Utilisation des réseaux de neurones temporels pour le pronostic et la surveillance dynamique. Etude comparative de trois réseaux de neurones récurrents
L’objet de cet article consiste en un état de l’art des réseaux de neurones temporels
et d’une comparaison de trois réseaux de neurones récurrents les plus représentatifs pour des
applications de surveillance dynamique et de pronostic. Les critères de sélection de ces réseaux
se situent à deux niveaux : temporel et architectural. Suite à l’application de ces critères,
trois réseaux récurrents se distinguent : le RRBF, le R2BF et le DGNN. Des tests utilisant un
benchmark de surveillance dynamique et un benchmark de pronostic nous permettent d’évaluer
les performances des trois réseaux temporels en termes de temps de calcul et de capacité de
traitement.
This article gives a state of the art of temporal neural networks and a comparison
of three recurrent neural network which are most representative for applications of dynamic
monitoring and prognosis. The criteria of selection of these networks are at two levels: a
temporal criterion and an architectural criterion. Following the application of these criteria,
three recurrent networks seem relevant: the RRBF, the R2BF and the DGNN. Tests using a
benchmark of dynamic monitoring and a benchmark of prognosis enable us to evaluate the
performances of the three temporal networks in term of computing and processing capacity
time.
N.PALLUAT, D.RACOCEANU, N.ZERHOUNI
réseau de neurones temporel, surveillance dynamique, pronostic, réseau de neurones récurrent, RRBF, R2BF, DGNN, apprentissage
temporal neural network, dynamic monitoring, prognosis, recurrent neural network, RRBF, R2BF, DGNN, learning
Français
|
