Добірка наукової літератури з теми "Réseau de neurones à impulsions"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Réseau de neurones à impulsions".
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 "Réseau de neurones à impulsions"
1
Cognard, Ismaël. "Les pulsars radio : 50 ans de découvertes !" Reflets de la physique, no. 59 (September 2018): 26–31. http://dx.doi.org/10.1051/refdp/201859026.
Повний текст джерелаАнотація:
À la fin des années 1960, des impulsions radio régulières sont découvertes en provenance d'astres de notre galaxie. Analogue à celle d'un phare au bord de la mer, l'émission de ces « pulsars » est interprétée comme le passage d'un faisceau radio collimaté (peu divergent) sur la Terre. Parmi les milliers de pulsars connus aujourd'hui, certains sont dotés d'une stabilité de rotation hors du commun les rendant utilisables pour un grand nombre d'applications en physique fondamentale. Un réseau de pulsars ultra-stables est actuellement utilisé pour chercher la signature des déformations de l'espacetemps induites par les ondes gravitationnelles prédites dans la foulée des travaux d'Albert Einstein. Ces ondes seraient émises par les couples de trous noirs de milliards de masses solaires situés aux centres des galaxies voisines.
2
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.
3
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
4
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
5
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).
6
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.
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 "Réseau de neurones à impulsions"
1
Soula, Hédi. "Dynamique et plasticité dans les réseaux de neurones à impulsions : étude du couplage temporel réseau / agent / environnement." Lyon, INSA, 2005. http://theses.insa-lyon.fr/publication/2005ISAL0056/these.pdf.
Повний текст джерелаАнотація:
Dans ce travail, une approche de "vie artificielle" est utilisée pour étudier le support neural des comportements. Un comportement est issu d'une bonne adéquation entre le système de contrôle, les capacités sensori-motrices de l'agent et de l'environnement. Dans un paradigme dynamique, un comportement est ainsi un attracteur dans l'espace perception/action - composé de la dynamique interne du contrôleur et de celle obtenue par l'évolution de l'agent. La dynamique neurale est à l'origine de la dynamique interne. L'apprentissage de comportement revient donc à coupler ces deux dynamiques. Nous introduisons, dans un premier temps, une étude détaillée de la dynamique nerveuse dans le cas de réseaux de neurones à impulsions. En mode spontané (c'est-à-dire sans entrées), ces réseaux opèrent de manière non triviale. Selon les paramètres de la distribution de poids synaptiques, nous sommes en mesure d'estimer complètement l'activité de décharge. On montre l'existence d'une bifurcation pour le paramètre de couplage : la variance de la distribution. Nous montrons aussi que ce facteur de couplage mesure le charactère chaotique du fonctionnement du réseau. Pour apprendre des comportement, nous utilisons un algorithme biologiquement plausible la Spike-Time Dependent Plasticity qui permet de coupler la dynamique neurale. Nous montrons en dynamique spontanée l'influence des paramètres d'apprentissage sur le fonctionnement du réseau. Nous montrons que la STDP permet de rester dans un régime "au bord du chaos". Dans le but de valider cette approche, nous utilisons le réseau pour controler un robot qui doit apprendre à éviter les obstacles en servant uniquement du flot visuelAn «artificial life » approach is conducted in order to assess the neural basis of behaviours. Behaviour is the consequence of a good concordance between the controller, the agent’s sensori-motors capabilities and the environment. Within a dynamical system paradigm, behaviours are viewed as attractors in the perception/action space – derived from the composition of the internal and external dynamics. Since internal dynamics is originated by the neural dynamics, learning behaviours therefore consists on coupling external and internal dynamics by modifying network’s free parameters. We begin by introducing a detailed study of the dynamics of large networks of spiking neurons. In spontaneous mode (i. E. Without any input), these networks have a non trivial functioning. According to the parameters of the weight distribution and provided independence hypotheses, we are able to describe completely the spiking activity. Among other results, a bifurcation is predicted according to a coupling factor (the variance of the distribution). We also show the influence of this parameter on the chaotic dynamics of the network. To learn behaviours, we use a biologically plausible learning paradigm – the Spike-Timing Dependent Plasticity (STDP) that allows us to couple neural and external dynamics. Applying shrewdly this learning law enables the network to remain “at the edge of chaos” which corresponds to an interesting state of activity for learning. In order to validate our approach, we use these networks to control an agent whose task is to avoid obstacles using only the visual flow coming from its linear camera. We detail the results of the learning process for both simulated and real robotics platform
2
Godin, Christelle. "Contributions à l'embarquabilité et à la robustesse des réseaux de neurones en environnement radiatif : apprentissage constructif : neurones à impulsions." École nationale supérieure de l'aéronautique et de l'espace (Toulouse ; 1972-2007), 2000. http://www.theses.fr/2000ESAE0013.
