[Retour au sommaire] [suivant] [précédent]


1.1. MODELISATION PAR APPRENTISSAGE

Le problème abordé dans ce thème est celui de l'apprentissage dans le cadre de la modélisation d'un processus physique, en vue d'une prise de décision (commande, diagnostic, classification, reconnaissance de signature, etc...), à partir d'informations empiriques (données), disponibles ou recueillies en ligne. Les outils utilisés font appel aux différentes techniques d'apprentissage (non supervisé, semi-supervisé, supervisé) et reposent majoritairement sur les concepts de "réseaux neuromimétiques", compris comme une façon particulière d'implanter une analyse statistique de données.

Les activités du thème peuvent être séparées en quatre domaines, avec des interactions importantes entre eux.

1.1.1 Approximation de fonctions

Cette activité concerne la recherche des modèles les plus appropriés pour un problème donné. Dans ces familles de modèles, les réseaux de neurones tiennent une place privilégiée pour leur propriété reconnue d'approximateur universel.

Sur le plan théorique, nous avons entrepris un travail sur les modes de convergence de l'apprentissage [VIG98bC], reposant sur l'idée qu'une partie importante du fonctionnement du réseau s'effectue dans un mode quasi-linéaire, avant d'évoluer progressivement vers un mode non-linéaire.

Si les aspects d'optimisation algorithmique en vue d'implantation matérielle [MER95T] sont maintenant abandonnés, une activité importante concerne la validation des modèles obtenus. Nous nous sommes attachés à développer des méthodes d'estimation d'un intervalle de confiance sur la (les) sortie(s) d'un modèle neuronal, intégrant l'imprécision (bruit) sur les données d'entrée et celle due au modèle lui-même. Nous nous sommes appuyé fortement sur des méthodes issues du calcul statistique , en particulier sur des algorithmes de type bootstrap, pour propager et combiner les imprécisions sous forme de biais et d'écart-type. Une méthode de
bootstrap généralisé [PIL98T, PIL98bC] permet d'une part une estimation robuste de la qualité de la modélisation et, d'autre part, une estimation de la durée d'apprentissage la mieux adaptée au modèle et aux données (problème du sur-apprentissage).

Nous pouvons ainsi mettre en jeu une méthodologie complète de développement qui nous a permis d'appliquer avec succès ces techniques dans un nombre important d'applications couvrant des domaines très variés, correspondant à des projets internes au laboratoire ou en relation avec des partenaires publics ou privés. Le tableau ci-dessous regroupe les thèmes de ces projets, les collaborations et les publications associées.

Thème Collaboration Publications
Modélisation de capteurs
  • télémètre laser
  • télémètre US
  • caméra
ETL/MITI Univ. Tsukuba
  • [BARA96bC]
  • [HAM96C]
  • [BER96eC]
Modélisation système mécanique CEA / SFIM
  • [DOM98T]
  • [DOM97C]
Modélisation four verrier Stein-Heurtey (Fives Lille)
  • [LEP-T]
Identification et Commande SNECMA / CEA
  • [MEY97T]
Mesure physique nucléaire European JRC Ispra CEA
  • [VIG97bC]
  • [GAU97C]
  • [PIL98aC]
  • [PIL98bC]
Spectrométrie gamma CEA / DAMRI
  • [VIG96aR]
  • [VIG96bC]
Calibration fluorescence X CEA / SAR
  • [VIG95bC]
  • [VIG96bR]
Dosage de particules
  • [MER95C]
Détection d'espèces chimiques ETCA
Robotique mobile voir thème 3 : §3.1.1.2 et 3.1.2.2



Plusieurs autres projets sont actuellement en démarrage et seront traités dans le futur proche :


[Retour au sommaire] [suivant] [précédent]