Approches neuromimétiques pour l'identification et la commande

New adaptive and neural strategies for the identification and the control of complex, non-linear and non-stationary systems are developed in this research work. Artificial neural networks are known as neural models or connectionism. They are endowed with universal approximation and are able to learn from and to adapt to their environment with weak assumptions. These attributes make them interesting from an engineering perspective. They significantly improve not only identification and control schemes themselves but also the way in which they can be used for considering a system and its interaction with its environment. The present study aims at developing new neural schemes by introducing a priori knowledge in an explicit way to be closer to the considered system and to make identification and control tasks more efficient. Several developments are presented implicating formal neurons, neural architectures and neural strategies. A formal neuron has been optimized. Different modular neural approaches based on several neural networks have been proposed. Neural schemes resulting from a theoretical analysis of systems have been introduced. This formalism lies on the mathematical expression of internal system signals and uses synthesized signals representing its evolution. Combining artificial neural networks with techniques such as fuzzy logic, statistical models or other parametric models have also been investigated. The proposed neural techniques have been experimentally assessed. We have shown that neural network approaches resulting from a thoughtful design strategy act for advanced and efficient controllers.Les travaux présentés dans cette Habilitation à Diriger des Recherches visent le développement de nouvelles stratégies neuromimétiques destinées à l'identification et à la commande de systèmes physiques complexes, non linéaires et non stationnaires. Les réseaux de neurones artificiels, également appelés modèles connexionnistes, sont abordés d'un point de vue du traitement du signal et du contrôle. Insérés dans des schémas d'identification et de commande, leurs capacités d'apprentissage rendent ces tâches plus robustes et plus autonomes. Nos études cherchent à développer de nouvelles approches neuromimétiques en prenant en compte de manière explicite des connaissances a priori afin de les rendre plus fidèles au système considéré et d'en améliorer l'identification ou la commande. De nombreux développements sont présentés, ils touchent le neurone formel, l'architecture des réseaux de neurones et la stratégie neuromimétique. Un neurone formel est optimisé. Différentes approches neuronales modulaires basées sur plusieurs réseaux de neurones sont proposées. Des schémas neuronaux issus d'une formalisation théorique d'un système sont étudiés. Cette formalisation repose sur l'expression des signaux internes du système et utilise des signaux synthétisés représentatifs de son évolution. Des associations entre des réseaux neuromimétiques et des techniques telles que la logique floue, des modèles statistiques, ou des modèles paramétriques sont développées. Les techniques neuronales proposées ont été validées expérimentalement. Nous avons montré que les modèles connexionnistes permettent incontestablement de développer des commandes avancées et efficaces à travers une démarche réfléchie