ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 16/3 - 2002  - pp.307-338  - doi:10.3166/ria.16.307-338
TITRE
Réseaux de neurones récurrents à fonctions de base radiales : RRFR Application au pronostic

RÉSUMÉ
Cet article présente un réseau RFR récurrent (Réseaux Récurrent à Fonction de base Radiales) appliqué à un problème de pronostic d'un système non linéaire. Le processus d'apprentissage du réseau RRFR se décompose en deux étapes. Durant la première étape, les paramètres des neurones gaussiens sont déterminés par la méthode non supervisée des Kmoyens, dont les performances ont été améliorées avec la technique FuzzyMinMax. Dans une seconde étape, les poids des connexions de sortie sont déterminés par une technique supervisée de régression linéaire. A travers l'application sur le benchmark Box and Jenkins gaz, nous illustrons la capacité du RRFR de prédire l'évolution d'un système non linéaire. Ses performances se montrent nettement supérieures à celles du TDRBF, dès lors qu'on augmente l'horizon des prédictions temporelles. La technique FuzzyMinMax rend la convergence de l'algorithme des K-moyens plus stable.


ABSTRACT
This paper introduces a Recurrent Radial Basis Function network (RRBF) for nonlinear system prognosis. The training process is divided in two stages. First, the parameters of the RRBF are determined by the unsupervised k-means algorithm. The ineffectiveness of this algorithm is improved by the FuzzyMinMax technique. In the second stage, a multivariable linear regression supervised learning technique is used to determine the weights of the connections between the hidden and output layer. We test the RRBF on the Box and Jenkins furnace database. This application shows that the RRBF is able to predict the evolution of a non-linear system. The performances of the RRBF are compared with those of the TDRBF. The RRBF gives better results for long run predictions. The FuzzyMinMax technique makes the K-means more stable.


AUTEUR(S)
Ryad ZEMOURI, Daniel RACOCEANU, Nourredine ZERHOUNI

MOTS-CLÉS
maintenance préventive, surveillance, pronostic, réseaux de neurones temporels, RFR - réseaux de neurones à fonctions de base radiales.

KEYWORDS
Preventive maintenance, Monitoring, Prognosis, Dynamic Neural Network, RBF Radial Basis Function.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (1,61 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier