Soutenance mémoire
La complexité et la dynamique de beaucoup de problèmes du monde réel, particulièrement en ingénierie et industrie, exigent des méthodes et des outils sophistiquées pour construire des systèmes d’information intelligents. Tels systèmes devraient être capables d’apprendre et tr aiter différents types de données et connaissance par interaction avec l’environnement d’une façon incrémentale. Sept exigences majeures des systèmes intelligents présents sont discutées dans [KAS 01a]. Elles concernent l’apprentissage rapide, l’apprentissage adaptatif incrémental en-ligne, organisation de structure ouverte, mémorisation de l’information, interaction active, acquisition de la connaissance et auto-amélioration, et l’apprentissage spatial et temporel. Les systèmes vont fonctionner dans un environnement caractérisé principalement par les incertitudes, le changement rapide et l’imprécision. L’intelligence des systèmes est leur capacité de s’adapter aux nouvelles situations [BOU 07].Le soft computing est un consortium de méthodologies qui fournissent une fondation pour la conception et le déploiement de systèmes intelligents. Contrairement au hard computing traditionnel, le soft computing vise à une adaptation au monde réel caractérisé principalement par l’imprécision, l’incertitude et la vérité partielle. Exploiter la tolérance à ces caractéristiques pour accomplir une souplesse, une robustesse, un coût de solution bas et un meilleur rapport avec la réalité est le principe directeur du soft computing [ZAD 94, ZAD 97]. L’idée de base du soft computing, intégrant la théorie des ensembles flous, les réseaux de neurones artificiels et les algorithmes évolutionnaires, est d’utiliser l’hybridation de ces méthodes intelligentes pour profiter de la capacité de l’apprentissage des réseaux de neurones, la capacité de gérer l’incertitude des ensembles flous et le potentiel de recherche des AEs dont l’objectif d’imiter les processus de raisonnement et de prise de décision d’un être humain. Une raison pour le succès du soft computing est la synergie dérivée de ses composants. La création des systèmes hybrides basés sur une intégration de ces technologies fournit un raisonnement complémentaire et méthodes de recherche qui permettent de développer des outils adaptatifs et résoudre des problèmes complexes [BON 01].
Le problème d’adaptabilité des systèmes intelligents a attiré l’attention des chercheurs récemment. Cela a mené pendant les dernières années à la formation du domaine des systèmes intelligents adaptatifs. Dans les situations dynamiques, les systèmes vont forcément fonctionner dans un environnement qui se change dans le temps [MAU 05], où des nouvelles données, de nature différente à celles utilisées pour l’apprentissage, peuvent y arriver, et introduire des nouveaux concepts ou modifier les concepts existants, ce qui exige – par contraste aux méthodes d’apprentissage statiques – des systèmes qui peuvent suivre les transitions progressives des concepts et se changer graduellement pour s’adapter à la dynamique de leur environnement. L’adaptation est le processus des changements structurels et fonctionnels d’un système pour améliorer sa performance dans un environnement changeant [KAS 07].
LES SYSTEMES EVOLUTIFS INTELLIGENTS EN SOFT COMPUTING
Les systèmes intelligents sont rassemblés sous la dénomination du « soft computing ». Ce terme désigne l’imitation du style humain de raisonnement et de prise de décision afin d’affronter l’imprécision et l’incertitude impliquées dans les problèmes complexes [TUN 05]. Le softcomputing intègre les ensembles flous, les réseaux de neurones artificiels et les algorithmes évolutionnaires pour créer des systèmes hybrides intelligents puissants.
L’intelligence computationnelle et le soft computing sont deux termes inventés pour spécifier le champ d’étude des systèmes intelligents qui essaient de modéliser le comportement intelligent chez l’être humain en utilisant des idées de la biologie et en considérant la définition et l’utilisation de l’incertitude dans le calcul [GUD 97]. Ces deux termes sont utilisés parfois comme synonymes, cependant, l’intelligence computationnelle comprend toutes les techniques qui peuvent aider dans la modélisation et la description des systèmes complexes d’inférence et de prise de décision, y compris les techniques du Soft Computing [TET 01]. Le terme intelligence computationnelle, comme défini par Zadeh, est la combinaison du soft computing et du traitement numérique [DOT 01]. Les approches telles que le raisonnement symbolique, les systèmes de représentation de connaissance par des règles logiques non floues et le traitement automatique de langue sont des techniques de l’intelligence computationnelle mais ne se qualifient pas comme des approches du Soft Computing [TET 01]. On peut donc dire que le Soft Computing est un sous domaine de l’intelligence computationnelle. Bien qu’en hard computing , l’imprécision et l’incertitude soient des propriétés indésirables, en soft computing, la tolérance à l’imprécision et l’incertitude est exploitée pour accomplir une souplesse, coût inférieur, haut Quotient d’Intelligence de la Machine (MIQ) et économie de communication [ZIL 01]. Cependant, il est très efficace lorsqu’il est appliqué aux problèmes du monde réel qui ne sont pas capables d’être résolus par le hard computing.