Повний текст джерелаАнотація:
Les réseaux de neurones et plus particulièrement les perceptrons multi-couches sont aujourd'hui largement utilisés pour des tâches de classification. L'environnement radiatif, hostile pour les équipements électroniques, provoque des modifications de leur fonctionnement. Cette thèse explore deux voies dans le but d'obtenir des réseaux de neurones robustes destinés à être embarqués dans des systèmes fonctionnant en environnement radiatif. La première approche est basée sur un nouvel algorithme d'apprentissage constructif, appelé NetLS, qui est une généralisation des algorithmes NetLines et Net Spheres. Nous montrons sur des problèmes étalons qu'il permet d'aboutir à des réseaux de neurones binaires de très petite taille alors que d'autres algorithmes conduisent à des classifieurs bien plus complexes pour des performances équivalentes. La seconde approche consiste à utiliser un nouveau modèle de neurone à impulsions pour l'implantation de neurones à fonction de réponse continue. Ainsi, n'importe quel algorithme d'apprentissage classique (rétropropagation et ses variantes) peut être utilisé et le réseau de neurones obtenu peut fonctionner avec ces neurones à impulsions. Dans ces conditions, nous montrons que lors de la relaxation du réseau les performances augmentent au cours du temps jusqu'à atteindre celles du réseau de neurones continus. Ainsi, si une erreur se produit au cours du calcul, l'information disponible peut représenter une partie du résultat. Une architecture numérique pour ce neurone est proposée et évaluée. La surface occupée sur le silicium est 10 fois inférieure à celle nécessaire pour implanter une neurone continu. Ces deux approches conduisent à des réseaux de neurones de faible surface : la probabilité d'une erreur due aux radiations est minimisée. Ils ont été confrontés à des problèmes de détection de signaux radar de deux types, les premiers étant générés par un modèle, et les seconds des échos ionosphériques mesurés par le radar du projet EISCAT (European Incoherent SCATter).
3
Jouni, Zalfa. "Analog spike-based neuromorphic computing for low-power smart IoT applications." Electronic Thesis or Diss., université Paris-Saclay, 2024. http://www.theses.fr/2024UPAST114.
