Academic literature on the topic 'Réseau neuronal RBF'

Cette thèse étudie la coordination de robots sous-marins autonomes dans le contexte d’exploration de fonds marins côtiers ou d’inspections d’installations. En recherche d’une méthodologie intégrée, nous avons créé un framework qui permet de concevoir et simuler des commandes de robots sous-marins low-cost avec différentes hypothèses de modèle de complexité croissante (linéaire, non-linéaire, et enfin non-linéaire avec des incertitudes). Sur la base de ce framework articulant plusieurs outils, nous avons étudié des algorithmes pour résoudre le problème de la mise en formation d’un essaim, puis celui de l’évitement de collisions entre robots et celui du contournement d’obstacle d’un groupe de robots sous-marins. Plus précisément, nous considérons d'abord les modèles de robot sous-marin comme des systèmes linéaires de type simple intégrateur, à partir duquel nous pouvons construire un contrôleur de mise en formation en utilisant des algorithmes de consensus et d’évitement. Nous élargissons ensuite ces algorithmes pour le modèle dynamique non linéaire d’un robot Bluerov dans un processus de conception itératif. Nous intégrons ensuite un réseau de neurones de type RBF (Radial Basis Function), déjà éprouvé en convergence et stabilité, avec le contrôleur algébrique pour pouvoir estimer et compenser des incertitudes du modèle du robot. Enfin, nous décrivons les tests de ces algorithmes sur un essaim de robots sous-marins réels BlueROV en environement Opensource de type ROS et programmés en mode autonome. Ce travail permet également de convertir un ROV téléopéré en un hybride ROV-AUV autonome. Nous présentons des résultats de simulation et des essais réels en bassin validant les concepts proposés
This thesis studies the coordination of autonomous underwater robots in the context of coastal seabed exploration or facility inspections. Investigating an integrated methodology, we have created a framework to design and simulate low-cost underwater robot controls with different model assumptions of increasing complexity (linear, non-linear, and finally non-linear with uncertainties). By using this framework, we have studied algorithms to solve the problem of formation control, collision avoidance between robots and obstacle avoidance of a group of underwater robots. More precisely, we first consider underwater robot models as linear systems of simple integrator type, from which we can build a formation controller using consensus and avoidance algorithms. We then extend these algorithms for the nonlinear dynamic model of a Bluerov robot in an iterative design process. Then we have integrated a Radial Basis Function neural network, already proven in convergence and stability, with the algebraic controller to estimate and compensate for uncertainties in the robot model. Finally, we have presented simulation results and real basin tests to validate the proposed concepts. This work also aims to convert a remotely operated ROV into an autonomous ROV-AUV hybrid

On parle d’évolution de second ordre (ou de sélection indirecte) lorsque les individus sont sélectionnés non pour leur seule adaptation à l’environnement mais aussi pour leur capacité à évoluer « mieux ». Bien qu’un tel mécanisme soit a priori très intéressant en évolution artificielle, la structure des algorithmes évolutionnaires interdit généralement celui-ci car les processus évolutifs sont figés. Nous avons ainsi proposé un nouvel algorithme évolutionnaire, RBF-Gene. Il possède un niveau intermédiaire, le protéome (composé de « protéines »), entre le phénotype d’un individu et son génotype lui permettant de faire varier la structure du génome sans modifier son phénotype sachant que ces variations auront une influence sur les reproductions futures. Nous montrons qu’une sélection de second ordre est bien à l’œuvre dans l’algorithme et qu’elle permet de façonner les génomes, en modifiant la taille des zones non codantes et l’ordre des gènes
Second order evolution (or indirect selection) corresponds to a situation where the individuals are not only selected on their fitness to an environment, but also on their ability to evolve « better ». Even if such a mechanism seems a priori very interesting in artificial evolution, it is not permitted by the structure of evolutionary algorithms because the evolutionary processes are fixed. Therefore, we propose a new evolutionary algorithm, RBFGene. It includes an intermediate level, the proteom (made of « proteins »), between the phenotype of an individual and its genotype, that allows for changes in the structure of the genome without changing the phenotype. These modifications can thereafter have an influence on later reproductions. We show the existence of an indirect selection in our algorithm, acting on genomes by changing the size of the non coding sequences or the order of the genes

Dans cette these nous nous sommes interesses a la conception, a l'analyse et a l'implantation d'algorithmes paralleles, pour l'apprentissage de reseaux de neurones artificiels, sur des machines multiprocesseurs de type mimd. Plus precisement, nous avons etudie les deux modeles connexionnistes suivants: reseaux de kohonen et reseaux de fonctions a base radiale, plus connus sous leur nom anglais de reseaux rbf (radial basis function). La premiere partie de ce manuscrit contient une breve description des outils de programmation parallele les plus recents. Les deux parties suivants constitue chacune de trois chapitres, presentent nos travaux sur la parallelisation, d'une part de l'algorithme de kohonen, et d'autre part de l'algorithme ols (orthogonal least squares) utilise pour l'apprentissage des reseaux rbf. Une quatrieme partie presente une application de ces reseaux de neurones a la prediction de pollution en milieu industriel

The aim is to study a continuous chemical process, and then analyze the hold process of the reactor and build the models which could be trained to realize the fault diagnosis and localization in the process. An experimental system has been built to be the research base. That includes experiment part and record system. To the diagnosis and localization methods, the work presented the methods with the data-based approach, mainly the Bayesian network and RBF network based on GAAPA (Genetic Algorithm with Auto-adapted of Partial Adjustment). The data collected from the experimental system are used to train and test the models.

