Commande Des Systemes Non Lineaires Par La Technique Deep Learning

Résumé: Dans ce mémoire, nous sommes intéressés aux réseaux de neurones artificiels avec différentes architectures appliqués pour la commande des systèmes non-linéaires tels que la stabilisation du pendule inversé. Une base de données entrée-sorties (signal de commande-position angulaire du pendule inversé) est conçu à base de la simulation du pendule inversé contrôlé est stabilisé en utilisant un contrôleur de type FEEDBACK linéarisant. Par la suite, l’apprentissage de différentes architectures du régulateur neuronal utilisé à la place du régulateur FEEDBACK tout en gardant le même nombre global de neurones par régulateur neuronal est effectué. Les résultats ont montré que tous les régulateurs convergent, mais avec un temps de convergence relativement diffèrent. Cela implique que certaines architectures convergent plus rapidement que les autres ce qui implique qu’ils exigent moins de temps et d’espace numérique de calcul pour l’apprentissage. Abstract: In this thesis, we are interested in artificial neural networks with different architectures applied for the control of non-linear systems such as the stabilization of the inverted pendulum. An input-output database (control signal-angular position of the inverted pendulum) is designed based on the simulation of the controlled inverted pendulum is stabilized using a linearizing FEEDBACK type controller. Subsequently, learning of different architectures of the neural regulator used in place of the FEEDBACK regulator while keeping the same overall number of neurons per neural regulator is performed. The results showed that all the regulators converge, but with a relatively different convergence time. This implies that some architectures converge faster than others do, which means that they require less time and digital computing space for learning.

Publié dans la revue: