Добірка наукової літератури з теми "Accélérateur de réseau de neurones"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Accélérateur de réseau de neurones".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Accélérateur de réseau de neurones"
1
Lek, S., I. Dimopoulos, M. Derraz, and Y. El Ghachtoul. "Modélisation de la relation pluie-débit à l'aide des réseaux de neurones artificiels." Revue des sciences de l'eau 9, no. 3 (April 12, 2005): 319–31. http://dx.doi.org/10.7202/705255ar.
Повний текст джерелаАнотація:
Identifier tous les processus physiques élémentaires du cycle hydrologique qui peuvent avoir lieu dans un bassin versant et attribuer à chacun d'eux une description analytique permettant la prévision conduisent à des structures complexes employant un nombre élevé de paramètres difficilement accessibles. En outre, ces processus, même simplifiés, sont généralement non linéaires. Le recours à des modèles à faible nombre de variables, capables de traiter la non-linéarité, s'avère nécessaire. C'est dans cette optique que nous proposons une méthode de modélisation de la relation pluie et débit basée sur l'utilisation de réseaux neuronaux. Les performances de ces derniers dans la modélisation non linéaire ont été déjà prouvées dans plusieurs domaines scientifiques (biologie, géologie, chimie, physique). Dans ce travail, nous utilisons l'algorithme de la rétropropagation des erreurs avec un réseau à 3 couches de neurones. La fonction de transfert appliquée est de type sigmoïde. Pour prédire le débit à un moment donné, on présente à l'entrée du réseau des valeurs de pluies et de débits observés à des instants précédents. La structure du réseau est optimisée pour obtenir une bonne capacité prévisionnelle sur des données n'ayant pas participé au calage. L'application du réseau à des données pluviométriques et débimétriques du bassin de l'oued Beth permet d'obtenir de bonnes prévisions d'un ou plusieurs pas de temps, aussi bien journalières qu'hebdomadaires. Pour les données n'ayant pas participé au calage, les coefficients de corrélation entre les valeurs observées et les valeurs estimées par les différents modèles sont élevés. Ils varient de 0.72 à 0.91 pour les coefficients de corrélation de Pearson et de 0.73 à 0.95 pour les coefficients de Spearman.
2
Do, Trinh-Minh-Tri, and Thierry Artières. "Modèle hybride champ markovien conditionnel et réseau de neurones profond." Document numérique 14, no. 2 (August 30, 2011): 11–27. http://dx.doi.org/10.3166/dn.14.2.11-27.
Повний текст джерела
3
Meunier, David, and Hélène Paugam-Moisy. "Simulation d'un amorçage intermodal sur un réseau de neurones impulsionnels." Revue d'intelligence artificielle 19, no. 1-2 (April 1, 2005): 375–88. http://dx.doi.org/10.3166/ria.19.375-388.
Повний текст джерела
4
Collin, Antoine, Dorothée James, Coralie Monpert, Sophie Loyer, Pirta Palola, Lisa Wedding, and Eric Feunteun. "Modélisation de la bathymétrie par Pléiades Neo en baie de Saint-Malo: transfert radiatif et réseaux de neurones." Revue Française de Photogrammétrie et de Télédétection 226, no. 1 (June 16, 2024): 11–19. http://dx.doi.org/10.52638/rfpt.2024.683.
Повний текст джерелаАнотація:
Malgré l’intérêt croissant pour la cartographie des fonds marins, seul un quart d’entre eux a pu être levé fidèlement à une résolution de l’ordre du km (30 arc-secondes). Ceci s’explique par les lourds coûts engendrés par les campagnes par bateau (sonar) et/ou par avion (lidar). Ainsi, la bathymétrie dérivée de satellite connaît un essor considérable depuis deux décennies. En fer de lance, l’imagerie multispectrale à très haute résolution spatiale de Pléiades Neo dispose de 6 bandes (4 visibles, 1 red edge, et 1 infrarouge) pourvues d’une résolution spatiale de 1,2 m, surclassant ainsi l’imagerie multispectrale de Pléiades-1 dotée de 4 bandes (3 visibles et 1 infrarouge) à 2 m. En s’appuyant sur un jeu de données Pléiades Neo 4 acquis au-dessus des eaux modérément turbides de la baie de Saint-Malo, ce travail a permis de quantifier les contributions des bandes deep blue et red edge à la prédiction de la bathymétrie lidar en regard de la nature de la modélisation, et de l’architecture du réseau neuronal. Premièrement, la modélisation semi-analytique (transfert radiatif) basée sur les transformées de ratio, testées individuellement et linéairement: le remplacement de la bande bleu par la bande deep blue a diminué la régression linéaire standard (bleu-vert-rouge-infrarouge, R2=0,36) de 11,1%, mais le remplacement de la bande rouge par red edge, a produit le même score. Deuxièmement, la modélisation semi-analytique basée sur la transformée de ratio Pléiades-1 versus la combinaison des 15 transformées Pléiades Neo : augmentations respectives de 52,8% de la régression linéaire (R2Pléiades-1=0,36, et R2Pléiades Neo=0,55), et de 36,2% de la régression non-linéaire par réseau de neurones à deux couches cachées à trois neurones (R2Pléiades-1=0,58, et R2Pléiades Neo=0,79). Finalement, la modélisation empirique basée sur la bonification spectrale de la simulation de Pléiades-1 par deep blue et red edge a généré un gain maximal de 6% pour la régression linéaire (R2Pléiades-1=0,50, et R2Pléiades Neo=0,53) et de 1,4% pour la régression non-linéaire par réseau de neurones à deux couches cachées à trois neurones (R2Pléiades-1=0,73, et R2Pléiades Neo=0,74).