Les circuits neuronaux responsables du sommeil paradoxal (SP) et de l'atonie musculaire qui le caractéristique sont l'objet de nombreuses recherches expérimentales, notamment en raison de l'existence de plusieurs pathologies invalidantes associées. Cette thèse de Neurobiologie s'inscrit plus spécifiquement dans la description anatomique et fonctionnelle du réseau neuronal responsable de l'atonie musculaire et son potentiel dysfonctionnement dans les troubles comportementaux en SP (RBD, REM sleep Behavior Disorder). Pour ce faire, nous avons combiné plusieurs techniques faisant appel à la neuroanatomie fonctionnelle, au traçage rétrograde de voies nerveuses, à l'hybridation in situ à la polysomnographie et à l'inactivation irréversible de populations neuronales ciblées moléculairement à l'aide de virus adéno-associés contenant des short hairpin RNAs (AAV-shRNA) chez le rat libre de ses mouvements. Nous avons ainsi montré que, contrairement à l'hypothèse généralement admise, le noyau sublatérodorsal pontique (SLD) n'est pas le générateur du SP. En effet, l'inactivation neurochimique de ses neurones glutamatergiques ou sa lésion totale diminuent les quantités de SP sans le supprimer, indiquant que le SLD n'est pas suffisant pour la genèse du SP. En revanche, ces expériences démontrent son implication directe dans la mise en place de l'atonie musculaire lors du SP. En effet, la déconnexion neurochimique des neurones glutamatergiques du SLD provoque pendant le SP l'apparition intermittente de tonus musculaire accompagné de comportements moteurs anormaux. En parallèle, nos travaux de thèse ont permis d'apporter des données expérimentales nouvelles sur la localisation, au sein de la formation réticulée bulbaire ventrale et non dans la moelle épinière, des interneurones GABA/glycine responsables de l'hyperpolarisation des motoneurones somatiques pendant le SP. En effet, ces neurones réticulaires sont exclusivement recrutés pendant le SP et envoient des projections monosynaptiques inhibitrices vers les motoneurones somatiques lombaires. De plus, leur déconnexion neurochimique ciblée déclenche des comportements moteurs anormaux sous-tendus par le maintien d'un tonus musculaire irrégulier pendant le SP. L'analyse actimétrique de ces comportements moteurs oniriques induits expérimentalement montre qu'ils sont très semblables à ceux observés après l'inactivation du SLD et à ceux décrits chez les patients RBD. Les données rapportées dans cette thèse permettent de mieux comprendre les mécanismes neurobiologiques générant le SP et ceux contribuant au contrôle moteur pendant le SP. Par la même occasion, nos travaux ont permis de valider deux modèles rongeurs du RBD humain, ouvrant ainsi des perspectives expérimentales pour l'élaboration de traitements ciblés de cette pathologie affectant le SP
A growing number of studies investigate the neuronal network responsible for paradoxical (PS) (or REM) sleep genesis and muscle atonia specific of this sleep state. The aim of this thesis was to characterize at the anatomical and functional levels the populations of neurons involved in generating muscle atonia during PS and their potential failure in REM sleep Behavior Disorder (RBD). For this purpose, we combined a large panel of experimental techniques such as functional neuroanatomy, retrograde tract-tracing, in situ hybridization, polysomnography and irreversible inactivation of genetically-targeted neurons with short-hairpin RNAs introduced in viral adenovectors (AAV-shRNA) in freely moving rats. We thus demonstrated for the first time that, in contrast to the currently admitted hypothesis, the pontine sublaterodorsal nucleus (SLD) is not the PS generator, since genetic inactivation of its glutamatergic neurons or its whole lesion diminish the quantities of but do not eliminate PS. This indicates that the SLD is not sufficient for PS generation. In contrast, our experiments clearly show that the SLD is responsible for muscle atonia because the specific inactivation of its glutamatergic neurons induces an irregular muscle tone concomitant to atypical motor behaviors during PS. In addition, we achieved original data about the location within the ventral medullary reticular formation, and not at spinal levels as often believed, of the glycine/GABA interneurons managing the sustained hyperpolarization of somatic motoneurons during PS. We indeed observed that these medullary neurons are selectively recruited during PS and send monosynaptic inhibitory efferents to the lumbar somatic motoneurons. Furthermore, their genetic inactivation is followed by an increase of abnormal motor behaviors underpinned by a sustained, although irregular, muscle tone. The actimetric analysis of these oneiric experimentally induced behaviors reveals that they are very similar to those observed after SLD inactivation or those reported in RBD patients. Taken together, data harvested during this Thesis help us to better understand the complex neurobiological mechanisms generating PS or specifically contributing to the control of the motor system during PS. At the same time, we validated two rodent models closely mimicking human RBD and thus opening new research fields for the development of targeted treatments for this pathology affecting REM sleep

The study of soil degradation phenomena requires the characterization of surface properties. This characterization is based on the integration of the descriptive variables of the local environment: physical, biological and anthropic. In Morocco, the spectacular expansion of erosive processes shows increasingly alarming aspects. Faced with this situation, the country has an urgent need for evaluating the effects of erosion on soil productivity to measure its amplitude and to foster the implementation of better conservation strategies. The overall objective of our research project is to develop a geomatics approach for the mapping and determination of the surface states in a small Mediterranean watershed that can be used for modeling the soil degradation parameters. In the present research, the class definitions of the different levels of degradation are based on the GLASOD ( Global Assessment of Soil Deterioration ) method. To reach the objectives set for our study, we adopted two approaches. The first is a spectral approach and is based on spectral indices, the SAM (Spectral Angle Mapping ) method, and on spectral unmixing. This procedure gave us a better comprehension of the synergistic relationship between the spectral properties of soils and their state of degradation. Also, we elaborated a new spectral index referred to as the LDI (Land Degradation Index ). This index is interesting and provides quantitative results. We were also able to establish an interesting correlation (R[superscript 2] =0.67) between a spectral index derived from ASTER data and the clayey fraction of the soil surface horizon in our study area. The second approach focuses on the modeling of multisource data through the use of a supervised neural network based on a back-propagation algorithm. The quality of results of this approach depends on the determination of the intrinsic parameters of RN. In the present research, we provide some answers concerning issues relating to these parameters in the hope of better defining them. The comparison of the results obtained using the different approaches outlined the existence of a global correspondence between these parameters, in the sense that they represent ground reality. Moreover, the neural approach stands out with a higher accuracy rate (Kappa =0.91) due to the integration of multisource data and spectral information. The Kappa coefficient permitted the evaluation of the accuracy of the classification and its interpretation was carried out based on the calculation of the Z statistics test. The validation of results is based on photointerpretation, ground truth and the analysis of the spatial variability of the data using the geostatistics approach."--Résumé abrégé par UMI.