Повний текст джерелаАнотація:
Avec l'expansion de l'Internet des objets (IoT) et l'augmentation des appareils connectés et des communications complexes, la demande de technologies de localisation précises et économes en énergie s'est intensifiée. Les techniques traditionnelles de machine learning et d'intelligence artificielle (IA) offrent une haute précision dans la localisation par radiofréquence (RF), mais au prix d'une complexité accrue et d'une consommation d'énergie élevée. Pour relever ces défis, cette thèse explore le potentiel de l'informatique neuromorphique, inspirée par les mécanismes du cerveau, pour permettre une localisation RF basée sur l'IA et économe en énergie. Elle présente un système neuromorphique analogique à base de pointes (RF NeuroAS), avec une version simplifiée entièrement implémentée en technologie BiCMOS 55 nm. Ce système identifie les positions des sources dans une plage de 360 degrés sur un plan bidimensionnel, en maintenant une haute résolution (10 ou 1 degré) même dans des conditions bruyantes. Le cœur de ce système, un réseau de neurones à impulsions basé sur l'analogique (A-SNN), a été formé et testé sur des données simulées (SimLocRF) à partir de MATLAB et des données expérimentales (MeasLocRF) provenant de mesures en chambre anéchoïque, tous deux développés dans cette thèse. Les algorithmes d'apprentissage pour l'A-SNN ont été développés selon deux approches: l'apprentissage profond (DL) et la plasticité dépendante du timing des impulsions (STDP) bio-plausible.RF NeuroAS atteint une précision de localisation de 97,1% avec SimLocRF et de 90,7% avec MeasLoc à une résolution de 10 degrés, tout en maintenant une haute performance avec une faible consommation d'énergie de l'ordre du nanowatt. Le RF NeuroAS simplifié consomme seulement 1.1 nW et fonctionne dans une plage dynamique de 30 dB. L'apprentissage de l'A-SNN, via DL et STDP, a démontré des performances sur les problèmes XOR et MNIST.Le DL dépend de la non-linéarité des fonctions de transfert post-layout des neurones et des synapses de l'A-SNN, tandis que le STDP dépend du bruit aléatoire dans les circuits neuronaux analogiques. Ces résultats marquent des avancées dans les applications IoT économes en énergie grâce à l'informatique neuromorphique, promettant des percées dans l'IoT intelligent à faible consommation d'énergie inspirées par les mécanismes du cerveauAs the Internet of Things (IoT) expands with more connected devices and complex communications, the demand for precise, energy-efficient localization technologies has intensified. Traditional machine learning and artificial intelligence (AI) techniques provide high accuracy in radio-frequency (RF) localization but often at the cost of greater complexity and power usage. To address these challenges, this thesis explores the potential of neuromorphic computing, inspired by brain functionality, to enable energy-efficient AI-based RF localization. It introduces an end-to-end analog spike-based neuromorphic system (RF NeuroAS), with a simplified version fully implemented in BiCMOS 55 nm technology. RF NeuroAS is designed to identify source positions within a 360-degree range on a two-dimensional plane, maintaining high resolution (10 or 1 degree) even in noisy conditions. The core of this system, an analog-based spiking neural network (A-SNN), was trained and tested on a simulated dataset (SimLocRF) from MATLAB and an experimental dataset (MeasLocRF) from anechoic chamber measurements, both developed in this thesis.The learning algorithms for A-SNN were developed through two approaches: software-based deep learning (DL) and bio-plausible spike-timing-dependent plasticity (STDP). RF NeuroAS achieves a localization accuracy of 97.1% with SimLocRF and 90.7% with MeasLoc at a 10-degree resolution, maintaining high performance with low power consumption in the nanowatt range. The simplified RF NeuroAS consumes just over 1.1 nW and operates within a 30 dB dynamic range. A-SNN learning, via DL and STDP, demonstrated performance on XOR and MNIST problems. DL depends on the non-linearity of post-layout transfer functions of A-SNN's neurons and synapses, while STDP depends on the random noise in analog neuron circuits. These findings highlight advancements in energy-efficient IoT through neuromorphic computing, promising low-power smart edge IoT breakthroughs inspired by brain mechanisms
4
Lorrain, Vincent. "Etude et conception de circuits innovants exploitant les caractéristiques des nouvelles technologies mémoires résistives." Thesis, Université Paris-Saclay (ComUE), 2018. http://www.theses.fr/2018SACLS182/document.