5
Vazquez, J., M. Zug, D. Bellefleur, B. Grandjean, and O. Scrivener. "Utilisation d'un réseau de neurones pour appliquer le modèle de Muskingum aux réseaux d'assainissement." Revue des sciences de l'eau 12, no. 3 (April 12, 2005): 577–95. http://dx.doi.org/10.7202/705367ar.
Повний текст джерелаАнотація:
L'application du modèle de Muskingum pour simuler l'écoulement à surface libre dans les canaux d'irrigation a été largement utilisée et validée. Par extension, ce modèle est également employé pour simuler les écoulements en réseau d'assainissement. Or, nous avons pu montrer des erreurs allant jusqu'à 80% du débit de pointe entre le modèle de Muskingum à paramètres fixes et le modèle de référence de Barré de Saint-Venant. Nous proposons une nouvelle paramétrisation du modèle de Muskingum pour l'écoulement en collecteur circulaire en réseau d'assainissement et ceci pour un large domaine de longueurs, pentes et diamètres de collecteurs. Ce nouveau modèle non-linéaire a été calé par minimisation d'une fonction objectif traduisant la proximité du modèle proposé avec les résultats de la résolution des équations de Barré de Saint-Venant pour des hydrogrammes rectangulaires. Un réseau de neurones a été utilisé pour paramétrer le modèle. Cette nouvelle application des équations de Muskingum permet l'obtention d'erreurs relatives moyennes inférieures à 6% sur la valeur et l'instant du débit de pointe, ceci dans le cas de collecteurs ayant jusqu'à 6500 m de longueur, des pentes variant entre 0.5% et 1% et des diamètres entre 150 et 2500 mm et des hydrogrammes de débit de pointe proche de la capacité du collecteur. Le modèle a également été validé sur un hydrogramme de forme quelconque.
6
Landrault, Alexis, Christophe Pasquier, Omar Elmazria, Hamid M’Jahed, Frédéric Sarry, and Lakhdar Zaid. "Enseignements hybrides basés sur des grains pour le développement de scénarios individualisés pour la remise à niveau en électronique." J3eA 22 (2023): 1012. http://dx.doi.org/10.1051/j3ea/20231012.
Повний текст джерелаАнотація:
Cet article présente le contenu et les objectifs d’une approche originale dans le domaine de l’innovation pédagogique numérique dans un enjeu de mutualisation, d’échanges et d’actions en faveur de la réussite des étudiants. Cette approche a été développée dans le cadre du projet OpenING (Ouverture du cycle Préparatoire aux Enseignements Numériques en écoles d’INGénieurs) porté par la Fondation partenariale Polytech au nom des écoles du réseau Polytech et retenue par le Ministère de l’Enseignement supérieur, de la Recherche et de l’Innovation dans le cadre d’un appel à projets lancé par l’ANR. Ce projet se veut être un véritable accélérateur pour l’enseignement hybride au sein des écoles du réseau Polytech. La motivation de la démarche proposée est de produire des grains pédagogiques dans différentes disciplines et notamment en électronique pour la remise à niveau (à minima) des primo-arrivants en étude supérieure. À l’aide de ces grains, l’apprenant pourra revoir des bases de la matière et s’autoévaluer, l’objectif final étant de permettre aux étudiants de se familiariser aux pratiques de formation en ligne "autonomes" par l’acquisition de notions, la proposition de quiz et d’exercices ciblés. L’originalité de ce projet est de permettre aux apprenants en plus de suivre des grains théoriques, de réaliser des travaux pratiques en ligne en utilisant les principaux appareils d’instrumentation et de mesure. Un retour des premiers apprenants est proposé en fin d’article.
