Apprentissage du classifieur neuronal

Table des matières

Dédicaces
Remerciement
Résumé 
Abstract
Table des Figures
Liste des Tableaux
Liste des Organigrammes
Notification
Abréviations
Introduction générale
1. Contexte de recherche
2. Problématique, motivations et positionnement
3. Contributions
4. Organisation du manuscrit
Chapitre 1. Classification neuronale des données médicales
1.1.Introduction
1.2.La classification neuronale
1.2.1. Le perceptron multicouche
1.2.2. Les cartes auto-organisatrices
1.2.3. Les réseaux de neurones probabilistes
1.2.4. Les réseaux de neurones impulsionnels
1.2.5. Les classifieurs hybrides
1.3.La classification neuronale des données médicales
1.3.1. Les travaux réalisés sur les arythmies cardiaques
1.3.2. Les travaux réalisés sur les maladies de cancer
1.3.3. Les travaux réalisés sur le diabète
1.3.4. Les travaux réalisés sur les troubles neurologiques
1.4.Les avantages et les limites des approches d’implémentation
1.4.1. Approche software (logicielle)
1.4.2. Approche hardware (matérielle)
1.5.Conclusion
Chapitre 2. Technologies et environnement de développement des FPGA
2.1.Introduction
2.2.Les circuits logiques reconfigurables FPGA
2.2.1. Les FPGA à mémoires statiques
2.2.2. Les FPGA à mémoire Flash
2.2.3. Les FPGA à anti-fusibles
2.2.4. Les avantages et les inconvénients de différents types de FPGA
2.3.Les types d’architectures des FPGA
2.3.1. Architecture de type îlots de calcul
2.3.2. Architecture de type hiérarchique
2.3.3. Architecture de type mer de portes
2.4.Les couches de FPGA
2.4.1. Le circuit configurable
2.4.1.1. Les blocs logiques CLB
2.4.1.2. Les blocs d’entrée/sortie IOB
2.4.1.3. Les interconnexions programmables
2.4.2. Le réseau mémoire SRAM
2.5.Critères de choix pour la réalisation d’un circuit logique
2.5.1. Coût de développement et fabrication
2.5.2. Temps de développement
2.5.3. Souplesse d’utilisation
2.5.4. Taille
2.5.5. Consommation
2.5.6. Vitesse de fonctionnement
2.5.7. Capacité mémoire
2.6.Notion sur les FPGA actuelles
2.6.1. Les technologies avancées des FPGA
2.6.2. Les fabricants et parts du marché des FPGA
2.6.3. Les domaines d’application des FPGA
2.6.3.1. Domaine des systèmes embarqués
2.6.3.2. Domaine de télécommunication
2.6.3.3. Domaine médical
2.7.Méthodologies de conception
2.7.1. Méthode de conception
2.7.1.1. Le cahier des charges
2.7.1.2. La validation fonctionnelle
2.7.1.3. Le choix technologique
2.7.1.4. La synthèse
2.7.1.5. La simulation fonctionnelle
2.7.1.6. Le placement et le routage
2.7.1.7. La simulation temporelle
2.7.1.8. La fabrication ou la programmation du circuit
2.7.2. Les outils de développement
2.7.2.1. Les outils de CAO (Conception Assistée par Ordinateur)
2.7.2.2. Les principaux langages de description matérielle
2.8.Conclusion
Chapitre 3. La conception matérielle du classifieur neuronal
3.1.Introduction
3.2.Modèle du classifieur neuronal proposé
3.2.1. Le perceptron multicouche
3.2.2. L’algorithme d’apprentissage
3.2.3. La base de données
3.2.3.1. La base d’apprentissage
3.2.3.2. La base de test
3.2.4. L’arythmie ciblée
3.2.5. La normalisation des données
3.2.6. Apprentissage du classifieur neuronal
3.2.6.1. L’étape d’apprentissage
3.2.6.2. L’étape de test
3.3.La conception matérielle du classifieur neuronal CLN
3.3.1. Représentation des données
3.3.2. Le principe de calcul
3.3.2.1. Le Semi-Parallèle ‘SP’
3.3.2.2. Le Parallèle-Parallèle ‘PP’
3.3.3. L’architecture matérielle ‘CLNH-SP’ du classifieur neuronal
3.3.3.1. La conception matérielle d’un neurone non complet
3.3.3.2. Le réseau neuronal
3.3.3.3. Le séquenceur
3.3.3.4. Remarques
3.3.4. La détection de dépassement de capacité
3.3.5. L’architecture matérielle ‘CLNH-PP’ du classifieur neuronal
3.3.5.1. La concrétisation d’un neurone complet
3.3.5.2. Le classifieur matériel
3.4.Conclusion
Chapitre 4. L’implémentation du classifieur neuronal
4.1.Introduction
4.2.Le flot de conception proposé
4.3.La première implémentation du classifieur neuronal CLN
4.3.1. Phase d’apprentissage du CLN
4.3.1.1. Les poids synaptiques et les biais du CLN
4.3.1.2. Les fonctions d’activation
4.3.2. Le classifieur CLNH-SP1
4.3.3. Résultats et discussion
4.4.La deuxième implémentation du classifieur CLN
4.4.1. Le classifieur CLNH-SP2
4.4.2. Résultats et discussion
4.4.3. Le classifieur CLNH1-SP2
4.4.3.1. Phase d’apprentissage du classifieur CLN1
4.4.3.2. Résultats et discussion
4.4.4. Le classifieur CLNH2-SP2
4.4.4.1. Phase d’apprentissage du classifieur CLN2
4.4.4.2. Résultats et discussion
4.5.La troisième implémentation du classifieur CLN
4.5.1. Le classifieur CLNH-PP
4.5.2. Le classifieur CLNH1-PP
4.5.3. Le classifieur CLNH2-PP
4.6.Étude comparative entre les classifieurs CLNH-SP et CLNH-PP
4.6.1. Consommation des ressources FPGA
4.6.2. Temps de calcul
4.7.Conclusion
Chapitre 5. Classification neuronale des arythmies cardiaques à base de FPGA
5.1.Introduction
5.2.La conception d’un modèle de classification des arythmies cardiaques
5.2.1. La reconfiguration dynamique globale du FPGA
5.2.2. La reconfiguration dynamique partielle du FPGA
5.2.3. Architecture en électronique câblée
5.2.3.1. L’architecture matérielle du modèle SYST-SP
5.2.3.2. L’architecture matérielle du modèle SYST-PP
5.2.3.3. La synthèse des deux modèles de classification
5.3.Travaux connexes
5.4.Conclusion
Conclusion générale et perspectives
Annexes.
Références bibliographiques
Productions scientifiques