Khellout SihamLakhdari HakimaDorbane Farida2019-11-122019-11-122017Commande Des SystemesMAST.AUTO.85-17https://dspace.ummto.dz/handle/ummto/767340 f. : ill. ; 30 cm. (+ CD-Rom)Dans ce mémoire, on s’est intéressé à présenter les notions de base pour la compréhension des réseaux de neurones, des généralités sur le réseau ELM ainsi son extension ELM-LRF pour la classification des images. L’objectif de ce travail consiste à évaluer ce réseau, et pour cela, nous l’avons testé sur deux bases différentes. La base des images Yalefaces, en niveau de gris, pour la reconnaissance de personnes et la base des images ALOI, en couleur, de 1000 objets. L’algorithme ELM a été implémenté sous Matlab et il a montré une bonne capacité d’apprentissage et de généralisation sur deux types d’images : niveaux de gris et couleurs, compte tenu des paramètres du réseau, le nombre de cartes la taille des masques de convolution et de pooling qui sont très simple à ajuster, donnés en connaissant certaines informations concernant les images à classer.frRéseaux de neuronesApprentissage superviséApprentissage non superviséFonctions d’activationRéseau feedforwardApprentissage machine extrême( Extreme Learning machine)Champs récepteurs locaux (Local Receptif Field)Classification de donnéesRéseaux de neurones à convolution(Convolutional Neural Network)Extraction de caractéristiquesSous-échantillonnage (pooling)Algorithmes classiquesBase de donnéesBase d’imagesMasque de convolutionMasque de poolingCarte de caractéristique.Thesis