I.1.2.La modélisation de processus dynamiques non
linéaires :
Modéliser un processus, c'est trouver un ensemble
d'équations mathématiques qui décrivent le comportement
dynamique du processus, c'est-à-dire l'évolution de ses sorties
en fonction de celle de ses entrées ; c'est donc typiquement un
problème qui peut être avantageusement résolu par un
réseau de neurones si le phénomène que l'on désire
modéliser est non-linéaire. La prédiction de séries
chronologiques (prédictions financières, prédiction de
consommation, etc.) entre dans ce cadre [1].
I.1.2.1.Les modèles dynamiques "boîtes
noires":
Qui sont établis uniquement à partir des mesures
effectuées sur le processus, sans intervention d'autre connaissance. Les
réseaux de neurones sont souvent utilisés comme des
modèles "boîtes noires". Néanmoins, nous verrons plus loin
qu'ils peuvent aussi mettre en
0 FiEinl FRP S1RP iN inl1i liN P RCèliNITERtvliN
noires" et les modèles de connaissances.
Pour réaliser un modèle dynamique, il convient
alors d'utiliser des réseaux bouclés, qui comme indiqué
plus haut, sont eux-mêmes des systèmes dynamiques.
Comme précédemment, l'apprentissage est
l'estimation des paramètres du modèle neuronal utilisé,
l'objectif de l'apprentissage n'est pas ici d'annuler l'erreur de
prédiction, puisque, si tel était le cas, le réseau serait
capable de reproduire l'effet des perturbations non mesurables il s'agit
plutôt d'obtenir une erreur de prédiction dont la variance est
minimale, c'est-à- dire égale à celle du
bruit. Si l'on peut obtenir un tel résultat, le réseau reproduit
complètement le comportement déterministe du processus, bien que
l'apprentissage ait été effectué en présence de
perturbations. Des résultats théoriques prouvent que cet objectif
est accessible, et de nombreux exemples montrent qu'il est effectivement
atteint [1]
I.1.2.2.Modèle de connaissance :
Basé sur les lois de la physique, chimie, etc.... Ces
modèle permettent une description assez complète des
systèmes et sont utilisés pour la simulation et la conception de
procédé.
Les paramètres ?i du modèle de connaissance ont
alors un sens physique : longueur, résistance électrique,
inertie, etc. ... c'est-à-dire que l'on est susceptible de les retrouver
avec la même signification dans les modèles d'autres processus.
C'est en fait la voie classique de la mise en équation ou analyse
phtisique conventionnelle qui tend à utiliser au mieux toutes les
connaissances scientifiques et techniques disponibles :
y= É (u,?i) (I-2)
Ces modèles sont beaucoup plus riches en signification que
les modèles de représentation et contiennent toutes les
informations utiles sur les processus. Ils sont par contre beaucoup plus
onéreux et difficiles à obtenir [4].
| 
