Abstract FR:

L'objet de cette thèse est la construction de règles d'apprentissage pour des réseaux de neurones, dans le but de réguler des systèmes soumis à des contraintes d'état. Dans un premier temps, on considère les réseaux de neurones comme des systèmes contrôlés par des matrices synaptiques, et l'on montre que les règles d'apprentissage classiques s'expriment simplement à l'aide du produit tensoriel d'operateurs linéaires. Ensuite, on construit des règles d'apprentissage pour le contrôle de systèmes par réseaux de neurones. Trois classes de règles sont alors proposées. Les deux premières (retro propagation dynamique (RPD) et retro propagation dynamique uniforme (RPDU) sont basées sur des procédures de minimisation complexes d'un critère défini dans l'espace des états du système contrôle, traduites dans l'espace des matrices synaptiques du réseau de neurones effectuant la fonction de régulation du système. La troisième règle (la règle d'apprentissage adaptative lourde (AL) sera interprétée comme une règle de Hebb continue. Cette règle est basée sur un théorème concernant l'apprentissage adaptatif de lois de commande par réseau de neurones, lui-même basé sur le théorème de viabilité. Des résultats numériques seront présentes pour les trois classes d'algorithmes