Un cadre de traitement du signal basé sur des réseaux neuronaux dynamiques avec application à des problèmes d'adaptation, de filtrage et de classification

Nous présentons un cadre cohérent basé sur des réseaux neuronaux pour résoudre divers problèmes de traitement du signal. Il repose sur l'affirmation que les réseaux récurrents à retard possèdent les capacités de représentation nécessaires pour agir en tant qu'approximateurs universels de systèmes dynamiques non linéaires. Cela s'applique à l'identification de systèmes, à la prévision de séries temporelles, au filtrage non linéaire, au filtrage adaptatif et à la classification de motifs temporels. Nous abordons le développement de modèles de systèmes dynamiques non linéaires, sous la forme de réseaux neuronaux récurrents à retard, qui peuvent être utilisés sans formation supplémentaire. Nous employons une procédure de mise à jour des poids basée sur le filtre de Kalman étendu (EKF). Contre la tendance d'un réseau à oublier l'apprentissage antérieur lorsqu'il traite de nouveaux exemples, nous développons une technique appelée formation multistream. Nous démontrons notre cadre en l'appliquant à 4 problèmes. Tout d'abord, nous montrons qu'un seul réseau récurrent à retard peut être entraîné pour produire d'excellentes prédictions à un pas de temps pour deux séries temporelles différentes et aussi pour être robuste aux erreurs sévères dans la séquence d'entrée. Deuxièmement, nous modélisons de manière stable un système complexe contenant un bruit de processus significatif. Les deux problèmes restants proviennent d'applications automobiles du monde réel. L'un implique la modélisation entrée-sortie du comportement dynamique d'un système capteur-catalyseur exposé au flux d'échappement d'un moteur en fonctionnement, l'autre la détection en temps réel et continue d'un raté d'allumage du moteur.