Quelques travaux du laboratoire MIT
IBM a développé une souris maligne recouverte de multiples capteurs. Sensibles
aux rayons infrarouges ces capteurs peuvent déterminer notre rythme cardiaque en analysant le bout de nos doigts. Une puce thermosensible détermine la température de notre main et des capteurs de mouvement indiquent le type de mouvement effectué (volontaire ou non). Grâce à ces différents capteurs la souris est capable de déterminer si nous ressentons de la colère, de la tristesse, de l’énervement...
182
Sur le même principe il existe aussi des manettes de jeux capables de déterminer l’état émotionnel du joueur et d’adapter le jeu en fonction de cet état.
Thad Starner, chercheur en informatique à l’institut de technologie de Géorgie a
mis au point en 1993 le wearable computing c'est-à-dire l’informatique qui se Porte. Il s’agit d’une paire de lunettes développée par Micro Optical équipées d’un écran miniature qui lui permet d’accéder à Internet sans que l’on rendre compte.
Doté de 16 couleurs et d’une fréquence de 60Hz, il offre une résolution de 320
×
240 points.L’objectif est de rendre la technologie accessible, à tous, de façon permanente et l’intégrer au mieux à l’homme (la rendre "invisible" ).
183
Bibliographie
[A.Berro2001] Alain Berro . « Optimisation Multi objectif et Stratégie d’évolution en
environnement Dynamique » thèse de Doctorat; Université des sciences sociales ToulouseI. 18 Décembre 2001
[A.E Eiben1999] Eiben A.E., Hinterding R., & Michalewicz Z. « Parameter Control in
Evolutionary Algorithms. Evolutionary Computation », IEEE Transactions on, 3(2), 1999.
[A.Wright 1991]. Wright A. « Genetic Algorithms for Real Parameter Optimization.
Foundation of Genetic Algorithms 1 ». San Mateo: G.J.E Rawlin (Morgan Kaufmann).1991
[ Belaid 1992] Belaid,A.,Belaid,Y. « reconnaissance des formes. Méthodes et applicatons », Inter
Edition, 1992.
[Belgacem, 2002] Belgacem, N, « détection et classification des arythmies cardiaque par
application des réseaux de neurones », these de magister, université de Tlemcen 2002.
[Bautista et al1999] Maria J. Martin-Bautista, & Maria-Amparo Vila. « A survey of Genetic
Feature Selection in Mining Issues. Evolutionary Computation », CEC, Proceedings of the
1999 Congress on, 2, 1314-1321.1999
[C. Bontemps 1995] Christophe Bontemps. « Principes Mathématiques et Utilisations des
Algorithmes Génétiques » ; 18 Novembre 1995.
[Chikh, 2005] Chikh Mohammed Amine « analyse de signal ECG par les réseaux de
neurones et la logique floue : application a la reconnaissance des battements ventriculaires prématurés », THESE doctorat d’état Es sciences mention Electronique, université de Tlemcen.2 juillet2005
[C. Igel and M. H• usken.2003] Sylvain Tertois. « Reduction des effets des non-linearites dans une modulation milti porteuse a l'aide de reseaux de neurones ». PhD thesis, Rennes 1,
2003.
[D. Martinez & D. Estève.1992], D. Martinez and D. Estève. « The O_set algorithm:
building and learning method for multilayer neural networks ». Europhysics Letters, 18:95_100, 1992.
[Eshelman L.J1989] Eshelman L.J., Caruana R., & Schaffer J.D. « Biases in the Crossover
Landscape ». Proc. 3rd Int’l Conference on Genetic Algorithms. J.David Shaffer(Morgan
Kaufmann Publishing).1989
[d.meurier2007]. David Meunier. « Evolutionary supervision of a dynamical neural network allows learning with on-going weights ». Proceedings of International Joint Conference on Neural Networks (IJCNN) 2005
184 [Hedeili, 2004] Hedeli,N.« classification des arythmies cardiaques par l’analyse de la
composante principale et les réseaux de neurones ».these de magister , université de tlemcen2004
[I. Charon, A. Germa, O. Hudry, 1996], « Méthodes d’Optimisation Combinatoire »; 1996.
[Juan-Manuel TORRES-MORENO1997], J.M. Torres Moreno and M.B Gordon. « E_cient adaptive learning for classification tasks with binary units . Neural Computation », In Press,
1997. « For classifcation tasks with binary units. Neural Computation », In Press, 1997.
[ Leschi 1991] Leschi C., « Aspects fondamentaux et évolutifs de la reconnaissance de formes.
Approche pluridisciplinaire, notion d’approximation », thèse de doctorat en informatique et
automatique appliqué : INSA de Lyon ,1991
[L.Saadi 2005] L.saadi. « optimisation miltiobjectif, prigramation génétique ».magister
informatique. Université de batena 2007.
[Man K.F., et al 2000] Man K.F., Tang K.S., & Kwong S. « Genetic algorithms. Concepts and
design ». Springer.2000
[Man K.F, & Tang K.S. 1997] Man K.F, & Tang K.S. « Genetic Algorithms for Control and
Signal Processing. Industrial Electronics, Control and Instrumentation IECON ». 23rd.
