Bücher von Okba Taouali

O trabalho apresentado neste relatório enquadra-se no âmbito da Aprendizagem Automática, onde o objetivo é modelar um sistema não linear e identificar os parâmetros do modelo em questão on-line. Este modelo é desenvolvido num espaço de Hilbert de kernel reprodutor (RKHS). Estes modelos, ditos de representação ou de caixa negra, são lineares no que respeita aos seus parâmetros. Têm sido muito bem sucedidos na identificação de sistemas não lineares utilizando métodos de kernel.

Il lavoro presentato in questa relazione rientra nell'ambito del Machine Learning, dove l'obiettivo è modellare un sistema non lineare e identificare i parametri del modello in questione on-line. Questo modello è sviluppato in uno spazio di Hilbert a kernel riproducibile (RKHS). Questi cosiddetti modelli di rappresentazione o black-box sono lineari rispetto ai loro parametri. Hanno avuto molto successo nell'identificazione di sistemi non lineari utilizzando i metodi kernel.

El trabajo presentado en este informe se inscribe en el ámbito del Aprendizaje Automático, donde el objetivo es modelizar un sistema no lineal e identificar en línea los parámetros del modelo en cuestión. Este modelo se desarrolla en un espacio de Hilbert de núcleos reproductores (RKHS). Estos modelos, denominados de representación o de caja negra, son lineales con respecto a sus parámetros. Han tenido mucho éxito en la identificación de sistemas no lineales mediante métodos kernel.

Die in diesem Bericht vorgestellte Arbeit fällt in den Rahmen des maschinellen Lernens, bei dem wir versuchen, ein nichtlineares System zu modellieren und die Parameter des betrachteten Modells online zu identifizieren. Dieses Modell wird in einem reproduzierenden Kernel-Hilbert-Raum (RKHS) entwickelt. Diese sogenannten Repräsentations- oder Black-Box-Modelle sind hinsichtlich ihrer Parameter linear. Sie hatten großen Erfolg bei der Identifizierung nichtlinearer Systeme mithilfe von Kernel-Methoden.

The work presented in this report falls within the framework of Machine Learning where we seek to model a non-linear system and to identify online the parameters of the model considered. This model is developed in a reproducing kernel Hilbert space (RKHS). These so-called representation or black box models are linear with respect to their parameters. They have had great success in identifying nonlinear systems using kernel methods.

Rabota, predstawlennaq w dannom otchete, otnositsq k oblasti mashinnogo obucheniq, gde cel'ü qwlqetsq modelirowanie nelinejnoj sistemy i opredelenie parametrow rassmatriwaemoj modeli w rezhime real'nogo wremeni. Takaq model' stroitsq w gil'bertowom prostranstwe wosproizwodqschih qder (RKHS). Jeti tak nazywaemye modeli predstawleniq ili modeli "chernogo qschika" qwlqütsq linejnymi po otnosheniü k swoim parametram. Oni wes'ma uspeshno ispol'zuütsq dlq identifikacii nelinejnyh sistem s pomosch'ü kernel'nyh metodow.

Le travail présenté dans ce rapport entre dans le cadre de l¿Apprentissage Automatique (Machine Learning) où l¿on cherche à modéliser un système non linéaire et à identifier en ligne les paramètres du modèle considéré. Ce modèle est développé dans un espace de Hilbert à noyau reproduisant (RKHS). Ces modèles dits de représentation ou boite noire sont linéaires par rapport à leurs paramètres. Ils ont connu un grand succès dans l¿identification des systèmes non linéaires en utilisant les méthodes à noyaux.

This book deals with the problem of identifying and diagnosing complex systems using kernel methods. In order to overcome this problem, a reduction in the number of model parameters is necessary, as well as an update of these parameters. Similarly, in order to avoid the slightest failure and improve process quality and efficiency, a system diagnostics step is required, which consists in detecting deviations from the normal state of operation.

Este libro aborda el problema de la identificación y el diagnóstico de sistemas complejos mediante métodos kernel. Para superar este problema, se requiere una reducción del número de parámetros del modelo, así como una actualización de dichos parámetros. Del mismo modo, para evitar el más mínimo fallo y mejorar la calidad y la eficacia del proceso, es necesaria una etapa de diagnóstico del funcionamiento del sistema, que consiste en detectar las desviaciones del estado normal de funcionamiento.

Este livro trata do problema da identificação e diagnóstico de sistemas complexos utilizando métodos de kernel. Para ultrapassar este problema, é necessária uma redução do número de parâmetros do modelo e uma atualização desses parâmetros. Da mesma forma, para evitar a menor falha e melhorar a qualidade e a eficiência do processo, é necessária uma fase de diagnóstico do funcionamento do sistema, que consiste em detetar desvios do estado normal de funcionamento.

Questo libro affronta il problema dell'identificazione e della diagnosi di sistemi complessi utilizzando metodi kernel. Per superare questo problema, è necessario ridurre il numero di parametri del modello e aggiornarli. Allo stesso modo, per evitare il minimo guasto e migliorare la qualità e l'efficienza del processo, è necessaria una fase di diagnosi del funzionamento del sistema, che consiste nel rilevare le deviazioni dal normale stato di funzionamento.

Das Buch behandelt das Problem der Identifizierung und Diagnose komplexer Systeme mit Hilfe von Kernmethoden. Um dieses Problem zu umgehen, ist eine Reduzierung der Parameterzahl des Modells sowie eine Aktualisierung der Parameter erforderlich. Um Fehler zu vermeiden und die Qualität und Effizienz des Prozesses zu verbessern, ist eine Diagnose des Systems notwendig, um Abweichungen vom Normalzustand zu erkennen.

Le livre traite le problème de l¿identification et le diagnostic des systèmes complexes par des méthodes à noyaux. Ce pendant le modèle issu des techniques à noyaux souffre du nombre des paramètres important engagés.Pour contourner ce problème, une réduction de nombre de paramètre du modèle est nécessaire ainsi qüune mise à jour de ses paramètres est indispensable. De même, afin d¿éviter la moindre défaillance et d¿améliorer la qualité et le rendement de processus, une étape de diagnostic de fonctionnement du système est nécessaire et qui consiste à détecter des déviations par rapport à l¿état normal du fonctionnement.