Повний текст джерелаАнотація:
Dans cette thèse, nous étudions les approches calculatoires dédiées des réseaux de neurones profonds et plus particulièrement des réseaux de neurones convolutionnels (CNN). En effet, l'efficacité des réseaux de neurones convolutionnels en font des structures calculatoires intéressantes dans de nombreuses applications. Nous étudions les différentes possibilités d'implémentation de ce type de réseaux pour en déduire leur complexité calculatoire. Nous montrons que la complexité calculatoire de ce type de structure peut rapidement devenir incompatible avec les ressources de l'embarqué. Pour résoudre cette problématique, nous avons fait une exploration des différents modèles de neurones et architectures susceptibles de minimiser les ressources nécessaires à l'application. Dans un premier temps, notre approche a consisté à explorer les possibles gains par changement de modèle de neurones. Nous montrons que les modèles dits impulsionnels permettent en théorie de réduire la complexité calculatoire tout en offrant des propriétés dynamiques intéressantes, mais nécessitent de repenser entièrement l'architecture matériel de calcul. Nous avons alors proposé notre approche impulsionnelle du calcul des réseaux de neurones convolutionnels avec une architecture associée. Nous avons mis en place une chaîne logicielle et de simulation matérielle dans le but d'explorer les différents paradigmes de calcul et implémentation matérielle et évaluer leur adéquation avec les environnements embarqués. Cette chaîne nous permet de valider les aspects calculatoires mais aussi d'évaluer la pertinence de nos choix architecturaux. Notre approche théorique a été validée par notre chaîne et notre architecture a fait l'objet d'une simulation en FDSOI 28 nm. Ainsi nous avons montré que cette approche est relativement efficace avec des propriétés intéressantes un terme de passage à l'échelle, de précision dynamique et de performance calculatoire. Au final, l'implémentation des réseaux de neurones convolutionnels en utilisant des modèles impulsionnels semble être prometteuse pour améliorer l'efficacité des réseaux. De plus, cela permet d'envisager des améliorations par l'ajout d'un apprentissage non supervisé type STDP, l'amélioration du codage impulsionnel ou encore l'intégration efficace de mémoire de type RRAMIn this thesis, we study the dedicated computational approaches of deep neural networks and more particularly the convolutional neural networks (CNN).We highlight the convolutional neural networks efficiency make them interesting choice for many applications. We study the different implementation possibilities of this type of networks in order to deduce their computational complexity. We show that the computational complexity of this type of structure can quickly become incompatible with embedded resources. To address this issue, we explored differents models of neurons and architectures that could minimize the resources required for the application. In a first step, our approach consisted in exploring the possible gains by changing the model of neurons. We show that the so-called spiking models theoretically reduce the computational complexity while offering interesting dynamic properties but require a complete rethinking of the hardware architecture. We then proposed our spiking approach to the computation of convolutional neural networks with an associated architecture. We have set up a software and hardware simulation chain in order to explore the different paradigms of computation and hardware implementation and evaluate their suitability with embedded environments. This chain allows us to validate the computational aspects but also to evaluate the relevance of our architectural choices. Our theoretical approach has been validated by our chain and our architecture has been simulated in 28 nm FDSOI. Thus we have shown that this approach is relatively efficient with interesting properties of scaling, dynamic precision and computational performance. In the end, the implementation of convolutional neural networks using spiking models seems to be promising for improving the networks efficiency. Moreover, it allows improvements by the addition of a non-supervised learning type STDP, the improvement of the spike coding or the efficient integration of RRAM memory
5
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
6
Faouzi, Johann. "Machine learning to predict impulse control disorders in Parkinson's disease." Electronic Thesis or Diss., Sorbonne université, 2020. http://www.theses.fr/2020SORUS048.