7
Marcelin, Jean-Luc, and Assad Kallassy. "Approximation de calculs éléments finis par un nouveau réseau de neurones." Revue Européenne des Éléments Finis 8, no. 2 (January 1999): 201–27. http://dx.doi.org/10.1080/12506559.1999.10511363.
Повний текст джерела
8
Bouazizi, Emna, Roomila Naeck, Daniel D’Amore, Marie-Françoise Mateo, Philippe Arlotto, Michel Grimaldi, Moez Bouchouicha, Fahrat Fnaiech, Nader Fnaiech, and Jean-Marc Ginoux. "Modélisation numérique de la fragmentation du sommeil par réseau de neurones artificiels." Médecine du Sommeil 12, no. 1 (January 2015): 22–23. http://dx.doi.org/10.1016/j.msom.2015.01.010.
Повний текст джерела
9
Bouazizi, E., R. Naeck, D. D’amore, M. F. Matéo, P. Arlotto, M. Grimaldi, M. Bouchouicha, F. Fnaiech, N. Fnaiech, and J. M. Ginoux. "Modélisation numérique de la fragmentation du sommeil par Réseau de neurones artificiels." Revue des Maladies Respiratoires 32 (January 2015): A210. http://dx.doi.org/10.1016/j.rmr.2014.10.305.
Повний текст джерела
10
Laurent, R., J. Henriet, M. Salomon, M. Sauget, F. Nguyen, R. Gschwind, and L. Makovicka. "Utilisation d’un réseau de neurones artificiels pour la simulation des mouvements pulmonaires." Cancer/Radiothérapie 15, no. 2 (April 2011): 123–29. http://dx.doi.org/10.1016/j.canrad.2010.07.636.
Повний текст джерелаДисертації з теми "Accélérateur de réseau de neurones"
1
Li, Zhuoer. "Étude de l'accélération matérielle reconfigurable pour les réseaux de neurones embarqués faible consommation." Electronic Thesis or Diss., Université Côte d'Azur, 2024. http://www.theses.fr/2024COAZ4025.
Повний текст джерелаАнотація:
L'évolution des applications de l'intelligence artificielle (IA) mène à une augmentation de la demande pour le déploiement de réseaux de neurones sur des dispositifs autonomes en raison de l'expansion de l'IA dans des secteurs variés, tels que la santé et l'automobile. Cette décentralisation des calculs (Edge AI) présente des défis, notamment en termes de performances et de consommation d'énergie. Avec la complexité croissante des modèles de réseaux neuronaux pour accomplir des tâches de plus en plus sophistiquées, optimiser l'efficacité énergétique tout en maintenant les fonctionnalités avancées des réseaux de neurones profonds devient essentiel, surtout pour les systèmes mobiles et embarqués où la source d'énergie est limitée. Malgré le besoin pressant, les efforts ciblant la réduction de consommation des réseaux de neurones restent insuffisants. Les méthodes traditionnelles n'ont pas entièrement abordé les contraintes de puissance et de performance des environnements de calcul embarqués.Cette thèse apporte une contribution unique en proposant des méthodologies pour le déploiement de réseaux de neurones à très faible consommation et haute efficacité énergétique sur des composants programmables FPGA, reconnus pour leur rapport performance-puissance avantageux et leur adaptabilité en tant qu'accélérateurs matériels. Ce travail met en œuvre diverses topologies de CNN sur des plateformes FPGA à travers des méthodes de synthèse de haut niveau (HLS) et une quantification. Cet travail se penche ensuite sur une comparaison détaillée des performances et de la consommation des réseaux de neurones artificiels (ANN) et de réseaux de neurones à impulsions (SNN) correspondants implémentés sur des plateformes FPGA. Cette comparaison révèle une inefficacité inattendue des implémentations de SNNs sur FPGA par rapport à leurs équivalents ANN.Sur la base de ces résultats, cette thèse continue d'explorer des méthodes d'optimisation énergétique pour l'inférence de réseaux de neurones profonds sur FPGA en examinant le potentiel de la Reconfiguration Partielle (PR). Ce travail s'appuie sur une méthodologie spécifique à la reconfiguration partielle basée sur une coopération d'approches et d'outils de synthèse, et évalue l'efficacité énergétique des solutions PR et statiques sur plusieurs benchmarks CNN de complexités différentes. Les résultats indiquent qu'en utilisant des mécanismes de reconfiguration optimisés, le gain en efficacité énergétique est d'environ un