Conclusion general :
L'identification et la commande des systèmes non
linéaires ne sont pas des taches triviales à cause de non
linéarité qui les caractérise. La commande et
l'identification doivent être appliqué par un système
capable de parier à ce problème, La simulation étendue a
montré qu'avec quelque information antérieure à propos
d'un système non linéaire inconnu peut être
contrôlé, tels identificateurs et contrôleurs
résultent en performance satisfaisante. Pour une classe
spécifique de système non linéaire, il a été
montré que les lois adaptatives donnent la stabilité globale du
système total. Et l'identification pour la commande consiste à
trouver dans un ensemble des modèles un modèle qui a une distance
minimale avec le vrai système et à quantifier L'incertitude du
modèle dans une norme compatible avec celle de la commande. On peut
considérer deux approches générales pour l'identification
des systèmes. Dans l'approche probabiliste le modèle est
considéré comme un élément aléatoire qui
appartient à une classe paramétrique de distributions
probabilistes et l'objectif est d'identifier asymptotiquement le vrai
système considéré comme un élément de cette
classe. Dans cette approche l'erreur du modèle est souvent
quantifiée par des bornes probabilistes et déterministes. Au
contraire l'approche ensembliste pour l'identification souvent suppose
que
le vrai système appartient à un ensemble connu de
modèles et que les données expérimentales
sont contaminées par une perturbation inconnue mais avec
une borne connue. Contrairement
au cas probabiliste, on présume très peu
sur la perturbation et par conséquent on
n'établit pas la convergence exacte du modèle vers le vrai
système. On peut donc seulement parler de la convergence asymptotique du
modèle vers un voisinage du vrai système.
Les réseaux neuronaux artificiels ont
été utilisés avec succès comme blocs
structurels dans l'architecture de l'identification et la commande des
systèmes dynamiques non linéaires. Cette architecture est
basée sur l'entraînement du réseau utilisant les
données d'entrée-sortie du système. En
général, les paramètres du réseau sont
ajustés en utilisant la méthode du gradient. Pour une classe
spécifique de systèmes non linéaires.
BIBLIOGRAPHIE
[1] :G.DREYFUS « les réseaux de
neurones »Ecole supérieure de physique et de
chimie industrielle de la ville de Paris (ESPCI) laboratoire
d'électronique 1998
[2] : CHEKROUNE .Soufyane «commande
neuro-floue sans capteur de vitesse d'une machine asynchrone triphasée
», thèse magister Ecole Normale supérieure d'enseignement
2009
[3] :k.kara « Application des
réseaux de neurones à l'identification des systèmes non
linéaire », thèse de magister Université de
Constantine 1995.
[4] : « modélisation et
identification du signal ECG par logique floue »mémoire
d'ingénieure université de M'sila, juin 2008.
[5] :A.AOUICHE « rejection des
perturbations dans les systèmes non linéaire : étude
comparative », thèse de magister université de M'sila
,2006.
[6] : « cours Identification »
(PDF).
[7] : « identification et contrôle par réseaux
de neurones » mémoire d'ingénieure université de
M'sila, juin 2006
[8] : AHMIDA ZAHIR « contribution à
la commande prédictive : stabilisation prédictive non
linéaire d'une commande en poursuite basée sure une classe de
réseaux neuroniques », thèse doctorat université
Mentouri de Constantine .2006
[9] : MEHRZAD .NAMVAR « Interaction entre
Identification et commande », thèse doctorat, institut national
polytechnique de Grenoble.2001
[10] :YOUSSEF.ROCHDI « identification des
systèmes non linéaire blocs », thèse doctorat
.université de CEAN /basse #177;Normandie .2006
[11] : « Application des réseaux de neurones
artificiels dans le domaine de surveillance des eaux potables »,
thèse d'ingénieure universite M'sila 2006
[12] : GUITANI .ISSAM « commande
adaptation neuronale par retour de sortie des systèmes non
linéaire », thèse magister .université Mentouri de
Constantine 2007
[13]: k .NARENDRA « identification and
control of dynamical systems using neural networks », IEEE transactions on
neural networks vol1NO1, March 1990
[14]:AHRICHE.Aimad «réalisation
d'une commande numérique avec différentes stratégies de
commande et identification par réseaux de neurones artificiels
.application au réglage de température », thèse de
magister université Boumerdes, 2008.
MEMOIRE DE FIN D'ETUDES D'INGINIORAT EN GENIE
ELECTRONIQUE
Proposé et dirigé par : Monsieur
AOUICHE ABDELAZIZ
Présenté par : Amira Lemmou, Khaoukha
Bellakhdar, ledjdel Adila
THEME :
IDENTIFICATION ET COMMANDE DES SYSTEMES NON LINEAIRE
RESUME :
Les réseaux neuronaux avec ces architectures
différentes ont été utilisés avec succès ces
dernières années pour l'identification et la commande de
systèmes non linéaires d'une classe large. Dans ce
mémoire, Des systèmes dans une forme de simulation sont
étudié utilisant cette méthode. Plusieurs étapes de
complexité croissante sont discutées en détail, la
justification théorique été fournie pour l'existence de
solutions au problème de l'TdentTfTFItTon et la commande.
MOTS CLES :
Modélisation , Identification, Réseau de neurone,
Commande ,Système non linéaire
| 
