RIST

Revue d'Information Scientifique et Technique

Archives de Mot-Clé : Réseaux de neurones

Une Approche multi-agents pour la modélisation et l’optimisation des Systèmes de gestion de transport maritime

La planification des tâches dans le transport est un problème difficile qui nécessite l’utilisation de techniques analytiques et de méthodes de modélisation issues de la recherche opérationnelle, de l’intelligence artificielle distribuée (systèmes multi-agents), de l’analyse de décision, et de bien d’autres disciplines. Notre contribution à ce problème consiste à proposer une modélisation des systèmes de gestion de transport maritime (SGTM) par un système multi-agents. Cette modélisation est basée sur la classification d’un SGTM en trois sous-systèmes : un sous-système superviseur chargé de la gestion et de la supervision de la flotte des navires, un sous-système ergonomique chargé de l’aide à la conduite et l’assistance au commandant du navire et un sous-système de planification. Pour améliorer les performances de notre système multi-agents, nous avons utilisé les algorithmes génétiques couplés avec la méthode de Recherche Taboue pour la résolution du problème de routage des bateaux et avons déployé les réseaux de neurones pour l’optimisation des opérations de chargement / déchargement.

Document joint:

pdf5

Optimisation de la compression fractale D’images basée sur les réseaux de neurones

La phase de codage de la compression fractale d’images pose un grand problème, du fait du temps qu’elle consomme, à cause du grand nombre de calcul nécessaire pour le codage. Des améliorations ont été apportées à la méthode classique (classification, partitionnement), mais ça n’a pas donné les améliorations au niveau de temps de calcul. Dans cet article on a exploité les réseaux de neurones pour accélérer la phase de codage. Le type de réseau de neurones qui a été proposé est le SOM ( Self Organizing Map ou carte auto- organisatrice ). L’idée est d’utiliser la capacité des réseaux SOM dans la classification, dans la réduction de l’espace de recherche des blocs domaines .
Le réseau de Kohonen a été appliqué avec une compression fractale utilisant l’algorithme adaptatif .L’algorithme adaptatif consiste à chercher pour un bloc source le meilleur bloc destination avec les paramètres de transformation contractante équivalente La méthode proposée par A.Bogdan et H.Meadows [2] présente deux inconvénients , tout d’abord sa lenteur puisqu’une seule itération consomme 30 minutes à cause de la grande dimension d’entrée, et son incapacité à s’adapter à un partitionnement variable.
La méthode proposée par Stephen Welstead [3] utilise ce même type de réseau de neurones, mais d’une façon améliorée en codant les blocs non pas sur la base des pixels, mais sur la base d’un petit nombre de caractères de texture et de style du bloc. Pour accélérer la phase de compression fractale utilisant les carte auto- organisatrice (SOM ) , on a pensé à réduire la dimension de l’entrée .Les vecteurs caractères sont indépendants de la taille et de la forme des blocs à partir des quels ces blocs sont extraits. Ainsi le réseau résultant pourra être utilisé pour une image différente : L’apprentissage ne se fera qu’une seule fois et le temps nécessaire pour l’apprentissage ne sera plus compté avec le temps de codage. Une autre amélioration consiste à ne pas appliquer directement l’algorithme du codage fractal utilisant les carte auto- organisatrice sur les pixels mais plutôt sur des mesures calculées sur l’ensemble des pixels du bloc sur la base d’un petit nombre de caractères de texture et de style du bloc. Le champ de recherche est réduit avec le réseau de neurones, ce qui a engendré une réduction du temps de codage. Le temps d’exécution est amélioré de un tiers par rapport à celui consommé dans la méthode de base sans le réseau de neurones.

Document joint:

pdf4

Détection etreconnaissance des visages basée sur les réseaux de neurones artificiels

Le but de cet article est de montrer que le problème de détection et de reconnaissance des visages peut être résolu efficacement en utilisant une approche implémentée avec les réseaux de neurones (NN) artificiels, et basée sur les modèles des visages. Ces modèles sont considérés comme des exemples d’apprentissage pour le réseau de neurones. Dans le contexte de cet article, un visage est défini comme la surface d’un solide partiellement déformable.Deux approches : l’une géométrique, l’autre neuronale, ont été implémentées et leurs performances comparées. La conception d’une architecture d’un réseau de neurones ne repose sur aucun modèle donné, plutôt elle est heuristique. On a donc essayé plusieurs versions d’architecture des réseaux de neurones ; en effet il y a plusieurs combinaisons pour aboutir à une architecture qui peut résoudre efficacement un problème donné.

Document joint:

pdf2