Повний текст джерелаАнотація:
Les troubles du contrôle de l'impulsivité sont une classe de troubles psychiatriques caractérisés par des difficultés dans la maîtrise de ses émotions, pensées et comportements. Ces troubles sont courants dans la maladie de Parkinson et associés à une baisse de la qualité de vie des patients ainsi qu'à une augmentation de la charge des aidants. Pouvoir prédire quels sont les sujets les plus à risque de développer ces troubles et quand ces troubles apparaissent est de grande importance. L'objectif de cette thèse est d'étudier les troubles du contrôle de l'impulsivité dans la maladie de Parkinson à partir des approches statistique et de l'apprentissage automatique, et se divise en deux parties. La première partie consiste à analyser la performance prédictive de l'ensemble des facteurs associés à ces troubles dans la littérature. La seconde partie consiste à étudier l'association et l'utilité d'autres facteurs, en particulier des données génétiques, pour améliorer la performance prédictiveImpulse control disorders are a class of psychiatric disorders characterized by impulsivity. These disorders are common during the course of Parkinson's disease, decrease the quality of life of subjects, and increase caregiver burden. Being able to predict which individuals are at higher risk of developing these disorders and when is of high importance. The objective of this thesis is to study impulse control disorders in Parkinson's disease from the statistical and machine learning points of view, and can be divided into two parts. The first part consists in investigating the predictive performance of the altogether factors associated with these disorders in the literature. The second part consists in studying the association and the usefulness of other factors, in particular genetic data, to improve the predictive performance
7
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
8
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
9
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.
10
Fayad, Farah. "Apprentissage et annulation des bruits impulsifs sur un canal CPL indoor en vue d'améliorer la QoS des flux audiovisuels." Phd thesis, Université Blaise Pascal - Clermont-Ferrand II, 2012. http://tel.archives-ouvertes.fr/tel-00769953.
Повний текст джерелаАнотація:
Le travail présenté dans cette thèse a pour objectif de proposer et d'évaluer les performances de différentes techniques de suppression de bruit impulsif de type asynchrone adaptées aux transmissions sur courants porteurs en lignes (CPL) indoor. En effet, outre les caractéristiques physiques spécifiques à ce type de canal de transmission, le bruit impulsif asynchrone reste la contrainte sévère qui pénalise les systèmes CPL en terme de QoS. Pour remédier aux dégradations dues aux bruits impulsifs asynchrones, les techniques dites de retransmission sont souvent très utilisées. Bien qu'elles soient efficaces, ces techniques de retransmission conduisent à une réduction de débit et à l'introduction de délais de traitement supplémentaires pouvant être critiques pour des applications temps réel. Par ailleurs, plusieurs solutions alternatives sont proposées dans la littérature pour minimiser l'impact du bruit impulsif sur les transmissions CPL. Cependant, le nombre de techniques, qui permettent d'obtenir un bon compromis entre capacité de correction et complexité d'implantation reste faible pour les systèmes CPL. Dans ce contexte, nous proposons dans un premier temps d'utiliser un filtre linéaire adaptatif : le filtre de Widrow, nommé aussi ADALINE (ADAptive LInear NEuron), que nous utilisons comme méthode de débruitage pour les systèmes CPL. Pour améliorer les performances du débruitage effectué à l'aide d'ADALINE, nous proposons d'utiliser un réseau de neurones (RN) non linéaire comme méthode de débruitage. Le réseau de neurones est un bon outil qui est une généralisation de la structure du filtre ADALINE. Dans un deuxième temps, pour améliorer les performances du débruitage par un réseau de neurones, nous proposons un procédé d'annulation du bruit impulsif constitué de deux algorithmes : EMD (Empirical Mode Decomposition) associé à un réseau de neurones de type perceptron multicouches. L'EMD effectue le prétraitement en décomposant le signal bruité en signaux moins complexes et donc plus facilement analysables. Après quoi le réseau de neurones effectue le débruitage. Enfin, nous proposons une méthode d'estimation du bruit impulsif utilisant la méthode GPOF (Generalized Pencil Of Function). L'efficacité des deux méthodes, EMD-RN et la technique utilisant l'algorithme GPOF, est évaluée en utilisant une chaîne de simulation de transmission numérique compatible avec le standard HPAV.
Книги з теми "Réseau de neurones à impulsions"
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 "Réseau de neurones à impulsions"
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 "Réseau de neurones à impulsions"
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.