Mise en oeuvre de méthodes d’identification conventionnelles et non conventionnelles

Table des matières

INTRODUCTION GENERALE

CHAPITRE I : GENERALITES SUR LES METHODES D’IDENTIFICATION CONVENTIONNELLES ET NON CONVENTIONNELLES

I.1 INTRODUCTION

I.2 PRINCIPES D’IDENTIFICATION

I.3 MÉTHODES D’IDENTIFICATION CONVENTIONNELLES

I.3.1 Méthodes d’identification non paramétriques

I.3.1.1 Identification d’un système du premier ordre

I.3.1.2 Identification d’un système du second ordre oscillant

I.3.2 Méthodes d’identification Paramétriques

I.3.2.1 Modèles entrées-sorties

I.3.2.2 Méthodes d’identification basées sur le blanchissement de l’erreur de prédiction

I.3.2.3 Méthodes d’identification basées sur la décorrélation du vecteur d’observation et de l’erreur de prédiction :

I.3.3 Comparaisons entre les méthodes d’identification paramétriques et non paramétriques

I.4 MÉTHODES D’IDENTIFICATION NON CONVENTIONNELLES

I.4.1 Principe des Réseaux de Neurones Artificiels

I.4.2 Architecture des RNA

I.4.2.1 Réseaux de neurones non bouclés

I.4.2.2 Réseaux de neurones bouclés

I.4.3 Apprentissage

I.4.3.1 Apprentissage supervisé

a) Apprentissage dirigé

b) Apprentissage semi dirigé

I.4.3.2 Apprentissage non supervisé

I.4.4 Identification des systèmes par les réseaux de neurones

I.4.4.1 Modèle NNARX

I.4.4.2 Modèle NNOE

I.4.4.3 Modèle NNARMAX

I.5 TESTS DE VALIDATION DES MODÈLES IDENTIFIÉS

I.6 CONCLUSION

CHAPITRE II : APPLICATION DES METHODES D’IDENTIFICATION A UN PENDULE SIMPLE

II.1 INTRODUCTION

II.2 DESCRIPTION DU SYSTÈME ÉTUDIÉ « PENDULE SIMPLE »

II.3 IDENTIFICATION D’UN MODÈLE DU PENDULE SIMPLE PAR LES MÉTHODES CONVENTIONNELLES

II. 3.1 Algorithme d’adaptation parmétrique

II.3.2 Application de la méthode des moindres carrés étendus au pendule simple

II. 3.2.1 Élaboration du modèle

II.3.2.2 Validation du modèle

II.3.3 Modélisation du pendule simple par le programme variable instrumentale à observations retardées

II.3.3.1 Élaboration du modèle

II.3.3.2 Validation du modèle

II.4 DÉTERMINATION D’UN MODÈLE REPRÉSENTATIF DU SYSTÈME ÉTUDIÉ PAR LES RÉSEAUX DE NEURONES

II.4.1 Élaboration du modèle

II.4.2 Validation du modèle

II.5 CONCLUSION

CONCLUSION GENERALE

BIBLIOGRAPHIE

Objectifs et thématiques

L'objectif principal de ce mémoire est de concevoir des modèles représentatifs du comportement dynamique d'un pendule simple en mettant en œuvre des approches d'identification conventionnelles et non conventionnelles, afin de comparer leur précision et leur efficacité.

• Identification de systèmes dynamiques par méthodes paramétriques conventionnelles.
• Application des réseaux de neurones artificiels (RNA) pour la modélisation non linéaire.
• Mise en œuvre d'algorithmes sous environnement C++ pour le traitement des données.
• Validation et comparaison des performances des modèles identifiés.
• Analyse des résultats via des tests de corrélation et d'autocorrélation.

Auszug aus dem Buch

Résumé des chapitres

CHAPITRE I : GENERALITES SUR LES METHODES D’IDENTIFICATION CONVENTIONNELLES ET NON CONVENTIONNELLES : Ce chapitre présente les fondements théoriques des méthodes d'identification, distinguant les approches conventionnelles (non paramétriques et paramétriques) des approches basées sur les réseaux de neurones artificiels.

CHAPITRE II : APPLICATION DES METHODES D’IDENTIFICATION A UN PENDULE SIMPLE : Ce chapitre détaille la mise en œuvre pratique des algorithmes d'identification sur un pendule simple et compare les performances des méthodes conventionnelles avec celles des modèles neuronaux NNARMAX.

Mots-clés

Identification de systèmes, Modélisation, Pendule simple, Méthodes paramétriques, Moindres carrés, Réseaux de neurones artificiels, RNA, NNARX, NNOE, NNARMAX, Algorithme d'apprentissage, Validation, Décorrélation, Blanchissement, C++

Foire aux questions

De quoi traite principalement ce mémoire ?

Ce travail porte sur l'identification de systèmes dynamiques, en explorant et comparant différentes méthodes pour modéliser le comportement d'un pendule simple.

Quels sont les principaux domaines abordés ?

Les thématiques centrales sont l'automatique, le traitement du signal, les méthodes d'identification paramétriques et l'application des réseaux de neurones artificiels (RNA).

Quel est l'objectif principal de la recherche ?

L'objectif est de concevoir un modèle mathématique fidèle à la réalité dynamique d'un pendule simple en utilisant des algorithmes d'identification conventionnels et neuronaux.

Quelle méthode scientifique est utilisée ?

L'auteur utilise une approche expérimentale incluant l'acquisition de données, la sélection de structures de modèles, l'estimation de paramètres via des algorithmes récursifs et la validation par tests statistiques.

Que traite le corps du travail ?

Le contenu traite de la théorie des systèmes d'identification, de la modélisation mathématique du pendule simple, de la programmation d'algorithmes en C++ et de l'évaluation des modèles obtenus.

Quels sont les mots-clés qui caractérisent ce travail ?

Les termes principaux sont identification de systèmes, modélisation, réseaux de neurones, pendule simple, méthodes paramétriques et validation statistique.

Qu'est-ce qu'un modèle NNARMAX dans le contexte de ce document ?

Le modèle NNARMAX (Neural Network Autoregressive Moving Average) est un modèle neuronal complexe utilisé pour identifier des systèmes où le bruit affecte simultanément la sortie et l'état.

Pourquoi l'auteur a-t-il choisi le pendule simple comme cas d'étude ?

Le pendule simple est choisi car il présente des non-linéarités caractéristiques de nombreux systèmes physiques réels, permettant ainsi de tester efficacement la performance des méthodes d'identification.

Quelle conclusion l'auteur tire-t-il sur la performance des modèles ?

L'auteur conclut que la méthode neuronale NNARMAX est supérieure aux méthodes conventionnelles pour identifier des systèmes non linéaires bruités avec une grande précision.