Présentation de la société, des logiciels et des services

Slides:



Advertisements
Présentations similaires
Probabilités et statistiques au lycée
Advertisements

Application au suivi des paramètres de problèmes de vision
© Copyright 2007 Arumtec. All rights reserved. Présentation Etude déligibilité
Résolution de problèmes et logiciel de calcul symbolique
Projet FIACRE 1 ACI Sécurité InformatiqueToulouse, novembre 2004 FIACRE Fiabilité des Assemblages de Composants Répartis Modèles et outils pour lanalyse.
Un exemple de système EDA d'index supérieur distillation réactive avec réactions chimiques instantanément équilibrées Dr. Karim Alloula (ingénieur informatique.
Démarches de modélisation
Borhen LOUHICHI Merci, Monsieur le président,
1/17 Projet LAGAN Dechou & CO Développement dun programme de gestion dascenseurs Présentation de lapplication.
Séchage de peinture par rayonnement infrarouge
Métrologie pour lInternet. Jean-Loup Guillaume Journées Franciliennes de Recherche Opérationnelle.
3. Analyse et estimation du mouvement dans la vidéo
Base de données procédés Bibliothèque d’éléments paramétrés
PROGRAMME : BTS CG.
1 Intégration numérique garantie de systèmes décrits par des équations différentielles non-linéaires Application à l'estimation garantie d'état et de paramètres.
Informatique parallèle hautes performances
SECTION DE TECHNICIEN SUPERIEUR
Yann SEMET Projet Fractales, INRIA Rocquencourt
Stages Equipe Epidaure INRIA Sophia-Antipolis Grégoire Malandain.
Modélisation /Identification
Automatique 2 Parties : - Systèmes Continus - Systèmes Échantillonnés
Modélisation des systèmes non linéaires par des SIFs
Sylvain Mondon Météo-France
Application à la méthode des
THÈME APPLICATION OF THE ARTIFICIAL NEURAL NETWORK FOR MODELING THE THERMAL BEHAVIOR OF BUILDING IN HUMID REGION Léopold Mbaa, Pierre Meukamb, Alexis.
Conception d’un Assainissement Régulé, Dynamique et Intelligent
INTRODUCTION A MATLAB ENVIRONNEMENT MATLAB.
LES OUTILS POUR LA GOUVERNANCE DES DONNÉES LA PASSION DES DONNÉES LA PRÉCISION DES RÉSULTATS.
SEMINAIRE ATSVersion 1.0 SCIENCES INDUSTRIELLES POUR LINGENIEUR Meudon 2007 Claude BERGMANN IGEN ® ® © 2007 The MathWorks, Inc. 1 ® ® Claude BERGMANN Inspection.
Vers un indicateur de la qualité des cours d’ eau…
Modélisation de déclenchement d’avalanche par réseaux de neurones
Application des algorithmes génétiques
Séminaire de lobjectif « forage et production » Beaune, les 26,27 et 28 Avril 2000 Outils danalyse statistiques « programmation par lexemple » S. Canu,
Journée ConecsSdF 27 janvier 2011 ATELIER BENCHMARK Mise en œuvre du cas-test sur le simulateur Samovar Adrien GUENARD, INRIA Nancy, France Date.
Inversion / Res2dinv Thème 2 = « Organisation et fonctionnement hydrique des couvertures d’altération, des dépôts alluviaux et des sols » devient dans.
Modélisation causale multiphysique
Propagation d’une onde thermique dans une barre
Master professionnel Statistique, informatique et techniques numériques (SITN)
La Bioinformatique à Nancy
Les réseaux de neurones
Simulateur.
La corrélation et la régression
La corrélation et la régression
Un algorithme de prédiction de lheure darrivée de bus utilisant un système de localisation automatique.
Titre : Implémentation des éléments finis en Matlab
Détection du meilleur format de compression pour une matrice creuse dans un environnement parallèle hétérogène Olfa HAMDI-LARBI.
Approches non intrusives des éléments finis stochastiques
Problèmes inverses en électroencéphalographie
Filtrage de Kalman et aperçu probabiliste
Soutenance de stage 16 Mai au 5 Août 2011
Probabilités et Statistiques
Apprentissage Statistique et Techniques de Ré-échantillonnage
D1 - 11/01/2015 Le présent document contient des informations qui sont la propriété de France Télécom. L'acceptation de ce document par son destinataire.
Chapitre 3-B : AUTOMATIQUE : LES S.L.C.I.
26 Juin 2009 Simulation Dynamique de Procédés Cryogéniques VASSEUR Julien – Promotion 2009 – I5 Majeure GSP Switzerland – CERN – Section TE/CRG/ Control.
10 février 2006GDR ISIS Journée Localisation et Navigation Projet EGNOS-BUS (Eurêka) André Monin, Wael Suleiman LAAS-CNRS.
Amélioration de la simulation stochastique
Réseaux de neurones artificiels « programmation par l’exemple »
Smart Building Antoine Delley, Urs Grossenbacher, Julien Jeanneret, Andres Perez-Uribe, Stéphane Pierroz © IT Valley | Equipe Smart Building |
Probabilités et Statistiques Année 2010/2011
Conception d’un asservissement
Probabilités et Statistiques
Plan de la séance 5. Deux grands thèmes L’analyse du risque, l’emploi de la simulation et du L’optimisation, la programmation linéaire.
Sujet 5 : Intégration d’une loi d’ordonnancement dans un modèle
Méthode des moindres carrés (1)
Modélisation et simulation
la reconnaissance de visages
Observateurs et filtre de Kalman
Simulation de robots en MATLAB Fabrice LE BARS. Simulation de robots en MATLAB 01/06/  Modélisation de systèmes avec des équations d'état Le fonctionnement.
1 EDF Electricité de France novembre 2003Journées scientifiques GdR MOMAS GdR MOMAS – Pourquoi ?  Echanger les informations entre les acteurs du.
Transcription de la présentation:

Présentation de la société, des logiciels et des services patrice.kiener@netral.com

Editeur de logiciels en statistique non-linéaire + Conseil, Etudes et Formation en : Modélisation, analyse de sensibilité, simulation et optimisation de phénomènes statiques ou dynamiques décrits par : - des modèles physiques de connaissance - des modèles boite noire (réseaux de neurones) - des équations différentielles ordinaires Réduction du nombre d’essais : Plans d’expériences pour modèles non-linéaires Estimation précise des quantiles et indices de capabilité des distributions non-gaussiennes Génération automatique de code C pour tout modèle non-linéaire algébrique et EDO. Neuro One est une toolbox de Matlab et de Maple

Réseaux de neurones : Exemple NEURO ONE Modélisation, analyse de sensibilité et calcul inverse + Algorithme d’apprentissage Gradient !

Exemple NEURO PEX Plans d‘expériences pour réseaux de neurones  les points optimaux sont situés là où la variance est la plus élevée

Exemple NEURO PEX Plans d‘expériences pour équations différentielles Cinétique chimique A  B  C [A], [B], [C] 1, 1, 2, 2 Solution via DLL dédiée 4 points optimaux t = 0,5 t = 2,4 t = 7,7 t = 20

Exemple NEURO PROBA Ex. 2 : ST-MICROELECTRONICS / 90nm L’estimation des quantiles et indices de capabitié est cruciale en fiabilité Cpk-Gauss = 2,19 Cpk-RN = 1,30 (seuil 0/1 = 1,65) NEURO PROBA dispose d’un algorithme de calcul inverse pour simuler des phénomènes aléatoires

Exemple NEURO CODE Générateur automatique de code C Tout modèle de connaissance non-linéaire Tout réseau de neurones Le logiciel Neuro Code génère en moins de 10 s 3000 lignes de code C : Fonction de transfert Intervalles de confiance Algorithme d’apprentissage (Levenberg-Marquardt)

Applications TOTAL Modélisation et optimisation de procédés : Indices d’octane (2002-2003) Capteurs virtuels en remplacement de capteurs coûteux Colonnes à distiller chez Bluestar Silicones ex-Rhodia Saint-Fons (2004) Contrôle-commande : Modèles non-linéaires et réseaux de neurones directement implémentés dans des automates programmables (tests en cours avec la carte AIDIAG de Prosyst sur les automates Schneider Premium) Par exemple pour de la commande prédictive Identification des expériences/modèles en catalyse Plans d’expériences Expériences réelles Simulation numérique en exploration pétrolière (combiné avec du krigeage)

Merci de votre attention patrice.kiener@netral.com Tel : 01.46.38.75.12