Application de réseaux de neurones à la modélisation de composants et de dispositifs microondes non linéaires

par Youssef Harkouss

Thèse de doctorat en Électronique des hautes fréquences et optoélectronique. Télécommunications

Sous la direction de Juan Obregon.


  • Pas de résumé disponible.


  • Résumé

    Le developpement d'une nouvelle approche de la modelisation de composants et de dispositifs microondes non lineaires basee sur une representation par reseau neuronal constitue le theme essentiel de cette these. L'objectif de ce travail consiste d'une part a creer un outil efficace et rapide pour construire des modeles neuronaux performants et d'autre part a montrer a travers des applications pratiques la performance et la precision d'une telle representation comportementale. Nous avons envisage deux types de modeles neuronaux. Le premier est base sur un perceptron multicouche mlp entraine par la retro-propagation du gradient gbp. La structure multicouche du mlp et la nature aleatoire de la technique d'initialisation de ce mlp font que l'ensemble de processus de construction de ce type de modele s'avere couteux en temps. Le second modele repose sur un reseau d'ondelettes wnn initialise par la methode de selection de regresseurs et entraine par la methode quasi-newtonienne bfgs (broyden-fletcher-goldfarb-shanno). La combinaison de la methode de selection de regresseurs avec bfgs represente un outil efficace et rapide pour construire des modeles neuronaux performants. L'approche neuronale basee soit sur un mlp, soit sur un reseau d'ondelettes wnn, offre de bon resultats en terme de precision, d'efficacite et de fiabilite du modele.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 147 p

Où se trouve cette thèse ?

  • Bibliothèque : Université de Limoges (Section Sciences et Techniques). Service Commun de la documentation.
  • Disponible pour le PEB
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.