Systèmes Intelligents
L’intelligence fait référence aux mentalités humaines et au processus de cognition. Elle implique la capacité de comprendre, raisonner, apprendre et mémoriser [SIN 00]. Bien qu’on soit encore loin de réaliser une machine qui soit aussi intelligente qu’un être humain, nous ne pouvons pas ignorer le fait que les gens exigent aujourd’hui des systèmes qui peuvent compléter leurs capacités physiques ou cognitives. Cette demande mène à la création des systèmes intelligents [TAY 00]. Ces systèmes doivent imiter les principales caractéristiques de l’intelligence de l’être humain telles que la représentation de connaissance, la formation de concept, le raisonnement et l’adaptation [KAS 07]. Un système intelligent est défini dans [KAS 07] comme étant : Un système d’information qui manifeste des caractéristiques d’intelligence, telles que l’apprentissage, la généralisation, le raisonnement, l’adaptation ou la découverte de connaissances, et applique celles-ci aux tâches complexes telles que la prise de décision, le contrôle adaptatif, la reconnaissance des formes, le traitement de la parole, de l’image et de l’information multimodale, etc.
Soft Computing
Le terme Soft Computing a été inventé originairement en 1993 par Zadeh L., l’inventeur des ensembles flous et de la logique floue. La définition originale de Zadeh L. du soft computing est [ZAD 94] : Le soft computing est une collection de méthodologies qui visent à exploiter la tolérance à l’imprécision, l’incertitude et la vérité partielle pour aboutir à une certaine souplesse, robustesse et diminution du coût de la solution. Les principaux composants du soft computing sont la logique floue, les réseaux de neurones artificiels, et le calcul probabiliste. Le soft computing joue un rôle de plus en plus important dans beaucoup de domaines d’application, y compris l’ingénierie de logiciel. Le modèle de base pour le soft computing est l’esprit humain. En 1997, Lotfi Zadeh a ajouté les algorithmes génétiques comme un autre composant du Soft Computing [ZAD 97]. Le soft computing fournit une occasion attirante pour représenter l’ambiguïté dans la pensée humaine avec l’incertitude de la vie réelle. Il cause un changement de paradigme dans les domaines des sciences et de l’ingénierie puisqu’il peut résoudre des problèmes qui n’ont pas pu être résolus par les méthodes analytiques traditionnelles. De plus, il produit une représentation riche de connaissance (symbole et modèle), acquisition adaptative de connaissance (par apprentissage automatique à partir de données et en interviewant des experts) et traitement adaptatif de connaissances (inférence en interfaçant entre la connaissance symbolique et modèle), qui permettent aux systèmes intelligents d’être construits à moindre coût [haut quotient d’intelligence de la machine (HMIQ)] [DOT 01].
Il est difficile de trouver une définition nette de la signification et des limites des disciplines impliquées en Soft Computing. Le Soft Computing est un terme général couvrant plusieurs méthodologies qui, contrairement aux algorithmes conventionnels, sont tolérantes à l’imprécision, l’incertitude et la vérité partielle. Les techniques du Soft Computing ne souffrent pas de la fragilité et l’inflexibilité des approches algorithmiques standards. En conséquence, elles offrent une certaine adaptabilité, autrement dit, elles peuvent suivre un environnement changeant du problème, et donc s’adaptent bien aux problèmes d’intérêt qui n’admettent pas des solutions qui sont fixées une fois pour toutes [TET 01].
