Applications de MATLAB 5 et SIMULINK 2 : Contrôle de procédés, Logique floue, Réseaux de neurones, Traitement du signal PDF

Si ce bandeau n’est plus pertinent, retirez-applications de MATLAB 5 et SIMULINK 2 : Contrôle de procédés, Logique floue, Réseaux de neurones, Traitement du signal PDF. En pratique : Quelles sources sont attendues ?


Les réseaux de neurones sont généralement optimisés par des méthodes d’apprentissage de type probabiliste, en particulier bayésien. En modélisation des circuits biologiques, ils permettent de tester quelques hypothèses fonctionnelles issues de la neurophysiologie, ou encore les conséquences de ces hypothèses pour les comparer au réel. Ils constituèrent ensuite un modèle simplifié de neurone biologique communément appelé neurone formel. Le neurone formel est conçu comme un automate doté d’une fonction de transfert qui transforme ses entrées en sortie selon des règles précises.

Une fonction des réseaux de neurones formels, à l’instar du modèle vivant, est d’opérer rapidement des classifications et d’apprendre à les améliorer. Frank Rosenblatt en 1957 avec le modèle du perceptron. Cet article eut du succès pour plusieurs raisons, dont la principale était de teinter la théorie des réseaux de neurones de la rigueur propre aux physiciens. Une révolution survient alors dans le domaine des réseaux de neurones artificiels : une nouvelle génération de réseaux de neurones, capables de traiter avec succès des phénomènes non linéaires : le perceptron multicouche ne possède pas les défauts mis en évidence par Marvin Minsky. Les réseaux de neurones, en tant que systèmes capables d’apprendre, mettent en œuvre le principe de l’induction, c’est-à-dire l’apprentissage par l’expérience. Par confrontation avec des situations ponctuelles, ils infèrent un système de décision intégré dont le caractère générique est fonction du nombre de cas d’apprentissages rencontrés et de leur complexité par rapport à la complexité du problème à résoudre. Grâce à leur capacité de classification et de généralisation, les réseaux de neurones sont généralement utilisés dans des problèmes de nature statistique, tels que la classification automatique de codes postaux ou la prise de décision concernant un achat boursier en fonction de l’évolution des cours.

Si le réseau de neurones fonctionne avec des nombres réels, la réponse traduit une probabilité de certitude. Par exemple : 1 pour  sûr qu’il sera un bon client , -1 pour  sûr qu’il sera mauvais client , 0 pour  aucune idée , 0,9 pour  presque sûr qu’il sera bon client . Le réseau de neurones ne fournit pas toujours de règle exploitable par un humain. Le réseau reste souvent une boîte noire qui fournit une réponse quand on lui présente une donnée, mais le réseau ne fournit pas de justification facile à interpréter. Ces cas doivent être d’autant plus nombreux que le problème est complexe et que sa topologie est peu structurée. Ainsi on peut optimiser un système neuronal de lecture de caractères en utilisant le découpage manuel d’un grand nombre de mots écrits à la main par de nombreuses personnes. Un exemple caricatural, mais significatif est le suivant : disposant en entrée du seul poids d’une personne, le réseau doit déterminer si cette personne est une femme ou bien un homme.

This entry was posted in Etudes supérieures. Bookmark the permalink.