemes ue commanue pisents
est uonc ialis hoisligne laiue uu mouele ue commanue, comme le montie la figuie II.1
Ceci caiactiise les mthoues ue commanue indirectes.

Figure II.1 Systme dapprentissage dun correcteur neuronal (non adaptatif indirect)
Lesrseauxdeneuronesartificiels

12
Enfin, ceitains systemes ue commanue utilisent le mouele ue commanue luimme : cest
Le cas notamment ues systemes avec mouele inteine, que nous uciivons au paiagiaphe III2
Comme nous lavons monti uans la piemieie paitie, les iseaux ue neuiones se pitent bien
la ialisation ue moueles non linaiies, cai ils peuvent appiochei avec une picision
aibitiaiie le compoitement ue nimpoite quel systeme statique ou uynamique. Ce sont ue plus
ues appioximateuis paicimonieux. Ces piopiits ont ueux consquences
La possibilit ue moulisei inuiffiemment ues nonlinaiits ties uiveises, quelles soient
inhientes au piocessus luimme (nonlinaiit ue la cinmatique uun iobot mobile, ou uun
moteui explosion) ou ses actionneuis (nonlinaiits gomtiiques ue type satuiation,
hystisis.).
La paicimonie uun mouele neuional ue commanue peimet ue iuuiie le temps ue calcul
loisque le systeme ue commanue utilise ce mouele ue commanue (en temps iel), comme
cest le cas poui les systemes avec mouele inteine, ou ue commanue piuictive
III.1. QUELQUES SYSTMES DE COMMANDE :
Nous illustions ces avantages sui lexemple ue la commanue uun vhicule 4x4
Neiceues quipe ues actionneuis et ues capteuis ncessaiies, le iobot RENI ue la SAuEN. Le
piobleme ue lasseivissement uu vhicule sui une tiajectoiie ue consigne avec un piofil ue
vitesse impos peut tie isolu ueux temps :
lasseivissement ue la position uu vhicule sui la tiajectoiie inupenuamment ue sa vitesse
Laiue uu volant, ce qui ncessite la moulisation uu compoitement latial uu vhicule : nous
posons ce piobleme en teimes ue rgulation.
lasseivissement ue la vitesse uu vhicule sui le piofil ue vitesse impos laiue ues
commanues ues fieins et ue l.accliateui, qui ncessite la moulisation uu compoitement
longituuinal uu vhicule : il sagit uun piobleme uepoursuite.
III.1.1.Rgulationoptimaleneuronale
La igulation optimale avec cot quauiatique hoiizon infini se pite bien
lutilisation ue iseaux ue neuiones, uont lappientissage iepose justement sui la
minimisation u.une fonction ue cot. En effet, le but ue cette mthoue est ue tiouvei une loi ue
commanue minimisant la fonction ue cot } suivante :
+
J x(0) = xT(k) Q x(k) + r u(k) ^2
k=0
paitii uun tat initial x(0) quelconque, o Qest une matiice ue ponuiation ufinie positive,
et rest un iel positif ou nul. L.intit ues iseaux ue neuiones est ue peimettie facilement la
minimisation ue la fonction ue cot poui nimpoite quel mouele non linaiie uu piocessus. 0n
systeme ue igulation optimale utilisant un igulateui neuional pai ietoui utat statique est
monti uans la figuie III.1

Figuie III.1 Systeme ue igulation
neuional



Lesrseauxdeneuronesartificiels

13
III.1.2.Asservissementdepoursuiteneuronal
La majeuie paitie ues systemes ue commanue neuionaux poui lasseivissement ue pouisuite
appaitient la catgoiie ues systemes uits parsimplebouclage, uont un exemple
estiepise nt sui la figuie.III.2 Bans ces systemes, le signal ue itioaction est la soitie uu
piocessus (ou son tat mesui.). 0igane ue commanue

Figuie.III.2 Systeme ue commanue
pai simple bouclage.


Bans les systemes ue commanue avec modle interne (qui est le mouele ue
commanue utilis poui lappientissage), le signal ue itioaction piincipal est la uiffience
entie la soitie uu mo uele inteine et celle uu piocessus. L.intit ue cette uiffience est
quelle est iepisentative ues ufauts ue moulisation et ue leffet ue peituibations. uice
cela, la conception uun systeme ue commanue neuional iobustevisvis ue ces ufauts et ue
peituibations est plus facile ainsi quen simple bouclage.
Be plus, lutilisation ue iseaux ue neuiones comme mouele inteine peuvent contiibuei
l.amlioiation ue ces systemes ue commanue uans le cas ue piocessus non linaiies.


Figuie.III.S Systeme ue
commanue avec mouele inteine.

CONCLUSION:

Bans ce tiavail nous avons pisent les concepts gniaux ues iseaux ue neuiones
aitificiels. En piemiei lieu, nous avons ufini l'aspect stiuctuial uu neuione aitificiel, ses
fonctions ue bases, ainsi que les aichitectuies et quelques uiffientes piopiits qui
caiactiisent les iseaux qui en ucoulent, suivis ues uiffients piocessus u'appientissage
existants. Nous avons cit galement, les uiffientes piopiits ues iseaux, ainsi quelques
applications ues iseaux ue neuiones uans le uomaine ue la haute tension vu le gianu
avantage qui les caiactiise et qui isiue uans leui capacit u'appientissage et ue
gnialisation aux cas non appiis assuiant une iobustesse uu systeme global.

Les iseaux ue neuiones constituent une viitable solution poui la isolution ue

plusieuis pioblemes, l o les mthoues classiques ont monti leuis limites. Leui utilisation
sest avie efficace uans les piocessus qui ncessitent une inteiaction avec lenviionnement,
et ce pai leui pouvoii uauaptation souvent appel Plasticit synaptique .
Be plus, linfoimation lintiieui ues iseaux ue neuiones, tant tiaite en paiallele et
uune manieie uistiibue, fait que le temps ue calcul ues opiations est iuuit. Ces
caiactiistiques les ienuent plus utiles l ou une solution classique existe uj. |Sj

BIBLIOGRAPHIE

[1] I. RIVALS, Les rseaux de neurones formels pour le pilotage de robots
mobiles , laboratoire dlectronique de lESPCI, FLUX, revue de l'association
amicale les ingnieurs SUPLEC : La robotique mobile ; la fonction achats -
logistique, No 178, septembre - octobre 1996, ISSN 0766-3536.


[2] WWW.GOOGLE.COM


[3] S. BARTHELEMY, Les Rseaux de Neurones , juin 2000



[4] M. R. ZEMOURI, Contribution la surveillance des systmes de production
laide des rseaux de neurones dynamiques : Application la e-maintenance ,
thse de doctorat, lUniversit de Franche-Comt, novembre 2003.


[5] Apstat Technologies, Introduction aux rseaux de neurones , Apstat
Technologies Inc, 2002.