Le travail de cette thèse s'inscrit dans le domaine de l'utilisation de la vision pour la réalisation de tâches robotiques et concerne plus particulièrement les aspects de poursuite de cible par asservissement visuel. <br />Nous nous sommes intéressé au cas d'objets mobiles, et plus particulièrement à l'estimation du mouvement de ces objets, nécessaire pour une exécution satisfaisante des tâches de poursuite. La qualité de poursuite est en effet grandement améliorée grâce à une estimation robuste du mouvement. Pour réaliser l'estimation, nous proposons une approche nouvelle, basée sur l'aspect adaptatif du filtrage de Kalman. Contrairement au filtre classique de Kalman, ce filtre n'utilise aucun modèle ni connaissance a priori. La représentation d'état est adaptée en permanence en fonction des observations courantes pour représenter au mieux la dynamique du système. Il s'agit d'une approche modulaire à modèle multiple. Plusieurs filtres sont utilisés et la probabilité pour chacun de calculer l'estimation optimale est déterminée par apprentissage. Un réseau de neurones, sur cette base statistique, supervise l'ensemble des filtres et permet de compenser le caractère non stationnaire des mouvements de l'objet mobile. <br />Les informations visuelles estimées servent à contrôler les déplacements du robot. Des extensions de la carte auto-organisatrice de Kohonen à sorties supervisées servent à approximer la transformation sensori-motrice du système robot-vision. La relation apprise se trouve dès lors à l'origine de la loi de commande du robot. L'apprentissage est entièrement réalisé en contexte, en exploitant les corrélations sensori-motrices durant les mouvements des robots. <br />Les méthodes présentées dans cette thèse ont été validées en simulation et par des expérimentations réalisées sur une plate-forme robotique réelle.

Le but de ce travail est d'exposer de nouveaux résultats concernant l'utilisation d'une classe particulière de réseaux de neurones formels (les Perceptrons Affines Par morceaux: PAP) dans le cadre du contrôle optimal en boucle fermée. Les résultats principaux obtenus sont: plusieurs propriétés des PAP, concernant la nature des fonctions qu'ils peuvent émuler, un théorème constructif de représentation des fonctions continues affines par morceaux, qui permet de construire explicitement un PAP à partir d'une collection de fonctions affines, une série d'heuristiques pour l'apprentissage des paramètres d'un perceptron dans une boucle fermée et dans un cadre de contrôle optimal, des résultats théoriques concernant la stabilité de PAP utilisés comme contrôleurs. La dernière partie est consacrée des applications de ces résultats à la construction automatique de contrôleurs de la combustion de moteurs de voiture, qui ont donné lieu au dépot de deux brevets par Renault.

Le travail présenté dans ce mémoire traite de l'évaluation, à l'aide de réseaux de neurones, de l'état de santé financière de collectivités locales ou d'entreprises. Dans un premier temps, nous rapprochons cette évaluation d'un problème de classification ; nous expliquons pourquoi ce type de problème peut être avantageusement résolu avec des méthodes statistiques de classification comme les réseaux de neurones. Les chapitres suivants présentent et définissent plus précisément les concepts de la classification, les méthodes usuelles de classification, les réseaux de neurones ainsi que l'apprentissage de ceux-ci. Dans les applications envisagées, l'individu à classer (collectivité locale ou entreprise) peut être décrit par une très grande quantité de variables (données comptables, fiscales, socio-économiques, etc) ; ce constat nous a conduit à étudier les méthodes de sélection de modèles. Nous proposons une méthode statistique originale de sélection des meilleures variables descriptives, puis de définition du modèle neuronal. La dernière partie de ce mémoire concerne les applications industrielles de ces travaux ; la première concerne l'analyse financière des collectivités locales,la seconde l'analyse financière des entreprises. L'apport orignal de cette étude concerne trois domaines : - Sélection de variables : nous ajoutons une variables aléatoire aux autres variables descriptives afin de distinguer celles qui sont réellement pertinentes. - Sélection de modèles : nous utilisons la méthode précédente pour sélectionner les seuls neurones utiles dans un réseau de neurones à une couche cachée. - Classification : nous inversons la formule de Bayes pour estimer les fonctions densité de probabilité avec des approximateurs. En ce qui concerne l'analyse financière des entreprises, ce travail a débouché sur une application opérationnelle à la Caisse des Dépôts et Consignations depuis 1995.