Les tâches de vision artificielle telles que la reconnaissance d’objets demeurent irrésolues à ce jour. Les algorithmes d’apprentissage tels que les Réseaux de Neurones Artificiels (RNA), représentent une approche prometteuse permettant d’apprendre des caractéristiques utiles pour ces tâches. Ce processus d’optimisation est néanmoins difficile. Les réseaux profonds à base de Machine de Boltzmann Restreintes (RBM) ont récemment été proposés afin de guider l’extraction de représentations intermédiaires, grâce à un algorithme d’apprentissage non-supervisé. Ce mémoire présente, par l’entremise de trois articles, des contributions à ce domaine de recherche. Le premier article traite de la RBM convolutionelle. L’usage de champs réceptifs locaux ainsi que le regroupement d’unités cachées en couches partageant les même paramètres, réduit considérablement le nombre de paramètres à apprendre et engendre des détecteurs de caractéristiques locaux et équivariant aux translations. Ceci mène à des modèles ayant une meilleure vraisemblance, comparativement aux RBMs entraînées sur des segments d’images. Le deuxième article est motivé par des découvertes récentes en neurosciences. Il analyse l’impact d’unités quadratiques sur des tâches de classification visuelles, ainsi que celui d’une nouvelle fonction d’activation. Nous observons que les RNAs à base d’unités quadratiques utilisant la fonction softsign, donnent de meilleures performances de généralisation. Le dernière article quand à lui, offre une vision critique des algorithmes populaires d’entraînement de RBMs. Nous montrons que l’algorithme de Divergence Contrastive (CD) et la CD Persistente ne sont pas robustes : tous deux nécessitent une surface d’énergie relativement plate afin que leur chaîne négative puisse mixer. La PCD à "poids rapides" contourne ce problème en perturbant légèrement le modèle, cependant, ceci génère des échantillons bruités. L’usage de chaînes tempérées dans la phase négative est une façon robuste d’adresser ces problèmes et mène à de meilleurs modèles génératifs.
High-level vision tasks such as generic object recognition remain out of reach for modern Artificial Intelligence systems. A promising approach involves learning algorithms, such as the Arficial Neural Network (ANN), which automatically learn to extract useful features for the task at hand. For ANNs, this represents a difficult optimization problem however. Deep Belief Networks have thus been proposed as a way to guide the discovery of intermediate representations, through a greedy unsupervised training of stacked Restricted Boltzmann Machines (RBM). The articles presented here-in represent contributions to this field of research. The first article introduces the convolutional RBM. By mimicking local receptive fields and tying the parameters of hidden units within the same feature map, we considerably reduce the number of parameters to learn and enforce local, shift-equivariant feature detectors. This translates to better likelihood scores, compared to RBMs trained on small image patches. In the second article, recent discoveries in neuroscience motivate an investigation into the impact of higher-order units on visual classification, along with the evaluation of a novel activation function. We show that ANNs with quadratic units using the softsign activation function offer better generalization error across several tasks. Finally, the third article gives a critical look at recently proposed RBM training algorithms. We show that Contrastive Divergence (CD) and Persistent CD are brittle in that they require the energy landscape to be smooth in order for their negative chain to mix well. PCD with fast-weights addresses the issue by performing small model perturbations, but may result in spurious samples. We propose using simulated tempering to draw negative samples. This leads to better generative models and increased robustness to various hyperparameters.