L. Personnaz & I. Rivals (2003)
Réseaux de neurones formels pour la modélisation, la commande et la classification
Éditions du CNRS
Résumé
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.