facteur de deux lors de l'application de la reconfiguration partielle au niveau couche des CNNs, et présente une tendance à la hausse à mesure que la taille du réseau augmente. Ce résultat constitue l'une des toutes premières contributions dans l'étude de l’utilisation de la reconfiguration partielle pour l'accélération matérielle d’algorithmes d'IA. La recherche dans ce domaine est encore à un stade précoce, mais elle montre déjà des résultats très prometteurs pour minimiser les ressources, en particulier au niveau mémoire locale.Par ailleurs, cette thèse contribue à une bibliothèque ouverte d'accélérateurs de réseaux de neurones avec un CNN 8 couches pour la reconnaissance de panneaux de signalisation (GTSRB), et un Residual Network ResNet-18 (72 couches dont 18 profondes) qui seront disponibles en ligne ultérieurementThe Artificial Intelligence (AI) application landscape is undergoing a significant transformation as AI continues to permeate various fields, from healthcare to the automotive industry, leading to a surge in the demand for deploying neural networks directly on edge devices. This shift towards edge computing presents a set of challenges and requirements, particularly in terms of latency and energy efficiency. However, as deep learning evolves to address increasingly complex tasks, the complexity and depth of neural network models have also grown. Given that edge devices often operate in environments where energy consumption is limited, it becomes crucial to maximize energy efficiency while ensuring the complex functionalities of deep neural networks. Despite the evident demand, there remains a relative lack of efforts for strategies specifically aimed at reducing the energy cost of neural networks.This thesis aims to address these questions by investigating and evaluating methodologies for low-power neural network implementations on Field-Programmable Gate Arrays (FPGAs), known for their advantageous performance-to-power ratio and adaptability. This work implements various CNN topologies on FPGA platforms using High-Level Synthesis (HLS) methods in cooperation with other existing design and exploration approaches. This thesis then delves into a detailed comparison of the performance and energy efficiency of Artificial Neural Networks (ANNs) and their corresponding Spiking Neural Networks (SNNs) implemented on FPGA platforms. This comparison reveals an unexpected inefficiency in the FPGA implementations of SNNs compared to their equivalent ANNs.Building on these conclusions, this work then continues to explore power optimization methods for deep neural network inference on FPGAs, examining the potential of Partial Reconfiguration (PR) in this regard. The study investigates the use of a full PR methodology based on a cooperation of relevant system-level methodologies and synthesis tools to evaluate the energy efficiency of PR solutions and static solutions on several CNN benchmarks of different complexities. The results indicate that under the main condition of using an optimal reconfiguration control scheme, energy gains can reach a factor of two when PR is applied at the CNN layer level, and savings increase as the network size grows.This result stands as one of the pioneering demonstrations of the great potential of PR for Deep Learning applications on FPGAs. Research in this domain is still at an early stage, yet it already exhibits large promise for minimizing the size of programmable logic, particularly in terms of memory requirements.Additionally, this thesis contributes to an open neural network acceleration library with a compact 8-layer CNN for traffic sign recognition and a ResNet-18, with the relevant FPGA IPs to be made available online later
2
Rachdi, Adel. "Développement d'un réseau de neurones biologique." Thesis, National Library of Canada = Bibliothèque nationale du Canada, 2001. http://www.collectionscanada.ca/obj/s4/f2/dsk3/ftp04/MQ65389.pdf.
Повний текст джерела
3
Jouffroy, Guillaume. "Contrôle oscillatoire par réseau de neurones récurrents." Paris 8, 2008. http://www.theses.fr/2008PA082918.
