Les Inscriptions à la Bibliothèque sont ouvertes en
ligne via le site: https://biblio.enp.edu.dz
Les Réinscriptions se font à :
• La Bibliothèque Annexe pour les étudiants en
2ème Année CPST
• La Bibliothèque Centrale pour les étudiants en Spécialités
A partir de cette page vous pouvez :
| Retourner au premier écran avec les recherches... |
Détail de l'auteur
Auteur J. F. Martins
Documents disponibles écrits par cet auteur
Affiner la rechercheEntropy-Based Choice of a Neural Network Drive Model / J. F. Martins in IEEE transactions on industrial electronics, Vol. 54 N°1 (Fevrier 2007)
in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 110-116 p.
Titre : Entropy-Based Choice of a Neural Network Drive Model Titre original : Choix Entropie-Basé d'un Modèle d'Entraînement de Réseau Neurologique Type de document : texte imprimé Auteurs : J. F. Martins, Auteur ; P. J. Santos, Auteur ; A. J. Pires Article en page(s) : 110-116 p. Note générale : Génie Electrique Langues : Anglais (eng) Mots-clés : Entropy Induction motor drives Learning systems Modeling Neural networks.Entropie Commandes de moteur à induction Systèmes d'étude Modeler Réseaux neurologiques. Index. décimale : 621 Ingénierie mécanique en général. Technologie nucléaire. Ingénierie électrique. Machinerie Résumé : The design of a neural network requires, among other things, a proper choice of input variables, avoiding over fitting and an unnecessarily complex input vector. This may be achieved by trying to reduce the arbitrariness in the choice of the input layer. This paper discusses the relation between the memory range of a particular controlled dynamical system (induction drive) and the dimension of the neural network input vector. Mathematical techniques of process-reconstruction of the underlying process, using coding and block entropies to characterize the measure and memory range were applied. These modeling techniques provide a precise knowledge of the drive dynamics, a fundamental requirement in modern control approaches.
La conception d'un réseau neurologique exige, entre autres, un choix approprié des variables d'entrée, évitant l'ajustage de précision fini et un vecteur inutilement complexe d'entrée. Ceci peut être réalisé par l'essai de réduire le caractère arbitraire dans le choix de la couche d'entrée. Cet article discute la relation entre la gamme de mémoire d'un système dynamique commandé particulier (commande d'induction) et la dimension du vecteur d'entrée de réseau neurologique. Des techniques mathématiques de la reconstruction de processus du processus fondamental, en utilisant des entropies de codage et de bloc pour caractériser la gamme de mesure et de mémoire ont été appliquées. Ces techniques modelantes fournissent une connaissance précise de la dynamique d'entraînement, une condition fondamentale dans des approches modernes de commande.DEWEY : 621 ISSN : 0278-0046 En ligne : jmartins@est.ips.pt, psantos@est.ips.pt, apires@est.ips.pt [article] Entropy-Based Choice of a Neural Network Drive Model = Choix Entropie-Basé d'un Modèle d'Entraînement de Réseau Neurologique [texte imprimé] / J. F. Martins, Auteur ; P. J. Santos, Auteur ; A. J. Pires . - 110-116 p.
Génie Electrique
Langues : Anglais (eng)
in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 110-116 p.
Mots-clés : Entropy Induction motor drives Learning systems Modeling Neural networks.Entropie Commandes de moteur à induction Systèmes d'étude Modeler Réseaux neurologiques. Index. décimale : 621 Ingénierie mécanique en général. Technologie nucléaire. Ingénierie électrique. Machinerie Résumé : The design of a neural network requires, among other things, a proper choice of input variables, avoiding over fitting and an unnecessarily complex input vector. This may be achieved by trying to reduce the arbitrariness in the choice of the input layer. This paper discusses the relation between the memory range of a particular controlled dynamical system (induction drive) and the dimension of the neural network input vector. Mathematical techniques of process-reconstruction of the underlying process, using coding and block entropies to characterize the measure and memory range were applied. These modeling techniques provide a precise knowledge of the drive dynamics, a fundamental requirement in modern control approaches.
La conception d'un réseau neurologique exige, entre autres, un choix approprié des variables d'entrée, évitant l'ajustage de précision fini et un vecteur inutilement complexe d'entrée. Ceci peut être réalisé par l'essai de réduire le caractère arbitraire dans le choix de la couche d'entrée. Cet article discute la relation entre la gamme de mémoire d'un système dynamique commandé particulier (commande d'induction) et la dimension du vecteur d'entrée de réseau neurologique. Des techniques mathématiques de la reconstruction de processus du processus fondamental, en utilisant des entropies de codage et de bloc pour caractériser la gamme de mesure et de mémoire ont été appliquées. Ces techniques modelantes fournissent une connaissance précise de la dynamique d'entraînement, une condition fondamentale dans des approches modernes de commande.DEWEY : 621 ISSN : 0278-0046 En ligne : jmartins@est.ips.pt, psantos@est.ips.pt, apires@est.ips.pt
in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 259-264 p.