Plusieurs méthodes ont été développées par l'Intelligence Artificielle pour reproduire certains aspects de l'intelligence humaine. Ces méthodes permettent de simuler les processus de raisonnement en s'appuyant sur les connaissances de base disponibles. Chaque méthode comporte des points forts, mais aussi des limitations. La réalisation de systèmes hybrides est une démarche courante Qui permet de combiner les points forts de chaque approche, et d'obtenir ainsi des performances plus élevées ou un champ d'application plus large. Un autre aspect très important du développement des systèmes hybrides intelligents est leur capacité d'acquérir de nouvelles connaissances à partir de plusieurs sources différentes et de les faire évoluer. Dans cette thèse, nous avons développé des recherches sur les systèmes hybrides neuro-symboliques, et en particulier sur l'acquisition incrémentale de connaissances à partir de connaissances théoriques (règles) et empiriques (exemples). Un nouveau système hybride, nommé système INSS - Incremental Neuro-Symbolic System, a été étudié et réalisé. Ce système permet le transfert de connaissances déclaratives (règles symboliques) d'un module symbolique vers un module connexionniste (réseau de neurones artificiel - RNA) à travers un convertisseur de règles en réseau. Les connaissances du réseau ainsi obtenu sont affinées par un processus d'apprentissage à partir d'exemples. Ce raffinement se fait soit par ajout de nouvelles connaissances, soit par correction des incohérences, grâce à l'utilisation d'un réseau constructif de type Cascade-Correlation. Une méthode d'extraction incrémentale de règles a été intégrée au système INSS, ainsi que des algorithmes de validation des connaissances qui ont permis de mieux coupler les modules connexionniste et symbolique. Le système d'apprentissage automatique INSS a été conçu pour l'acquisition constructive (incrémentale) de connaissances. Le système a été testé sur plusieurs applications, en utilisant des problèmes académiques et des problèmes réels (diagnostic médical, modélisation cognitive et contrôle d'un robot autonome). Les résultats montrent que le système INSS a des performances supérieures et de nombreux avantages par rapport aux autres systèmes hybrides du même type.

L'objet de cette thèse est l'étude de diverses propriétés d'apprentissage à partir d'exemples par des méthodes de Physique Statistique, notamment, par la méthode des répliques. Des tâches supervisées, correspondant à la classification binaire de données, ainsi que des tâches non supervisées, comme l'estimation paramétrique d'une densité de probabilité, sont considérées. Dans la première partie, une approche variationnelle permet de déterminer la performance de l'apprentissage optimal d'une direction d'anisotropie, et de déduire une fonction de coût permettant d'obtenir ces performances optimales. Dans le cas de l'apprentissage supervisé d'une tâche linéairement séparable, des simulations numériques confirmant nos résultats théoriques ont permis de déterminer les effets de taille finie. Dans le cas d'une densité de probabilité constituée de deux gaussiennes, la performance de l'apprentissage optimal présente de nombreuses transitions de phases en fonction du nombre de données. Ces résultats soulèvent une controverse entre la théorie variationnelle et l'approche bayesienne de l'apprentissage optimal. Dans la deuxième partie, nous étudions deux approches différentes de l'apprentissage de tâches de classification complexes. La première approche considérée est celle des machines à exemples supports. Nous avons étudié une famille de ces machines pour laquelle les séparateurs linéaire et quadratique sont deux cas particuliers. La capacité, les valeurs typiques de la marge et du nombre d'exemples supports, sont déterminées. La deuxième approche considérée est celle d'une machine de parité apprenant avec un algorithme incrémental. Cet algorithme construit progressivement un réseau de neurones à une couche cachée. La capacité théorique obtenue pour l'algorithme considéré est proche de celle de la machine de parité.

L'activité neuronale est souvent considérée en neuroscience cognitive par la réponse évoquée mais l'essentiel de l'énergie consommée par le cerveau permet d'entretenir les dynamiques spontanées des réseaux corticaux. L'utilisation combinée d'algorithmes de classification (K means, arbre hirarchique, SOM) sur des enregistrements intracellulaires du cortex visuel primaire du chat nous permet de définir des classes de dynamiques neuronales et de les comparer l'activité évoquée par un stimulus visuel. Ces dynamiques peuvent être étudiées sur des systèmes simplifiés (FitzHugh-Nagumo, systèmes dynamiques hybrides, Wilson-Cowan) dont nous présentons l'analyse. Enfin, par des simulations de réseaux composés de colonnes de neurones, un modèle du cortex visuel primaire nous permet d'étudier les dynamiques spontanées et leur effet sur la réponse à un stimulus. Après une période d'apprentissage pendant laquelle des stimuli visuels sont presentés, des vagues de dépolarisation se propagent dans le réseau. L'étude des correlations dans ce réseau montre que les dynamiques spontanées reflètent les propriétés fonctionnelles acquises au cours de l'apprentissage.

Cette thèse propose des approches neuromimétiques d'identification et de commande avec des applications directes au Filtre Actif Parallèle (FAP) et au Moteur Synchrone à Aiment Permanent (MSAP). Une structure neuronale complète a été développée pour réaliser toutes les fonctionnalités d'un FAP pour compenser des harmoniques de courant. La phase instantanée et les composantes symétriques d'un système triphasé de tensions ou de courants ont été estimées avec une boucle à verrouillage de phase neuronale. L'identification des harmoniques de courant a été réalisée avec des réseaux de neurones de type Adaline opérant dans les différents repères. Plusieurs schémas de commande ont été développés pour réinjecter les courants de compensation à l'aide d'un onduleur. Ils sont basés sur des techniques neuromimétiques, sur la logique floue, ou sur leur association. Une approche neuronale a été développée pour commander une MSAP à distribution quelconque avec des contraintes prédéterminées réduisant les ondulations du couple. Elle consiste en des schémas de commande directe en couple ou en vitesse pour obtenir les courants statoriques optimaux qui donnent exactement le couple électromagnétique (ou la vitesse) désiré et qui réduisent au maximum les pertes par effet Joule. Ces commandes intègrent deux blocs neuronaux, l'un dédié au calcul des courants optimaux et l'autre pour assurer leur génération à travers un onduleur de tension. Toutes les approches neuromimétiques ont été validées par des tests de simulation et des essais expérimentaux. Des comparaisons avec les méthodes de commande classique démontrent des caractéristiques supérieures en termes de performance et de robustesse.

La spectroscopie de plasma induit par laser ou LIBS (Laser-Induced Breakdown Spectroscopy) est une technique analytique élémentaire avec des limites de détection de l'ordre du ppm et ceci sur tous types d'échantillon liquides, solides ou gazeux. Sa simplicité, sa rapidité de mesure et sa versatilité en font une technique très attractive avec un fort potentiel d'application pour le contrôle en ligne, l'environnement ou l'exploration spatiale. Son point faible reste cependant son manque de fiabilité dans l'analyse quantitative, en particulier lors de l'étude de matériaux hétérogènes ou de matrices complexes telles que matériaux organiques. Ce travail de thèse propose une étude des propriétés des plasmas induit par laser sur différentes familles de polymères. Une étude au temps court (~ns) par ombroscopie est tout d'abord présentée, ceci pour de différents paramètres du laser. Un diagnostic complet du plasma par spectroscopie d'émission est ensuite détaillé pour différents délais de détection et montre que la mesure des températures des différentes espèces du plasma permet de vérifier l'hypothèse de l'équilibre thermodynamique local, nécessaire à la mise en place de procédure quantitative telle que la méthode dite sans calibration, tout en optimisant le rapport signal sur bruit de la mesure. Dans nos expériences, cette optimisation est mise à profit pour l'identification de différentes familles de polymères en utilisant, pour le traitement des données, la méthode des réseaux de neurones artificiels. Les résultats obtenus, très prometteurs, permettent d'envisager l'utilisation de la LIBS pour l'identification en temps réel de matières plastiques sur une chaine de tri.

