Contrôle par réseau de neurones
| dc.contributor.author | Benmeddour, Mohamed | |
| dc.date.accessioned | 2019-01-16T06:22:02Z | |
| dc.date.available | 2019-01-16T06:22:02Z | |
| dc.date.issued | 2012 | |
| dc.description.abstract | L’Entrainement en ligne en boucle fermée des contrôleurs neuronales avec les structures MLP et RBF, consiste à l’ajustement des poids du réseau qui est généralement effectué à l’aide de l’algorithme du gradient. Deux architectures de réseaux de neurones ont été présentées dans ce mémoire ainsi que les structures et les méthodes utilisées pour le contrôle neuronal. Ce travail présente les réseaux de neurones comme un nouvel outil pour le contrôle des systèmes, et ça à travers l’exemple de simulation qui consisté à contrôler la température d’un réacteur chimique caractérisé par sa forte non linéarité en utilisant deux types de réseau de neurones artificiel tout en essayons de les optimiser en réduisant le nombre de neurones dans la couche caché | ar |
| dc.description.sponsorship | Ourzifi Omar | ar |
| dc.identifier.uri | http://hdl.handle.net/123456789/8058 | |
| dc.language.iso | fr | ar |
| dc.publisher | Université Larbi Ben M'hidi | ar |
| dc.subject | Contrôle | ar |
| dc.subject | Réseaux de neurones, | ar |
| dc.subject | MLP | ar |
| dc.subject | RBF | ar |
| dc.subject | K-means | ar |
| dc.subject | Rétropropagation | ar |
| dc.subject | CSTR | ar |
| dc.title | Contrôle par réseau de neurones | ar |
| dc.type | Other | ar |