Повний текст джерелаАнотація:
Dans le domaine du contrôle, la plupart des applications nécessitent une commande continue non-périodique. Ce travail se focalise au contraire sur les contrôleurs à base de réseaux de neurones récurrents (RNR) générant une commande oscillatoire entretenue. L'objectif de ce travail est d'étudier les méthodes d'optimisation stochastiques continues permettant de déterminer les paramètres d'un réseau pour qu'il produise un comportement oscillatoire périodique. Nous dressons tout d'abord un bilan des connaissances sur les oscillateurs biologiques. Nous décrirons ensuite des outils mathématiques qui permettent de garantir la stabilité des oscillateurs. Le potentiel des RNR, particulièrement appliqués aux systèmes dynamiques, n'étant encore que très peu exploité, nous proposerons pour chaque méthode, une formalisation générale matricielle détaillée et préciserons la complexité des algorithmes. Nous validerons chacune de ces méthodes à l'aide d'un simple oscillateur, en démontrant analytiquement la stabilité du système résultant, et en montrant dans quelle mesure il est robuste face aux perturbations de ses paramètres. Nous comparerons les différentes méthodes sur ces critères ainsi que sur la vitesse de convergence. Nous terminerons cette thèse par une illustration, dans laquelle nous réaliserons toutes les étapes de la construction d'un contrôleurs oscillatoire neuronal, pour commander l'axe de direction d'un véhicule original. Ceci nous permettra de discuter de la viabilité des réseaux de neurones récurrents dans le domaine de contrôle oscillatoire, et de soulever des questions intéressantesIn the control field, most of the applications need a non-oscillatory continuous control. This work focuses instead on controllers with recurrent neural networks (RNN) which generate a periodic oscillatory control. The purpose of the present work is to study stochastic optimisation methods which can be used to discover the parameters of a network so that it generates a cyclic input. First we take a look at the knowledge about biological oscillators. Tthen we describe the mathematical tools to be able to guarantee the stability oscillators. The potential of RNN, especially applied to dynamical systems being still poorly used, we propose for each method, a general detailed matrix formalization and we precise the computational complexity of the methods. We validate each method using a simple example of oscillator, and we demonstrate analytically the stability of the resulting oscillator, but also how it is robust to parameters perturbations. We then compare these different methods with these criteria and the speed of convergence. We finish this thesis with an illustration, where we take all the steps of the construction of an oscillatory neural controller, to control the axis of direction of a particular vehicle. This will let us discuss how realistic is the use of recurrent neural networks in the field of control, and propose interesting questions
4
Becker, Freddy. "Définition d'un réseau de référence métrologique pour le positionnement d'un grand accélérateur linéaire." Phd thesis, INSA de Strasbourg, 2003. http://tel.archives-ouvertes.fr/tel-00281959.
Повний текст джерелаАнотація:
Ce travail de doctorat est consacré à l'étude du système d'alignement du CLIC, projet d'accélérateur linéaire de particules de plus de 30km de long mené par l'Organisation Européenne pour la Recherche Nucléaire. L'aspect le plus remarquable de ce projet réside dans la précision très contraignante de ±10 microns sur 200m qu'il faut atteindre sur l'alignement relatif des éléments de l'accélérateur.Cette thèse se situe dans le prolongement de travaux entrepris depuis 10 ans. Ceux-ci avaient notamment permis de sélectionner un certain nombre de capteurs métrologiques susceptibles de répondre aux besoins du CLIC. Or la plupart de ces capteurs effectuent leurs mesures par rapport à des références géométriques sensibles à la gravité. Le niveau élevé de précision requis nous a donc conduit à consacrer une partie importante de ce travail à l'effet des perturbations de la gravité sur l'utilisation de ces capteurs. Cela a permis de mettre en évidence les effets qui devront être pris en compte et de dégager les interrogations qui subsistent encore sur l'utilisation des niveaux hydrostatiques.
Cette recherche avait également pour but d'établir une proposition de configuration du système d'alignement, basée sur l'utilisation des capteurs sélectionnés. Il s'agissait donc d'effectuer des simulations des précisions obtenues avec les différentes configurations possibles. L'outil de calcul disponible étant inadapté, un effort majeur a été consacré au développement d'un nouveau logiciel. Les méthodologies orientées-objet se sont avérées être très bénéfiques dans ce contexte et ont permis la mise au point d'un outil évolutif adapté à des projets de recherche. Les simulations effectuées ont permis de définir une configuration optimale du réseau.
Enfin, en raison des problèmes peut-être insolubles que pose l'utilisation des capteurs hydrostatiques, nous avons mené une réflexion qui nous a permis d'ébaucher assez précisément une solution alternative basée sur l'utilisation d'un long faisceau laser.
5
Yonaba, Harouna. "Modélisation hydrologique hybride : réseau de neurones - modèle conceptuel." Thesis, Université Laval, 2009. http://www.theses.ulaval.ca/2009/26583/26583.pdf.
Повний текст джерела
6
Carpentier, Mathieu. "Classification fine par réseau de neurones à convolution." Master's thesis, Université Laval, 2019. http://hdl.handle.net/20.500.11794/35835.
