RESEAUX DE NEURONES

I. Neurone formel, le modèle de McCulloch et Pitts
I.1. Activation
I.2. Seuillage
I.3. Fonction sigmoïdale

II. Couches d'entrée, cachée et de sortie

III. Étude du perceptron
III.1. Applications à la classification linéaire

IV. Mémoires Hétéro et Autoassociatives
IV.1. Application à la reconnaissance de caractères

V. Réseaux à couches cachées

VI. Rétropropagation d'erreur, algorithme de Widrow-Hoff

VII. Identification neuronale des systèmes dynamiques

VIII. Mise en oeuvre d'un régulateur flou par modèle inverse neuronal

IX. Application à la commande de processus
IX.1.Commande adaptative
IX.2. Etude d'exemple sous MATLAB®/SIMULINK®

X. Réseaux de neurones linéaires adaptatifs (Adaline)
X.1. Architecture
X.2. Loi d'apprentissage

XI. Applications
XI.1. Identification de processus
XI.2. Prédiction de signal
XI.3. Noise-cancellation (suppression de bruit)

RÉFÉRENCES DU FORMATEUR : CV

· Ingénieur Électronicien ENSICaen,
· DEA Instrumentation, Université de Caen,
· Docteur en Automatique, Université de Caen.
· Directeur de laboratoire d'Automatique de l'Institut Supérieur d'Électronique de Paris (ISEP) (www.isep.fr) de 1991 à 1998.
· Ingénieur-Docteur EAI (Électronique -Automatique - Informatique),
· Professeur Université Paris XII et EPITA.
· 5 ouvrages scientifiques publiés aux éditions Springer.