Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Filter designFilter design is the process of designing a signal processing filter that satisfies a set of requirements, some of which may be conflicting. The purpose is to find a realization of the filter that meets each of the requirements to a sufficient degree to make it useful. The filter design process can be described as an optimization problem where each requirement contributes to an error function that should be minimized. Certain parts of the design process can be automated, but normally an experienced electrical engineer is needed to get a good result.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Crystal filterA crystal filter allows some frequencies to 'pass' through an electrical circuit while attenuating undesired frequencies. An electronic filter can use quartz crystals as resonator components of a filter circuit. Quartz crystals are piezoelectric, so their mechanical characteristics can affect electronic circuits (see mechanical filter). In particular, quartz crystals can exhibit mechanical resonances with a very high Q factor (from 10,000 to 100,000 and greater – far higher than conventional resonators built from inductors and capacitors).
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Filtre (optique)vignette|Filtre optique pour la photographie. En optique, un filtre est un dispositif qui laisse passer une partie du rayonnement lumineux, sans autrement affecter son cheminement. Les filtres sont utilisés en photographie, dans de nombreux instruments d'optique comme ceux utilisés en astronomie, ainsi que pour l'éclairage de scène de spectacle. On distingue trois procédés de filtrage : le filtrage par absorption transmet ou absorbe le rayonnement selon sa longueur d'onde dans le vide.
Neurostimulationvignette|Implant cochléaire un appareil électronique qui stimule le nerf auditif grâce à des électrodes placées dans la cochlée de l'oreille interne, permettant à certaines personnes gravement sourdes de percevoir les sons. Pour les personnes souffrant de perte auditive sévère à profonde, les appareils auditifs implantables comme les implants cochléaires peuvent être une solution efficace La neurostimulation est la stimulation d'un nerf ou de plusieurs nerfs, de la moelle épinière ou d'une partie du cerveau (système nerveux central) à l'aide de neurostimulateurs.
Linear time-invariant systemIn system analysis, among other fields of study, a linear time-invariant (LTI) system is a system that produces an output signal from any input signal subject to the constraints of linearity and time-invariance; these terms are briefly defined below. These properties apply (exactly or approximately) to many important physical systems, in which case the response y(t) of the system to an arbitrary input x(t) can be found directly using convolution: y(t) = (x ∗ h)(t) where h(t) is called the system's impulse response and ∗ represents convolution (not to be confused with multiplication).
Single-unit recordingIn neuroscience, single-unit recordings (also, single-neuron recordings) provide a method of measuring the electro-physiological responses of a single neuron using a microelectrode system. When a neuron generates an action potential, the signal propagates down the neuron as a current which flows in and out of the cell through excitable membrane regions in the soma and axon. A microelectrode is inserted into the brain, where it can record the rate of change in voltage with respect to time.
Signal électriquevignette|Signaux électriques sur l'écran d'un oscilloscope : signal rectanglaire (haut), signal harmonique ou sinusoïdal (bas). Un signal électrique est une grandeur électrique dont la variation dans le temps transporte une information, d'une source à une destination. La grandeur électrique que l'on considère pour la transmission et le traitement du signal peut être directement la différence de potentiel ou l'intensité d'un courant électrique ; ou bien une modulation de l'amplitude, de la fréquence ou de la phase d'une variation périodique de ces grandeurs, qu'on appelle porteuse ; dans les communications numériques par modem des règles complexes régissent la modulation afin d'occuper au mieux la largeur de bande allouée.
