Apprentissage d'evolutions temporelles : comparaison des approches filtrage adaptatif et reseaux de neurones formels. convergence des approches filtrage adaptatif et reseaux de neurones formels. cas des sytemes non lineaires boucles

Learning of temporal evolutions: a comparison between the signal processing and the artificial neural networks. Approaches convergence of the adaptive filtering and of the neural network approaches: case of non-linear recursive systems

• Auteur / Autrice : Christophe Vignat
• Direction : Odile Macchi
• Type : Thèse de doctorat
• Discipline(s) : Sciences appliquées
• Date : Soutenance en 1993
• Etablissement(s) : Paris 11

Résumé

Cette these a pour but de comparer les approches que proposent les reseaux de neurones formels (rnf) d'une part, et les filtres adaptatifs (fa) d'autre part, du probleme de l'optimisation de systemes boucles non lineaires. Ce probleme est aborde dans le contexte plus particulier du codage adpcm du signal de parole. Ce travail est constitue de trois parties. La premiere est consacree a la mise en place d'un cadre commun pour la comparaison des structures et des algorithmes utilises dans les deux domaines des rnf et des fa. De cette etude, nous deduisons une nouvelle famille d'algorithmes dediee indifferemment a l'apprentissage des rnf boucles ou a l'adaptation des filtres recursifs. La seconde partie consiste en une etude approfondie de ces algorithmes lorsqu'ils sont appliques a des systemes elementaires. L'etude de ces systemes de complexites croissantes un predicteur lineaire, puis un predicteur non lineaire aboutit naturellement a celle du codeur adpcm. Dans chacun de ces cas, les comportements des algorithmes sont analyses, et des conclusions sont exposees concernant l'adaptation de systemes boucles plus generaux. La troisieme partie propose d'evaluer l'apport des rnf au probleme de la quantification adaptative, lequel est une des difficultes du codage adpcm. Une modelisation du quantificateur par un rnf auquel est applique l'algorithme de retropropagation nous permet de deduire un nouvel algorithme pour la quantification adaptative