Titre : Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault Titre original : Réseau Neurologique Non Surveillé Basé l'Algorithme pour un Diagnostic en Ligne de Défaut Triphasé de Redresseur de Moteur à Induction Type de document : texte imprimé Auteurs : J. F. Martins, Auteur ; A. J. Pires ; V. Ferno Pires, Auteur Article en page(s) : 259-264 p. Note générale : Génie Electrique Langues : Anglais (eng) Mots-clés : Fault diagnosis Hebbian learning Induction motors Neural networks Unsupervised learning.Diagnostic de défaut Etude de Hebbian Moteurs à induction Réseaux neurologiques Etude non surveillée. Index. décimale : 621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X Résumé : In this paper, an automatic algorithm based an unsupervised neural network for an on-line diagnostics of three-phase induction motor stator fault is presented. This algorithm uses the alfa-beta stator currents as input variables. Then, a fully automatic unsupervised method is applied in which a Hebbian-based unsupervised neural network is used to extract the principal components of the stator current data. These main directions are used to decide where the fault occurs and a relationship between the current components is calculated to verify the severity of the fault. One of the characteristics of this method, given its unsupervised nature, is that it does not need a prior identification of the system. The proposed methodology has been experimentally tested on a 1kW induction motor. The obtained experimental results show the effectiveness of the proposed method.
En cet article, un algorithme automatique a basé un réseau neurologique non surveillé pour dessus une ligne diagnostic de défaut triphasé de redresseur de moteur à induction est présenté. Cet algorithme emploie les alfa-bêtas courants de redresseur comme variables d'entrée. Puis, on applique une méthode non surveillée complètement automatique dans laquelle un Hebbian a basé le réseau neurologique non surveillé est employé pour extraire les composants principaux des données de courant de redresseur. Ces directions principales sont employées pour décider où le défaut se produit et un rapport entre les composants courants est calculé pour vérifier la sévérité du défaut. Une des caractéristiques de cette méthode, données sa nature non surveillée, est qu'elle n'a pas besoin d'une identification antérieure du système. La méthodologie proposée a été expérimentalement examinée sur un moteur à induction 1kW. Les résultats expérimentaux obtenus montrent l'efficacité de la méthode proposée.DEWEY : 621 ISSN : 02780046 En ligne : jmartins@est.ips.pt, vpires@est.ips.pt, apires@est.ips.pt [article] Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault = Réseau Neurologique Non Surveillé Basé l'Algorithme pour un Diagnostic en Ligne de Défaut Triphasé de Redresseur de Moteur à Induction [texte imprimé] / J. F. Martins, Auteur ; A. J. Pires ; V. Ferno Pires, Auteur . - 259-264 p.
Génie Electrique
Langues : Anglais (eng)
in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 259-264 p.
Mots-clés : Fault diagnosis Hebbian learning Induction motors Neural networks Unsupervised learning.Diagnostic de défaut Etude de Hebbian Moteurs à induction Réseaux neurologiques Etude non surveillée. Index. décimale : 621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X Résumé : In this paper, an automatic algorithm based an unsupervised neural network for an on-line diagnostics of three-phase induction motor stator fault is presented. This algorithm uses the alfa-beta stator currents as input variables. Then, a fully automatic unsupervised method is applied in which a Hebbian-based unsupervised neural network is used to extract the principal components of the stator current data. These main directions are used to decide where the fault occurs and a relationship between the current components is calculated to verify the severity of the fault. One of the characteristics of this method, given its unsupervised nature, is that it does not need a prior identification of the system. The proposed methodology has been experimentally tested on a 1kW induction motor. The obtained experimental results show the effectiveness of the proposed method.
En cet article, un algorithme automatique a basé un réseau neurologique non surveillé pour dessus une ligne diagnostic de défaut triphasé de redresseur de moteur à induction est présenté. Cet algorithme emploie les alfa-bêtas courants de redresseur comme variables d'entrée. Puis, on applique une méthode non surveillée complètement automatique dans laquelle un Hebbian a basé le réseau neurologique non surveillé est employé pour extraire les composants principaux des données de courant de redresseur. Ces directions principales sont employées pour décider où le défaut se produit et un rapport entre les composants courants est calculé pour vérifier la sévérité du défaut. Une des caractéristiques de cette méthode, données sa nature non surveillée, est qu'elle n'a pas besoin d'une identification antérieure du système. La méthodologie proposée a été expérimentalement examinée sur un moteur à induction 1kW. Les résultats expérimentaux obtenus montrent l'efficacité de la méthode proposée.DEWEY : 621 ISSN : 02780046 En ligne : jmartins@est.ips.pt, vpires@est.ips.pt, apires@est.ips.pt
