Réseaux de neurones statiques (réseaux non bouclés)

Table des matières

Chapitre 1 :Introduction
1.1 Introduction
1.2 Plan de la thèse
Chapitre 2 :Revue bibliographique sur les effets de site et identification de la problématique 
2.1 Introduction
2.2 Cas de séismes caractérisés par les effets de site
2.2.1 Mexique (Séisme de Michoacan, 1985)
2.2.2 USA (Séisme de Loma Prietta, 1989)
2.2.3 Japon (Séisme de Kobe, 1995)
2.2.4 Algérie (Séisme de Boumerdes, 2003)
2.3 Effets de site : Définition et mesures
2.3.1 Définition de l‘effet de site
2.3.2 Méthodes de mesure de l‘effet de site
2.3.3 Analyse critique et identification de la problématique
2.4 Conclusion
Chapitre 3 : Mise en place de la méthode 
3.1 Introduction
3.2 Méthode de calcul du facteur d‘Amplification (AF)
3.2.1 Définition et hypothèses de base
3.2.2 Signal sismique
3.2.3 Réponse sismique d‘un profil de sol stratifié horizontalement
3.2.4 Caractérisation des profils de sol
3.3 Etablissement de la base de données
3.4 Méthode d‘estimation de l‘AF par les réseaux de neurones
3.5 Conclusion
Chapitre 4 : Description de l’approche neuronale
4.1 Introduction
4.2 Inspiration du neurone formel
4.3 Concept de base des réseaux de neurones artificielles
4.4 Types de réseaux neurones artificiel (RNA)
4.4.1 Réseaux de neurones statiques (réseaux non bouclés)
4.4.2 Réseaux de neurones dynamiques ou réseaux bouclés (ou récurrents)
4.5 Types d‘apprentissage
4.5.1 Rétro- propagation du gradient (RPG)
4.5.2 Fonction de transfert (ou d‘activation)
4.5.3 Avantages et inconvénients des différent RNAs statiques et supervisés utilisés pour l‘approximation des fonctions
4.6 Aspect théorique du GRNN : cas particulier d‘une seul sortie
4.6.1 Mise en œuvre de GRNN sous Matlab :Aspect pratique
4.6.2 Etape d‘élaboration d‘un modèle avec un réseau GRNN
4.6.3 Mesure des performances
4.6.4 Détermination et optimisation de la largeur de la gaussienne
4.7 Conclusion
Chapitre 5 : Résultats et interprétations
5.1 Introduction
5.2 Description des jeux de données
5.2.1 Facteur d‘amplification en fonction de la période
5.2.2 Facteur d‘amplification en fonction de la fréquence normalisée
5.2.3 Facteur d‘amplification à courte et moyenne période
5.3 Description des différents modèles de réseaux de neurones
5.4 Résultats
5.4.1 Nomenclature des résultats
5.4.2 Dérivation et analyse du terme d’erreur
5.4.3 Approche globale
5.4.4 Variation des facteurs de Borcherdt en utilisant GRNN
5.5 Conclusion
Conclusion
Bibliographie