Réseaux de neuronnes

Pages: 16 (3994 mots) Publié le: 17 novembre 2009
• Cerveau humain
– Perception

• Ordinateur
– Incapable de traiter l'information – 109 opérations /s – Traitement séquentiel – Mémoire brute – Techniques d’intelligence artificielle

– 10 opérations /s – Traitement parallèle – Mémoire évoluée – Mécanisme de la pensée et de l'intelligence

mémoire humaine 3D – Mécanisme de mémoire sensible & émotionnelle -

Domaine des sciencescognitives
• Acquisition des connaissances • Adaptation à l'environnement Neuromimétique = Réseaux de neurones = Connexionnisme
Pluri-disciplinaires

Cognition = connaissance Connexionnisme : groupe qui rejete l’idée de copier l’humain

Système de transfert d'énergie

Entrées
dendrites

Somme pondérée
poids synaptiques

Seuil d’activité
transmission ou non du signal

Sortie
axoneneurone = canaux d'entrée (dendrites) + canal de sortie (axone) équivalent à une batterie ou une capa : reçoit de l'énergie, quand il est suffisamment chargé (excité) il envoie une impulsion d'énergie et se décharge différence de potentiel entre l'intérieur et l'extérieur de la membrane de l'axone : 40 à 60 mV au repos - 100mV pendant 1ms vitesse de l'impulsion le long de l'axone : qques 10cm à100m/s des millions de fois moins rapide que les circuits électroniques la décharge d'énergie vers les autres neurones se fait dans les synapses : zones d'influence entre l'axone d'un neurone et la dendrite d'un autre. Pas de contact réel. les synapses servent à limiter + ou - l'amplitude des signaux qui passent d'un neurone vers un autre : excitation = état qui favorise la transmission de l'énergie /inhibition certaines synapses sont prépondérantes dans l'activation des neurones certaines dendrites influencent davantage les neurones à générer une impulsion le neurone est capable de favoriser davantage les synapses qui l'ont stimulé : capable d'apprentissage : il reconnaîtra de + en + vite les signaux d'entrée qui génèrent l'impulsion de sortie

Neurone formel
Modèle de W. Mac Culloch etW. Pitts 1943

x1 xN

p = x1w1 + x2w2 + ... + x NwN p f y y
+1

Fonction signe f(p) Sigmoïde Fonction de probabilité -1

p

Warren S. Mac Culloch neuropsychiatre Walter Pitts logicien modélisation mathématique de la cellule élémentaire du cerveau, inspirée de la biologie mais pas réelle imitation, approximation pas compréhension profonde du système nerveux Sigmoïde : arc tangentehyperbolique qui permet de rendre la fonction seuil linéaire. Plus tard dans le traitement, on a besoin de faire la dérivée X -> entrée W -> Pondération

Réseau de neurones
• Neurones • Architecture
– entièrement connectée – ou à couches (entrée, sortie et couches cachées)

• Règle d'apprentissage Un réseau pour chaque application

La règle d’apprentissage permet de régler les coefficients depondérations de la matrice neuronale. C’est cette pondération qui crée l’intelligence. Toute la question est de savoir comment faire cette pondération

Technologie
• Traitement
– analogique – numérique

• Circuits
– électroniques – optiques Difficile => Simulation

Temps de convergence équivalent

circuits intégrés analogiques AT&T Bell Laboratories, Intel neurones = AO Pb : sensibilitéaux bruits, interfaçage avec les circuits numériques circuits intégrés numériques Hitachi, Philips (LEP), ESPCI précision logique câblée Pb : complexité, encombrement -> connectivité incomplète (N connexions pour N neurones au lieu de N2 optique Psaltis et Farhat (California Institute of technology) connectivité complète Pb : interfaçage avec l'informatique difficile de fabriquer un R.N. à causede connexions nombreuses

Historique
– 1958 – 1969 – – – – Perceptron F. Rosenblatt Analyse des propriétés du perceptron

• M. Minsky et S. Papert

Systèmes experts Architectures parallèles 1982 J. Hopfield Multi-couches 1985 Architecture à rétropropagation
• Rumelhart USA • Fogelman - Le Cun France

Perceptron

reconnaissance des formes

objectif ambitieux : "écouter n'importe...
Lire le document complet

Veuillez vous inscrire pour avoir accès au document.

Vous pouvez également trouver ces documents utiles

  • Reseaux-de-neurones
  • Réseaux de neurones
  • Réseaux de neurones et séries temporelles
  • Les réseaux de neurones artificiels
  • Apprentissage automatique : les réseaux de neurones
  • Réseaux de neurones et séries temporelles
  • L’utilisation des réseaux de neurones artificiels en finance
  • Classification de sécurité de réseaux électriques avec un haut niveau de pénétration de production éolienne basée en...

Devenez membre d'Etudier

Inscrivez-vous
c'est gratuit !