About: Théorie et applications des réseaux de neurones récurrents et dynamiques à la prédiction, à la modélisation et au contrôle adaptif des processus dynamiques

Facets (new session)
Description
Metadata
Settings
- owl:sameAs
- Inference Rule:

About: Théorie et applications des réseaux de neurones récurrents et dynamiques à la prédiction, à la modélisation et au contrôle adaptif des processus dynamiques Goto Sponge NotDistinct Permalink

An Entity of Type : rdac:C10001, within Data Space : data.idref.fr associated with source document(s)

Attributes	Values
type	frbr:Work rdac:C10001
Thesis advisor	Gelenbe, Erol (1945-....)
Author	Aussem, Alexandre
alternative label	Theory and applications of dynamical recurrent neural networks towards prediction, modelling and adaptive control of dynamical processes
dc:subject	Thèses et écrits académiques Modèles mathématiques Réseaux neuronaux (ordinateur) -- Dissertations universitaires comme sujet Systèmes adaptatifs (technologie)
preferred label	Théorie et applications des réseaux de neurones récurrents et dynamiques à la prédiction, à la modélisation et au contrôle adaptif des processus dynamiques
Language	http://lexvo.org/id/iso639-3/fra
Subject	http://www.idref.fr/040813878/id http://www.idref.fr/086881094/id http://www.idref.fr/027551385/id http://www.idref.fr/040695530/id http://www.idref.fr/027253139/id
dc:title	Théorie et applications des réseaux de neurones récurrents et dynamiques à la prédiction, à la modélisation et au contrôle adaptif des processus dynamiques
Degree granting institution	Université Paris Descartes (1970-2019)
note	Cette thèse traite des réseaux de neurones dynamiques et récurrents (DRNN) obtenus en modélisant les connexions par des filtres autorégressifs. En vertu de leur dynamique interne, ces réseaux à récurrence spatiale et temporelle approximent les lois sous-jacentes qui régissent les séries chronologiques par un système d'équations aux différences non linéaires. Un algorithme d'apprentissage local à propagation d'erreur est présente, lequel réduit substanciellement la complexité d'un algorithme à propagation avant. La procédure doit son efficacité à la décroissance exponentielle du gradient dans le réseau adjoint. Ce résultat est démontré. Le potentiel du modèle DRNN est illustré par des simulations intensives sur des séries chronologiques. Des prédictions sont effectuées sur des données astro-climatiques, des processus chaotiques générés par ordinateur et la série des sunspots. Une analyse théorique est présentée, visant à unifier la prédiction, la modélisation et le contrôle adaptatif sous un même formalisme mathématique. La gestion des ressources d'un réseau ATM est aussi explorée par l'entremise de plusieurs réseaux de neurones distribués sur les commutateurs.
dc:type	Text
http://iflastandar...bd/elements/P1001	http://iflastandards.info/ns/isbd/terms/contentform/T1009
rdaw:P10219	1995
has content type	http://rdaregistry.info/termList/RDAContentType/1020
is primary topic of	http://www.idref.fr/207504091
is rdam:P30135 of	http://www.sudoc.fr/043692281/id http://www.sudoc.fr/225348691/id http://www.sudoc.fr/245725059/id

Faceted Search & Find service v1.13.91 as of Aug 16 2018

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 07.20.3229 as of May 14 2019, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (70 GB total memory)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software