Colloque

Approche multivariable de prédiction de séries linéaires en utilisant le réseau adaline et la technique du filtre de Kalman

Christian Fayomi

Mohamad Sawan

Saad Bennis

Membre a labase

Christian Fayomi

Résumé du colloque

La prédiction de séries a longtemps été le domaine des statisticiens. L'importance du sujet se reflète par son application dans divers domaines parmi lesquels on peut citer le contrôle de processus industriel, la prévision de la tendance des marchés financiers, etc. Toute méthode de prédiction d'un phénomène réel doit donc être en mesure de s'adapter à toute modification du sous-jacent dans les données. Il en résulte qu'un système capable d'apprendre et de s'adapter en fonction du temps peut aussi prédire le futur. Les réseaux neuronimiques constituent donc une excellente solution à la résolution de ce type de problème. C'est l'objectif de ce travail qui est de proposer une approche multivariable de prédiction de séries linéaires basée sur les réseaux de neurones. Le réseau Adaline complètement connecté a été utilisé pour modéliser trois séries à la règle d'apprentissage est celle de la technique du filtre de Kalman. Nous avons comparé les résultats de notre approche avec ceux du célèbre algorithme LMS de Widrow-Hoff utilisant le même réseau. En choisissant comme critères de comparaison l'erreur quadratique normalisée et le pourcentage d'erreur de prédiction, les résultats de simulation effectués sur Matlab montrent que notre approche donne les plus faibles valeurs d'erreurs, et sans entraîner la convergence en une seule itération alors qu'avec le traditionnel algorithme du LMS le nombre d'itération à la convergence peut dépasser un million.