Simulation de réseaux de neurones

Abstract

Sous le terme de réseaux de neutrones, on regroupe aujourd’hui un certain nombre de modèles dont l’intention est d’imiter quelques fonctions du cerveau humain en reproduisant certaines de ces structures de base [11]. Historiquement, les origines de cette discipline sont très diversifiées. En 1943, Mc Colloch et Pitts étudièrent un ensemble de neurones formels interconnectés, et montrèrent leurs capacités à calculer certaines fonctions logiques. En 1949, Hebb, dans une perspective psycho-physiologique, souligna l’importance du couplage synaptique dans les processus d’apprentissage en 1958, Rosenblatt décrivit le premier modèle opérationnel de réseaux de neurones, mettant en œuvre les idées de Hebb, Mc Culloch et Pitts. Il introduisait le Perceptron inspiré du système visuel, capable d’apprendre à calculer des fonctions logiques en modifiant les connexions synalitiques. Ce modèle suscita beaucoup de recherches et sans doute trop d’espoirs. Lorsque deux mathématiciens, Minsky et Papert, démontrèrent en 1969 les limites théoriques du perceptron. Les chercheurs se désintéressent des réseaux de neurones pour se tourner vers l’approche symbolique de l’intelligence artificielle, qui semblait beaucoup plus prometteuse. Le renouveau actuel des réseaux de neurones est du à des contributions originales des réseaux de neurones avec certains systèmes physiques, a permis de leur appliquer un formalisme riche et bien maîtrisé.En 1985, des nouveaux modèles mathématiques, tel que la reproduction du gradient, ont permis de dépasser les limites du perception. Actuellement les premières applications pratiques des réseaux de neurones commencent à voir le jour. Cette discipline concerne un public de plus en plus large d’étudiants, de chercheurs, d’ingénieurs et d’industriels. Plusieurs articles ont été publiés sur ce sujet, dans des revues de biologie, de mathématique, de physique et d’électronique. Chacun abordant le problème dans le cadre de sa spécialité. L’intérêt porté aujourd’hui aux réseaux de neurones tient sa justification dans les quelques propriétés qu’ils possèdent et que devrait permettre de dépasser les limitations de l’informatique traditionnelle. Ce nouveau mode de traitement de l’information parait très prometteur pour résoudre un certain nombre d’application jusqu’alors très difficiles. Parmi les propriétés, il faut citer: - Le parallélisme qui permet d’obtenir des temps de réponses extrêmement rapides. - L’apprentissage à partir d’exemples et la généralisation aux cas non appris. - La résistance aux bruits dans l’information reçue. - La tolérance aux défauts. Bien que le passage de la situation à l’implantation sur Hardware n’en est encore qu’à ses débuts, les réseaux de neurones commencent à être réalisés en VLSI [21]. Les domaines d’applications privilégiés sont la reconnaissance des formes (vision, caractères manuscrits), le traitement du signal, la classification, robotique et la reconnaissance de la parole. Mon travail s’inscrit dans le cadre du projet de recherche: « Développement d’un système de réseaux de neurones appliqué au traitement des signaux sismiques » [N°: JO 901/01/05/92]. Il consiste à simuler deux modèles de réseaux de neurones: - La mémoire associative (modèle de Hopfield). - Le perceptron multicouches (réseau MLP). Dans notre application, les réseaux subissent l’apprentissage de quelques caractères arabes représentés numériquement, soit directement par les états de tous les pixels de l’image du caractère (codage rétinien), soit par un codage de l’image par la méthode des moments. Les expériences sont organisées en deux parties: la première sera caractérisée aux mémoires associatives, la deuxième au réseau MLP.