Повний текст джерелаАнотація:
L’intelligence artificielle est un domaine de recherche relativement récent. Grâce à lui, plusieurs percées ont été faites sur une série de problèmes qui étaient autrefois considérés comme très difficiles. La classification fine est l’un de ces problèmes. Cependant, même si résoudre cette tâche pourrait représenter des avancées tant au niveau scientifique qu’au niveau industriel, peu de recherche y a été effectué. Dans ce mémoire, nous abordons la problématique de l’application de la classification fine sur des problèmes concrets, soit la classification d’essence d’arbres uniquement grâce à des images de l’écorce et la classification visuelle des moisissures en culture. Nous commençons par présenter plusieurs concepts sur lesquels se basent l’apprentissage profond, à la base de notre solution ainsi que plusieurs expériences qui ont été menées afin de tenter de résoudre le problème de classification d’essence d’arbres à partir d’images de l’écorce. Par la suite, nous détaillons le jeu de données nommé BarkNet 1. 0 que nous avons construit dans le cadre de ce projet. Grâce à celui-ci, nous avons été en mesure de développer une méthode permettant d’obtenir une précision de 93,88% en utilisant une seule crop aléatoire dans une image et une précision de 97,81% en utilisant un vote de majorité sur toutes les images d’un arbre. Finalement, nous concluons en démontrant la faisabilité d’appliquer notre méthode dans d’autres contextes en montrant quelques applications concrètes sur lesquelles nous l’avons essayée, soit la classification d’essence d’arbres en industrie et la classification de moisissures.Artificial intelligence is a relatively recent research domain. With it, many breakthroughs were made on a number of problems that were considered very hard. Fine-grained classification is one of those problems. However, a relatively small amount of research has been done on this task even though itcould represent progress on a scientific, commercial and industrial level. In this work, we talk about applying fine-grained classification on concrete problems such as tree bark classification and mould classification in culture. We start by presenting fundamental deep learning concepts at the root of our solution. Then, we present multiple experiments made in order to try to solve the tree bark classification problem and we detail the novel dataset BarkNet 1.0 that we made for this project. With it, we were able to develop a method that obtains an accuracy of 93.88% on singlecrop in a single image, and an accuracy of 97.81% using a majority voting approach on all the images of a tree. We conclude by demonstrating the feasibility of applying our method on new problems by showing two concrete applications on which we tried our approach, industrial tree classification and mould classification.
7
Charpentier, Éric. "Repérage d'un faisceau à l'aide d'un réseau d'antennes, guidé par un réseau de neurones." Thesis, National Library of Canada = Bibliothèque nationale du Canada, 1998. http://www.collectionscanada.ca/obj/s4/f2/dsk2/tape17/PQDD_0001/MQ37437.pdf.
Повний текст джерела
8
Cayouette, Philippe. "Aérocapture martienne par réseau de neurones entraîné par algorithme génétique." Mémoire, Université de Sherbrooke, 2006. http://savoirs.usherbrooke.ca/handle/11143/1372.
Повний текст джерелаАнотація:
Les techniques usuelles pour ralentir un véhicule spatial en approche d'un corps céleste en vitesse hyperbolique utilisent des propulseurs et, par conséquent, une masse importante de carburant. Une technique alternative utilisant seulement une fraction du carburant par rapport aux techniques classiques est l'aérocapture. Cette technique consiste à passer dans les basses couches de l'atmosphère du corps céleste pour perdre l'énergie cinétique qui serait habituellement perdue grâce aux propulseurs.Les algorithmes de guidages d'un véhicule spatial lors de l'aérocapture sont tous basés sur des concepts déductifs mathématiques. Ce projet de recherche propose un changement de paradigme, soit l'utilisation de l'intelligence artificielle pour parvenir à des résultats supérieurs aux techniques actuelles. Un réseau de neurones peut, grâce à un simulateur d'aérocapture, apprendre à donner la bonne commande à tout moment de l'aérocapture s'il est soumis à un entraînement adéquat. Le défi réside justement dans l'entraînement. Ce projet de recherche utilise une technique novatrice d'entraînement par algorithme génétique pour réseaux de neurones dans une boucle navigation-guidage-contrôle. Par analogie avec la nature, une population de réseaux de neurones se fait compétition dans un environnement de simulation d'aérocapture et l'évolution de cette population fonctionne selon les principes du darwinisme, c'est-à-dire le succès des individus mieux adaptés. Ce mémoire présente d'abord la conception de la solution proposée au problème de l'aérocapture et ensuite les résultats de simulations comparatives aux algorithmes actuels. Finalement, l'analyse de ces résultats démontre que l'algorithme de guidage par réseau de neurones représente une alternative intéressante pour une éventuelle mission utilisant l'aérocapture.
