Adresse :
Monsieur Alexandre Hache du département Automatique, Productique et Informatique (DAPI) et du laboratoire LS2N, présentera ses travaux de recherche sur le sujet :
"Modélisation et commande de systèmes non-linéaires par apprentissage sous contraintes SDP de réseaux de neurones paramétrés"
Résumé : cette thèse s’inscrit au croisement entre les théories de l’apprentissage et de la commande, proposant une méthodologie basée données, pour la modélisation et le contrôle des systèmes dynamiques nonlinéaires. En s’appuyant sur la théorie de la stabilité absolue et sur une représentation générale des modèles d’état neuronaux, plusieurs théorèmes de stabilité pour les réseaux de neurones sont présentés. Face aux limitations des approches traditionnelles d’optimisation sous contraintes LMI, nous développons un cadre théorique complet pour la paramétrisation des réseaux de neurones, compatible avec les algorithmes de gradient et les outils de différentiation automatique classiques. A l’aide de la théorie sur la linéarisation par bouclage, l’apprentissage en une seule étape d’un contrôleur approximativement linéarisant et d’un modèle de référence aux propriétés de stabilité garanties est présentée. Les résultats théoriques sont validés sur des exemples académiques d’atténuation de perturbations, ouvrant la voie à une utilisation plus systématique des réseaux de neurones dans la conception de lois de commande.
Organisateur(s)
Dans le cadre de la co-accréditation de thèse d’IMT Atlantique au sein de l'école doctorale SPIN
Most-clés : Modèles d’état neuronaux, Stabilité absolue, Linéarisation par bouclage, Contraintes SDP