Algorithmes d'apprentissage pour systèmes d'inférence floue

Auteur :

Langue : Français
Couverture de l'ouvrage Algorithmes d'apprentissage pour systèmes d'inférence floue

Thème d'Algorithmes d'apprentissage pour systèmes d'inférence...

46,00 €

En stock : expédition en 24h !

Ajouter au panierAjouter au panier
Date de parution :
Ouvrage 192 p. · 15.5x23.5 cm · Broché
ISBN : 9782746200449 EAN : 9782746200449
Hermes Science
Ce livre présente une famille d'algorithmes pour des systèmes de règles floues, permettant d'extraire automatiquement et/ou améliorer des connaissances à partir de données numériques et de maintenir l'interprétabilité et la lisibilité des règles tout au long du processus d'optimisation.
1. Présentation générale Objectifs - Prérequis - Organisation du livre 2. Traitement numérique de la connaissance Spécificité des systèmes d'inférence floue - Exemple introductif : un problème de robinet - Optimisation d'un SIF - Le neuro-flou - Les SIF utilisés - Structure d'un SIF 3. Optimisation sous contraintes Limites de l'expertise humaine - Interprétation de la connaissance acquise - Optimisation avec ou sans contrainte ? - Les contraintes minima - Les partitions floues fortes - Comparaison entre modèles DED et DEL 4. Principales méthodes d'optimisation Le problème général de l'optimisation - Le gradient stochastique - Les méthodes évolutionnistes - Les méthodes de classification - Commentaire 5. Apprentissage supervisé pour un SIF de structure donnée Optimisation paramétrique supervisée : cas général - Initialisation : algorithme de prototypage rapide (APR) - Initialisation avec peu d'exemples - Optimisation des conclusions - Exemple - Optimisation d'un SIF de type TS d'ordre 1 - Optimisation des fonctions d'appartenance - Commentaire 6. Optimisation structurelle supervisée (modèle DEL) Utilisation des méthodes de classification - Choix des fonctions d'appartenance - Utilisation de méthodes évolutionnistes - Commentaire 7. Optimisation structurelle supervisée (modèle DED) Recherche arborescente - Utilisation d'un algorithme génétique - Comparaison 8. Apprentissage indirect Méthodes analytiques - Méthodes évolutionnistes - Conclusion 9. Association du neuronal et du flou Introduction - Un système hybride neuronal et flou - Optimisation du RN - Transfert de connaissance - Exemple : modèle flou d'un bâtiment - Une autre architecture modulaire 10. Apprentissage par renforcement Le Q-Learning - Du Q-Learning au Q-Learning flou - Le Q-Learning flou - Exemple 11. Applications Navigation réactive d'un robot mobile - Modélisation de la glycémie Annexes Bibliographie - Index