Documents disponibles écrits par cet auteur

Amélioration de l’Apprentissage du Réseau ANFIS par les Algorithmes Evolutionnaires / SI LARBI Samiya 

Public ISBD Titre : Amélioration de l’Apprentissage du Réseau ANFIS par les Algorithmes Evolutionnaires Type de document : document électronique Auteurs : SI LARBI Samiya, Auteur Année de publication : 2020-2021 Accompagnement : CD Langues : Français (fre) Catégories : Informatique:Reconnaissance des formes et Intelligence artificielle. Mots-clés : ANFIS, Regroupement Soustractif, AG, PSO, AG-ANFIS, PSO-ANFIS, locuteur, phonème. ANFIS, Subtractive Clustering, GA, PSO, AG-ANFIS, PSO-ANFIS, speaker, phoneme. Résumé : Une approche évolutionnaire pour l’apprentissage du système d’inférence floue basé sur un réseau adaptatif (ANFIS) a fait l’objet de cette thèse. Les travaux précédents sont basés sur la descente du gradient (GD), cet algorithme converge très lentement et se bloque à de mauvais minima locaux. Dans cette thèse, on applique les algorithmes génétiques (AG) et les essaims de particules (PSO) pour optimiser les paramètres des antécédents et conséquents des règles floues de l’ANFIS. En premier, l’algorithme de regroupement soustractif a été utilisé pour la détermination de la structure optimale du réseau ANFIS, c’est-à-dire le meilleur partitionnement de l’espace d’entrée, ensuite, l’ajustement des paramètres antécédents et conséquents des règles floues afin qu’une fonction objectif spécifiée soit minimisée. Le processus évolutionnaire commence par la génération aléatoire d’une population initiale, chaque solution candidate est représentée par un vecteur. La longueur de ce dernier est basée sur le nombre de paramètres des antécédents et conséquents dans le modèle ANFIS. Ensuite, la population entière a été amenée à s’améliorer progressivement jusqu’à que le nombre maximal d’itération est atteint. L’approche proposée a été appliquée pour la reconnaissance des phonèmes de la base de données TIMIT et la reconnaissance du locuteur de la base de données CHAINS. Les résultats obtenus par les modèles hybrides AG-ANFIS et PSO-ANFIS ont montré une amélioration de la précision par rapport à un ANFIS classique similaire basé sur la rétro-propagation du gradient. This thesis presents an evolutionary approach for the learning of the Adaptive Network Based Fuzzy Inference System (ANFIS). The previous works are based on the descent of the gradient (GD), this algorithm converges very slowly and stuck into bad local minima. In this thesis, we apply genetic algorithms (GA) and particle swarms (PSO) to optimize the antecedents and consequent parameters of ANFIS fuzzy rules. First, the subtractive clustering algorithm was used to determine the optimal structure of the ANFIS network, i.e., the best partitioning of the input space; then, adjusting the antecedent and consequent parameters of the fuzzy rules so that a specified objective function is minimized. The evolutionary process begins by randomly generating an initial population, each candidate solution is represented by a vector. The length of the latter is based on the number of antecedent and consequent parameters in the ANFIS model. Then, the entire population was made to improve gradually until the maximum number of iterations was reached. The proposed approach was applied for the recognition of phonemes from TIMIT database and speaker recognition from the CHAINS database. The results obtained by the hybrid models AG-ANFIS and PSO-ANFIS showed an improvement in precision compared to a similar classic ANFIS based on the back-propagation of the gradient. Directeur de thèse : TLEMSANI Redouane Amélioration de l’Apprentissage du Réseau ANFIS par les Algorithmes Evolutionnaires [document électronique] / SI LARBI Samiya, Auteur . - 2020-2021 . -  + CD. Langues : Français (fre) Catégories : Informatique:Reconnaissance des formes et Intelligence artificielle. Mots-clés : ANFIS, Regroupement Soustractif, AG, PSO, AG-ANFIS, PSO-ANFIS, locuteur, phonème. ANFIS, Subtractive Clustering, GA, PSO, AG-ANFIS, PSO-ANFIS, speaker, phoneme. Résumé : Une approche évolutionnaire pour l’apprentissage du système d’inférence floue basé sur un réseau adaptatif (ANFIS) a fait l’objet de cette thèse. Les travaux précédents sont basés sur la descente du gradient (GD), cet algorithme converge très lentement et se bloque à de mauvais minima locaux. Dans cette thèse, on applique les algorithmes génétiques (AG) et les essaims de particules (PSO) pour optimiser les paramètres des antécédents et conséquents des règles floues de l’ANFIS. En premier, l’algorithme de regroupement soustractif a été utilisé pour la détermination de la structure optimale du réseau ANFIS, c’est-à-dire le meilleur partitionnement de l’espace d’entrée, ensuite, l’ajustement des paramètres antécédents et conséquents des règles floues afin qu’une fonction objectif spécifiée soit minimisée. Le processus évolutionnaire commence par la génération aléatoire d’une population initiale, chaque solution candidate est représentée par un vecteur. La longueur de ce dernier est basée sur le nombre de paramètres des antécédents et conséquents dans le modèle ANFIS. Ensuite, la population entière a été amenée à s’améliorer progressivement jusqu’à que le nombre maximal d’itération est atteint. L’approche proposée a été appliquée pour la reconnaissance des phonèmes de la base de données TIMIT et la reconnaissance du locuteur de la base de données CHAINS. Les résultats obtenus par les modèles hybrides AG-ANFIS et PSO-ANFIS ont montré une amélioration de la précision par rapport à un ANFIS classique similaire basé sur la rétro-propagation du gradient. This thesis presents an evolutionary approach for the learning of the Adaptive Network Based Fuzzy Inference System (ANFIS). The previous works are based on the descent of the gradient (GD), this algorithm converges very slowly and stuck into bad local minima. In this thesis, we apply genetic algorithms (GA) and particle swarms (PSO) to optimize the antecedents and consequent parameters of ANFIS fuzzy rules. First, the subtractive clustering algorithm was used to determine the optimal structure of the ANFIS network, i.e., the best partitioning of the input space; then, adjusting the antecedent and consequent parameters of the fuzzy rules so that a specified objective function is minimized. The evolutionary process begins by randomly generating an initial population, each candidate solution is represented by a vector. The length of the latter is based on the number of antecedent and consequent parameters in the ANFIS model. Then, the entire population was made to improve gradually until the maximum number of iterations was reached. The proposed approach was applied for the recognition of phonemes from TIMIT database and speaker recognition from the CHAINS database. The results obtained by the hybrid models AG-ANFIS and PSO-ANFIS showed an improvement in precision compared to a similar classic ANFIS based on the back-propagation of the gradient. Directeur de thèse : TLEMSANI Redouane

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
1848	02-08-517	Version numérique et papier	Bibliothèque USTOMB	Thèse de Doctorat	Exclu du prêt

Documents numériques

02-08-517.pdf Adobe Acrobat PDF