9
Trinh, Franck Ky. "Simulation d'un réseau de neurones à l'aide de transistors SET." Mémoire, Université de Sherbrooke, 2010. http://hdl.handle.net/11143/5493.
Повний текст джерелаАнотація:
Ce mémoire est le résultat d'une recherche purement exploratoire concernant la définition d'une application de réseaux de neurones à base de transistors monoélectroniques (Single-Electron Transistor, SET). Il dresse un portait de l'état de l'art actuel, et met de l'avant la possibilité d'associer les SET avec la technologie actuelle (Field Electron Transistor, FET). La raison de cette association est que les SET peuvent être perçus comme un moyen de changement de paradigme, c'est-à-dire remplacer une fonction CMOS occupant une grande place par un dispositif alternatif présentant de meilleures performances ou équivalentes. Par l'intermédiaire de leurs caractéristiques électriques peu ordinaires au synonyme de"l'effet de blocage de Coulomb", les SET ont le potentiel d'être exploités intelligemment afin de tirer profit sur la consommation énergétique essentiellement. Cette problématique est présentée comme une des propositions alternatives"Beyond CMOS" aux termes de la diminution géométrique des transistors FET à la lumière de l'ITRS. Cette recherche propose d'exposer des circuits électroniques de technologie MOS complétés à l'aide de SET (circuits hybrides) et de montrer que l'on est capable de les remplacer ou les compléter (partiellement) dans des architectures à réseau de neurones. Pour cela, des simulations sous logiciel Cadence Environnement permettront de valider le comportement des circuits sur plusieurs critères tels que la vitesse de réponse et la consommation énergétique, par exemple. En résultat, seront proposées deux architectures à réseaux de neurones de fonctions différentes : une architecture Winner-Take-All et un générateur de spikes en tension. La première étant inspirée d'une publication provenant de GUIMARAES et al., veut démontrer qu'à partir d'une architecture SET existante, il est envisageable de se l'approprier et de l'appliquer aux paramètres des SET du CRN[indice supérieur 2] augmentant donc nos chances de pouvoir les concevoir dans notre groupe de recherche. Le second axe est la simulation d'un circuit capable de générer des signaux à spikes sans perte d'information, ce qui requerrait un nombre considérable de transistors FET sans l'utilisation de SET, mettant donc en valeur la réduction de composants.
10
Liu, Xiaoqing. "Analyse d'images couleur en composantes indépendantes par réseau de neurones." Grenoble INPG, 1991. http://www.theses.fr/1991INPG0120.
Повний текст джерелаАнотація:
Cette these presente une nouvelle methode de transformation des valeurs de tristimuli d'une image couleur par un algorithme neuromimetique. Le reseau de neurones est completement interconnecte et il est utilise pour l'analyse en composantes independantes (aci) des signaux multidimensionnels: en exploitant une regle d'apprentissage adequate, dite des moments d'ordre eleve, il est capable de discriminer des sources independantes a partir des melanges de celles-ci. Les images couleur sont soumises a la transformation par le reseau aci et les algorithmes classiques de traitement d'images monochromatiques peuvent s'appliquer directement et independamment sur chaque composante aci, car ces nouvelles composantes sont statistiquement independantes. La discrimination d'objets au niveau de chaque composante chromatique devient plus facile sur l'image transformee que sur l'image originale. Cette methode est comparee avec des methodes classiques: l'analyse en composantes principales et le systeme tls (teinte, luminance et saturation)
Книги з теми "Accélérateur de réseau de neurones"
1
Delgado, Guillermo Díaz. Automatisation d'une colonne de flottation de laboratoire et estimation de l'interface à l'aide d'un réseau de neurones. [s.l: s.n.]., 1996.
Знайти повний текст джерела
2
Rennes, Université de, ed. Typologie prédictive de consommateurs sur la base de leurs chainages moyens-fins: Une approche par réseau de neurones et algorithme génétique. Grenoble: A.N.R.T. Université Pierre Mendès France Grenoble 2, 1997.
Знайти повний текст джерела
3
Lynn, Nadel, ed. Neural connections, mental computation. Cambridge, Mass: MIT Press, 1990.
Знайти повний текст джерела
4
Dayhoff, Judith E. Neural network architectures: An introduction. New York, N.Y: Van Nostrand Reinhold, 1990.
Знайти повний текст джерела
5
Neural Network Architectures: An Introduction. Van Nostrand Reinhold, 1989.
