Les ingénieurs de conception de
systèmes de traitement automatique des données sont
souvent confrontés à des problèmes de
modélisation ou de classification. Cet ouvrage tente de leur
donner les moyens de mettre en œuvre les réseaux de neurones
formels (RNFs), afin d’améliorer les performances obtenues avec
les méthodes classiques, ou bien même de résoudre
des problèmes jusqu’ici restés sans solution. En
évitant de grands développements mathématiques,
mais avec rigueur, nous introduisons les outils théoriques
nécessaires à
un chercheur ou à ingénieur de conception pour
résoudre un problème concret. Ces outils sont
également utiles pour l'emploi de logiciels
spécialisés : ils permettent en
effet de maîtriser les algorithmes et les méthodes
utilisés par ces produits, et de les exploiter plus
efficacement, en connaissance
de cause.
Le livre traite de la mise en œuvre des RNFs dans les domaines
suivants :
- la modélisation statique et dynamique, pour des processus
industriels comme pour des systèmes écologiques,
économiques,
biologiques, etc. ;
- la sélection du meilleur modèle, c'est-à-dire
la recherche des entrées significatives et de la
complexité
minimale nécessaire ;
- la commande de processus industriels, la commande robuste en
particulier ;
- la classification et la reconnaissance des formes.
Ces domaines recouvrent la majorité des problèmes
industriels de traitement de données numériques pour
lesquels l'utilisation des RNFs est pertinente. De plus, des
problèmes rangés sous une autre étiquette se
ramènent souvent à un
problème de modélisation, comme la prédiction de
séries
temporelles, ou à un problème de classification, comme la
détection de pannes.
Enfin, deux annexes sont consacrées aux algorithmes
d’optimisation et aux outils statistiques utiles pour le corps du livre.
Plusieurs points font l’originalité du livre :
• Les algorithmes sont présentés pour qu’un
ingénieur d’études puisse les programmer, ou bien
utiliser efficacement des logiciels comme Matlab. L’apprentissage des
modèles dynamiques et
des correcteurs est particulièrement développé.
• Une annexe détaillée est consacrée aux notions
de statistiques qui sont indispensables pour l'estimation de la
performance des modèles ou des classifieurs. Les tests
d’hypothèse et la construction d’intervalles de confiance sont
introduits.
• Une large place est consacrée au problème central de
la sélection du meilleur modèle, et en particulier au
choix
entre polynômes et RNFs. En effet, les polynômes sont
souvent
ignorés dans la communauté neuronale, alors que pour de
nombreux
problèmes faiblement non linéaires, ils sont
préférables
aux RNFs, parce que l'estimation de leurs paramètres et
l'analyse
statistique sont plus aisées. Lorsqu’un RNF s’avère
nécessaire, les tests d’hypothèses évoqués
ci-dessus permettent
la sélection du meilleur RNF.
• De nombreux exemples illustratifs permettent au lecteur
l'assimilation des concepts introduits, et la mise en œuvre des
algorithmes sur ordinateur.
L'ouvrage s'adresse aux ingénieurs et aux chercheurs
intéressés par la mise en œuvre des réseaux de
neurones formels, ainsi qu'aux étudiants de DEA et
d'écoles d'ingénieurs.
Table des matières
The designers of data processing systems often
face
modeling or classification problems. In this textbook, the authors try
to
give them the means to implement artificial neural networks (ANNs) in
order
to improve the performance obtained with traditional techniques, or
even
to solve problems which remain unsolved. The theoretical tools that are
necessary
to a researcher or an engineer in order to solve a real-world problem
are
introduced without large mathematical developments, but nevertheless
rigorously.
These tools are also useful for the use of specialized software: they
enable
to understand the underlying algorithms and methods, and to exploit
them
efficiently.
The book deals with the implementation of ANNs in the following fields:
- static and dynamic modeling, for industrial
processes as well as for ecological, economical, biological, etc.,
systems;
- model selection, i.e. the search for the
significant inputs and the optimal complexity;
- industrial process control, in particular robust
control;
- classification and pattern recognition.
These fields cover the majority of the industrial problems of data
processing for which the use of ANNs is justified. Moreover, problems
usually classified in other fields are often related to modeling or
classification, like time series prediction or failure detection.
Finally, two appendixes are devoted to the optimization algorithms and
to the statistical tools useful for the body of the book.
Special features
- Algorithmics: the optimization techniques are
presented so that an engineer can program them easily, or use
specialized software like Matlab. We place a special emphasis on the
training of dynamic models and controllers, and introduce concepts
essential for the understanding
of the different algorithms (assumed model, associated predictor…).
- Statistics: a self-contained appendix is devoted
to the statistical concepts indispensable for the analysis of ANNs.
Hypothesis tests and confidence intervals are introduced.
- The key issue of the selection of the best model
is tackled in detail, in particular that of the choice between ANNs and
polynomials, the latter being often ignored in the ANN community,
though
they are better suited for many nonlinear problems since the estimation
of their parameters and their statistical analysis are easier. When an
ANN proves to be necessary, it is shown how the hypotheses tests
mentionned
above enable to select the significant inputs, and the minimal
necessary
network complexity.
- Many illustrative examples and exercises are
provided, which can be implemented by the reader on a computer.
Audience
This textbook is intended for engineers in industry as well as
researchers and students in computer science, statistics, biomedicine,
automatic control, economics, cognitive science…
Contents