International Conference on, 4, 1541-1555.1997
[Mc Donald 1976] Mc Donald CJ. “Protocol-based computers remindes, the quality of care
and the non-perfectability of man”.N Engl J med 1976
[Milgram 1993] Milgram M., « reconnaissance des formes : méthodes numériques et
connexionnistes » Armand Collin, paris 1993
[Miller 1986a] Miller P.”Expert critiquing systems/ practice-based medical consultation by
computer” .NEW YORK/ SPRINGER-VERLAG 1986
[Mitchell M. (1996)]. Mitchell M. « An Introduction to Genetic Algorithms ». MIT
Press.1996
[M. Karouia, R. Lengellé, & Denoeux T.1995] M. Karouia, R. Lengellé, and Denoeux T.
« Performance analysis of a MLP weight initialization algorithm ». In Michel Verleysen,
editor, European Symposium on Artifcial Neural Networks, Brussels, 1995. D facto.
[Muhlenbein .H1993] Muhlenbein H., & Schlierkamp Voosen D. « Predective Models for
the Breeder Genetic Algorithm I. Continuous Parameter Optimization. Evolutionary Computation 1 »,1993.
185 [N. Benhamed2002] Nadia Benhamed « optimisation de réseaux de neurones pour la reconnaissace de chiffres manuscrites : sélection et pondération des primitives par algorithmes génétiques » . these de doctorat, université de Québec Montréal , kanada 2002
[ N. Dunkin, J. Shawe-Taylor, and P. Koiran.1997] N. Dunkin, J. Shawe-Taylor, and P. Koiran. « A new incremental learning technique ». In Springer Verlag, editor, Neural Nets
Wirn Vietri-96. Proceedings of the 8th Italian Workshop on Neural Nets, , 1997.
[P.Deg&M.Fie2005] P. De goulet, M. Fieshi. « Informatique médicale », Masson Edition
,2005
[S. E. Fahlman and C. Lebiere.1990] S. E. Fahlman and C. Lebiere. « The
cascade-correlation learning architecture ». In D. S. Touretzky, editor, Advances in Neural Information
Processing Systems, , Denver 1989, 1990. Morgan Kaufmann, San Mateo.
[shortliffe1976],shortliffe EH.” Computer-based medical consultation”: MYCIN.NEW
YORK.AMERICAN ELSEVIER. 1976
[T.Vallée&M.Yudizoglu2001] Thomas vallées&murât yidizglu « présentation des algorithmes génétiques et leurs application en économie ». Université de Nante ; septembre2001.
[Y. Shang&B.W. Wha.1996] Y. Shang and B.W. Wha. « A global optimization method for
neural networks training. » In IEEE International Conference on Neural Networks, Washington, 1996
[Y. LeCun, J. Denker1991], Y. LeCun, J. Denker, S. Solla, R. E. Howard, and L. D. Jackel. « Optimal brain damage ». In D. S. Touretzky, editor, Advances in Neural Information
Processing Systems II, San Mateo, CA, 1990. Morgan Kaufman.
[Y.OUSSAR 2002] OUSSAR Yacine : “Réseaux d'ondelettes et réseaux de neurones pour la
modélisation statique et dynamique de processus” .Thèse ou HDR soutenueà ESPCI, 2002
[Z.Michalewicz 1992]. Michalewicz Z. « Genetic Algorithms + Data Structures = Evolution
145 IV.4.4 Apprentissage neuronal
tableau4.22 :performances des classifiueurs à 4 classes (apprentrissage classique)
se1,sp1, class 1 : les performances de la classe « N » se2,sp2, class 2 : les performances de la classe « V » se3,sp3, class 3 : les performances de la classe «R » se4,sp4, class 4 : les performances de la classe « L »
CCv : taux de classification correcte de classifieur pour toutes les classes
Classifieurs Se1 Sp1 class 1 Se2 Sp2 class 2 Se3 Sp3 class 3 Se4 Sp4 class 4 ccv
e
CLSD1
85.39 96.62 92.25 79.73 94.51 89.96 81.84 90.97 90.57 77.51 96.43 91.54 81.45 0.096
CLSD2
87.43 96.30 92.86 81.23 95.31 90.97 54.21 85.44 84.60 61.86 95.65 86.91 77.45 0.19
CLSD3
83.00 93.29 89.28 71.41 95.71 88.22 55.52 79.67 78.62 48.48 96.32 83.45 69.31 0.78
147
tableau4.24 :performances des classifiueurs à 4 classes (apprentrissage génétique)
Classifieurs Se1 Sp1 Cc1 Se2 Sp2 Cc2 Se3 Sp3 Cc3 Se4 Sp4 Cc4 ccv e
CLSD1
84.92 98.94 93.48 86.96 93.13 92.16 85.78 92.46 92.17 80.62 99.27 94.44 85.40 0.1388
CLSD2
82.65 98.32 92.21 90.11 92.99 92.10 78.15 87.50 87.09 61.24 98.38 88.78 79.21 0.23
CLSD3