Знайти повний текст джерелаЧастини книг з теми "Accélérateur de réseau de neurones"
1
DE’ FAVERI TRON, Alvise. "La détection d’intrusion au moyen des réseaux de neurones : un tutoriel." In Optimisation et apprentissage, 211–47. ISTE Group, 2023. http://dx.doi.org/10.51926/iste.9071.ch8.
Повний текст джерелаАнотація:
La détection d'intrusion est un concept clé dans la sécurité. Elle vise à analyser l'état actuel d'un réseau en temps réel et à identifier les anomalies potentielles qui se produisent dans le système. Un réseau de neurones à réaction formé sur l'ensemble de données NSL-KDD a pour objectif de maximiser la précision de la reconnaissance de nouveaux échantillons de données.
2
MOLINIER, Matthieu, Jukka MIETTINEN, Dino IENCO, Shi QIU, and Zhe ZHU. "Analyse de séries chronologiques d’images satellitaires optiques pour des applications environnementales." In Détection de changements et analyse des séries temporelles d’images 2, 125–74. ISTE Group, 2024. http://dx.doi.org/10.51926/iste.9057.ch4.
Повний текст джерелаАнотація:
Ce chapitre traite des méthodes d’analyse de séries chronologiques denses en télédétection. Il présente les principales exigences en termes de prétraitements des données, puis un aperçu des quatre principaux axes en détection de changement basée sur l'analyse de séries chronologiques denses : carte de classification, classification de trajectoire, frontières statistiques et approches d'ensemble. Il fournit aussi les détails sur deux des algorithmes les plus largement utilisés dans ce contexte d’analyse. Il aborde également la question de l'apprentissage profond pour la télédétection, en détaillant trois types d'architectures de réseau adaptées à l'analyse de séries chronologiques d'images satellitaires : les réseaux de neurones récurrents, les réseaux de neurones convolutifs et les modèles hybrides combinant ces deux derniers modèles de réseau.
3
JACQUEMONT, Mikaël, Thomas VUILLAUME, Alexandre BENOIT, Gilles MAURIN, and Patrick LAMBERT. "Analyse d’images Cherenkov monotélescope par apprentissage profond." In Inversion et assimilation de données de télédétection, 303–35. ISTE Group, 2023. http://dx.doi.org/10.51926/iste.9142.ch9.
Повний текст джерелаАнотація:
Sur un problème d'analyse de rayonnement gamma à partir d'observations depuis des télescopes à imagerie Cherenkov, ce chapitre présente un modèle de réseau de neurones profond multitâche. Celui-ci permet la reconstruction des paramètres des rayonnements observés. Nous démontrons l’intérêt de l'approche multitâche. Nous montrons également que cette architecture obtient de meilleures performances qu’une méthode d’analyse standard largement utilisée pour cette problématique.
Тези доповідей конференцій з теми "Accélérateur de réseau de neurones"
1
ORLIANGES, Jean-Christophe, Younes El Moustakime, Aurelian Crunteanu STANESCU, Ricardo Carrizales Juarez, and Oihan Allegret. "Retour vers le perceptron - fabrication d’un neurone synthétique à base de composants électroniques analogiques simples." In Les journées de l'interdisciplinarité 2023. Limoges: Université de Limoges, 2024. http://dx.doi.org/10.25965/lji.761.
Повний текст джерелаАнотація:
Les avancées récentes dans le domaine de l'intelligence artificielle (IA), en particulier dans la reconnaissance d'images et le traitement du langage naturel, ouvrent de nouvelles perspectives qui vont bien au-delà de la recherche académique. L'IA, portée par ces succès populaires, repose sur des algorithmes basés sur des "réseaux de neurones" et elle se nourrit des vastes quantités d'informations accessibles sur Internet, notamment via des ressources telles que l'encyclopédie en ligne Wikipédia, la numérisation de livres et de revues, ainsi que des bibliothèques de photographies. Si l'on en croit les propres dires du programme informatique ChatGPT, son réseau de neurones compte plus de 175 millions de paramètres. Quant à notre cerveau, qui était le modèle initial de cette approche connexionniste, il compte environ 86 milliards de neurones formant un vaste réseau interconnecté... Dans ce travail, nous proposons une approche plus modeste de l'IA en nous contentant de décrire les résultats que l'on peut obtenir avec un seul neurone synthétique isolé, le modèle historique du perceptron (proposé par Frank Rosenblatt dans les années 1950). C'est un "Retour vers le futur" de l'IA qui est entrepris pour fabriquer et tester un neurone artificiel à partir de composants électroniques simples. Celui-ci doit permettre de différencier un chien d'un chat à partir de données anatomiques collectées sur ces animaux.