Numérisation et approximations avec l’intelligence artificielle, l’analyse et le contrôle des systèmes

Abstract

Notre travail de recherche vise à créer de nouvelles technologies pour les futurs systèmes industriels. Ces techniques sont composées d’outils intelligents, flexibles et autonomes comme les réseaux de neurones. Nos travaux sont articulés autour de trois thèmes : - NNC (Neural Network Classifier). Ce dernier effectue la classification en temps fixe et possède une architecture simple et régulière. Les performances de NNC sont démontrées via son application à la résolution, en temps fixe, du problème de la reconnaissance optique des caractères. NNC effectue la classification en utilisant le critère de la distance minimum. - PNCMOC (Neural networks for solving nonlinear constrained multi-objective optimization problems). présente un nouveau algorithme analogique traitant en temps réel des problèmes non linéaires continus multi-objectifs sous contraintes (PNCMOC). Cet algorithme utilise l’action conjuguée des filtres d’ordre statistique pour convertir les problèmes (PNCMOC) en des problèmes scalaires (mono-objectif) d’optimisation (PSO), Il utilise aussi les techniques de decomposition-coordination pour décomposer ces problèmes (PSO) en plusieurs sous-problèmes séparables pouvant être traités en parallèle et en temps convenable par les réseaux de neurones. - OSF (A Neural Network To Solving The Output Contention in Packet Switching Network) décrit une machine neuronale qui présente une nouvelle approche à la résolution du problème de commutation optique des paquets sur réseaux de télécommunication. La technique de réseau de neurone peut réaliser un calcul en temps réel sans blocage à haute vitesse et à haute capacité de commutation de paquet, En général, le temps est constant et ne dépend pas de la taille du tableau d’entrée.