|
Table des matières
Introduction
Chapitre 1 Les systèmes évolutifs intelligents en soft computing
1.1. Introduction
1.2. Systèmes Intelligents
1.3. Soft Computing
1.4. Notions Fondamentales des Méthodes de Base du Soft Computing
1.4.1. Réseaux de Neurones Artificiels (Artificial Neural Networks) RNAs
1.4.1.1. Inspiration biologique
1.4.1.2. Architecture
1.4.1.3. Critères de distinction entre RNAs
1.4.2. Algorithmes Evolutionnaires (Evolutionary Algorithms) AEs
1.4.2.1. Description générale
1.4.2.2. Différentes approches évolutionnaires
1.4.3. Logique Floue (Fuzzy Logic) LF
1.4.3.1. Logique Floue
1.4.3.2. Systèmes flous
1.5. Intégration de méthodes du soft-computing
1.5.1. Systèmes flous neuronaux
1.5.2. Réseaux de neurones flous
1.5.3. Systèmes flous évolutionnaires
1.5.3.1. Réglage de Fonction d’Appartenance
1.5.3.2. Evolution des Règles
1.5.4. Réseaux de neurones évolutionnaires
1.5.4.1. Evolution des poids de connexion
1.5.4.2. Evolution des architectures
1.5.4.3. Evolution des règles d’apprentissage
1.5.4.4. Evolution des caractéristiques d’entrée
1.5.5. Algorithmes évolutionnaires neuronaux
1.5.6. Algorithmes évolutionnaires flous
1.5.6.1. Codage flou pour les algorithmes évolutionnaires
1.5.6.2 Réglage adaptatif de paramètres en utilisant la logique floue
1.5.7. Systèmes neuro-flous évolutionnaires
1.6. Présentation de quelques systèmes hybrides
1.6.1. Le système EPNet [XIN 99]
1.6.2. Le système NEFPROX [TET 01]
1.6.3. Le système ANFIS
1.7. Conclusion
Chapitre 2 L’apprentissage adaptatif incrémental
2.1. Introduction
2.2. Définitions de l’apprentissage incrémental
2.3. Le dilemme ”stabilité-plasticité”
2.4. Principe général d’un algorithme d’apprentissage incrémental
2.5. Caractéristiques d’un système d’apprentissage incrémental
2.6. Types d’apprentissage incrémental
2.7. Avantages de l’apprentissage incrémental
2.8. Méthodes/Algorithmes d’apprentissage incrémental
2.8.1. Les architectures ART
2.8.1.1. Le modèle ART1
2.8.1.2. Le modèle ARTMAP
2.8.2. PBIL : Population-Based Incremental Learning
2.8.3. ILFN : Incremental Learning Fuzzy Neural Network
2.8.3.1. L’architecture ILFN
2.8.3.2. L’algorithme ILFN
2.8.4. Machine à vecteurs support (SVM) incrémentale
2.8.4. Learn++
2.8.4.1. L’algorithme d’apprentissage Learn++
2.8.4.2. Propriétés importantes de Learn++
2.8.5. IGNG
2.8.6. Le Perceptron Auto-Organisé PAO (SOP : Self-Organizing Perceptron)
2.8.7. AI2P : modèle d’Apprentissage Incrémental en 2 Phases
2.8.7.1. Phase 1 : Apprentissage incrémental rapide
2.8.7.2. Phase 2 : Apprentissage par adaptation
2.8.8. AttributeNets
2.8.8.1. La structure AttributeNets
2.8.8.2. L’algorithme d’apprentissage AttributeNets
2.8.8.3. L’algorithme de classification AttributeNets
2.8.8.4. Avantages de AttributeNets
2.8.9. Méthode de clustering évolutif (Evolving Clustering Method ECM)
2.8.11. Réseaux de neurones flous évolutifs (Evolving Fuzzy Neural Networks EFuNN)
2.8.11.1. L’architecture EFuNN
2.8.11.2. Algorithmes et règles d’apprentissage supervisé évolutif EFuNN
2.8.11.3. Avantages et difficultés de EFuNN
2.9. Conclusion
Chapitre 3 système évolutif pour la classification adaptative incrémentale d’images
3.1. Introduction
3.2. Base d’images utilisée
3.3. Système de classification d’images proposé
3.3.1 Choix de la méthode d’apprentissage
3.3.2 Processus d’apprentissage par EFuNN
3.3.3. Architecture générale du EFuNN obtenu
3.3.4 Optimisation de la base de règles par les algorithmes génétiques
3.4. Evaluation de la qualité du classifieur
3.5. Caractéristiques du système proposé
3.6. Avantages du système proposé
3.7. Conclusion
Conclusion
Bibliographie
