Modélisation par apprentissage statistique des systèmes naturels, ou en interaction avec un environnement naturel. Applications aux karsts, crues éclair et en robotique - TEL - Thèses en ligne Accéder directement au contenu
Hdr Année : 2011

Modélisation par apprentissage statistique des systèmes naturels, ou en interaction avec un environnement naturel. Applications aux karsts, crues éclair et en robotique

Anne Johannet

Résumé

This "Habilitation à Diriger les Recherches" report presents a synthesis of research on the modeling of natural systems, or systems in interaction with a natural environment, by machine learning. The specificity of training is first discussed in relation to the calibration and leads to the introduction of the concepts of universal identification and bias-variance dilemma which are then detailed. These concepts are illustrated with regards to the synthesis of a model dedicated to simulation or prediction. Several illustrations are presented such as the training of several behaviors by a mobile robot, the synthesis of a gripper pneumatic controller, and finally the modeling of hydrosystems such as karsts or rapid watersheds. These iconic challenges have in common the availability of databases for several decades, the nonlinearity of the processes involved in these phenomena, the difficulty to measure the state variables, the presence of a considerable noise on the measurements. In order to deal with these difficulties, this report presents how the regularization techniques were reviewed and proposes an original method of semi-physical modeling, the transparent boxes, which allows the physical validation of the model and the deepening of the knowledge one gets about the studied phenomena.
Ce mémoire d'Habilitation à Diriger les Recherches présente de manière synthétique les recherches effectuées sur la modélisation par apprentissage statistique de systèmes naturels ou en interaction avec un environnement naturel. La spécificité de l'apprentissage est tout d'abord discutée en relation avec le calage et permet d'introduire les notions d'identification universelle et de dilemme biais-variance qui sont ensuite approfondies dans le mémoire. Ces notions sont illustrées en relation avec la problématique de la synthèse d'un modèle de simulation ou de prédiction. Plusieurs illustrations sont présentées comme l'apprentissage de comportement d'un robot hexapode, la synthèse du contrôleur d'un préhenseur pneumatique et la modélisation d'hydrosystèmes tels les karsts ou les bassins versants rapides. Ces derniers, emblématiques des défis que la science doit permettre d'aborder, ont en commun la disponibilité de bases de données observées depuis plusieurs décennies, la non-linéarité des processus impliqués dans ces phénomènes, la difficulté à mesurer les variables d'état et la présence d'un bruit de mesure considérable. Face à ces difficultés, ce mémoire présente comment les méthodes de régularisation ont été revisitées et propose une démarche originale de modélisation semi physique, les boîtes transparentes, qui permet de valider physiquement le modèle tout en approfondissant la connaissance des phénomènes étudiés.
Fichier principal
Vignette du fichier
HDR_AnneJohannet.pdf (3.11 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00745131 , version 1 (24-10-2012)

Identifiants

  • HAL Id : tel-00745131 , version 1

Citer

Anne Johannet. Modélisation par apprentissage statistique des systèmes naturels, ou en interaction avec un environnement naturel. Applications aux karsts, crues éclair et en robotique. Réseau de neurones [cs.NE]. Université Pierre et Marie Curie - Paris VI, 2011. ⟨tel-00745131⟩
324 Consultations
1480 Téléchargements

Partager

Gmail Facebook X LinkedIn More