L'exploitation excessive des ressources énergétiques fossiles pose aujourd'hui des problèmes liés au changement climatique, à leur épuisement et en conséquence à l'augmentation de leur prix. Ces problèmes nécessitent des solutions innovantes, telles que le recours aux énergies renouvelables, afin d'en restreindre l'impact. Les travaux présentés dans ce manuscrit s'attachent à répondre à cette problématique par l'intermédiaire d'une méthodologie d'optimisation énergétique, appliquée au secteur du bâtiment et notamment au poste de chauffage, l'un des plus gros consommateurs d'énergie en France. Cette méthodologie est basée sur la modélisation du procédé de chauffage considéré et d'un moyen de stockage énergétique, ainsi que sur le développement d'outils de contrôle prédictif exploitant la connaissance de perturbations futures. Cette approche a été utilisée pour l'optimisation énergétique d'une chaufferie collective, gérée par la société Cofely GDF-SUEZ et qui alimente en eau chaude, via un réseau de chaleur, un quartier de La Rochelle. Un modèle modulaire de l'installation actuelle, dont le fonctionnement s'appuie sur un mix énergétique renouvelable et non renouvelable, a été développé à partir de mesures réalisées sur le site et de techniques de modélisation de types boite noire, boite grise ou boite blanche, en fonction de la connaissance disponible. La chaufferie ne disposant pas d'un système de stockage, nous avons proposé une modification hydraulique afin d'en intégrer un. Le modèle de ce système a complété le modèle de la chaufferie. Pour la gestion du stockage, deux contrôleurs différents, dont l'un basé sur la commande prédictive optimale et exploitant des prédictions pour anticiper le comportement de la chaufferie, ont été proposés. Ces prédictions sont fournies par un module intégrant une analyse multi-résolution par décomposition en ondelettes et utilisant les réseaux de neurones artificiels. Les résultats obtenus avec le contrôleur prédictif montrent que l'utilisation optimale d'un système de stockage permet d'améliorer de façon très significative le fonctionnement de la chaufferie. La consommation énergétique fossile, le coût de fonctionnement de l'installation, les émissions de CO2 et le taux de couverture de l'énergie fossile sont fortement réduits, tout en améliorant le respect des contraintes techniques de fonctionnement.

Les neurones impulsionnels prennent en compte une caractéristique fondamentale des neurones biologiques : la capacité d'encoder l'information sous forme d'événements discrets. Nous nous sommes intéressés à l'apport de ce type de modèles dans le cadre de la vision artificielle, dont les contraintes nous ont orienté vers le choix de modèles simples, adaptés à la rapidité de traitement requise. Nous décrivons une architecture de réseaux pour encoder et extraire des saillances utilisant la discrétisation induite par les neurones impulsionnels. La carte de saillances est obtenue à partir de la combinaison, spatiale et temporelle, de différentes cartes de modalités visuelles (contrastes, orientations et couleurs) à différentes échelles spatiales. Nous proposons une méthode de filtrage neuronal pour construire les cartes de modalité visuelle. Cette méthode réalise le filtrage de façon graduelle : plus le temps de traitement alloué à l'algorithme est important, plus le résultat est proche de celui obtenu avec un filtrage par convolution. L'architecture proposée donne en sortie les saillances triées temporellement dans l'ordre de leur importance. Nous avons placé en aval de cette architecture un autre réseau de neurones impulsionnels, s'inspirant des champs neuronaux, qui permet de sélectionner la zone la plus saillante et de maintenir une activité constante sur cette zone. Les résultats expérimentaux montrent que l'architecture proposée est capable d'extraire des saillances dans une séquence d'images, de sélectionner la saillance la plus importante et de maintenir la focalisation sur cette saillance, même dans un contexte bruité ou quand la saillance se déplace.