Documente Academic
Documente Profesional
Documente Cultură
Ralis par
Mrabtei Ayoub
6/14/15
Plan
Introduction
Quelques Elments de la neurobiologie
Les Modules mathmatiques
Architecture du rseau
Apprentissage
Mise en place
Conclusion
6/14/15
Introduction
6/14/15
Approche
base sur la
connaissance
Inspiration de
traitement de
linformation
par le cerveau
Approche
algorithmique
La
construction
de logiciels
Les RNA sont des rseaux
fortement connects de
processeurs lmentaires
fonctionnant en parallle.
Chaque processeur calcule
une sortie unique sur la
base des informations qu'il
reoit
6/14/15
Dfinition
RNA
6/14/15
Intrt
Ils
sinscrivent
dans les
mutations
tech.
La limitation
des
ordinateurs
existants .
La structure des
rseaux de neurones
tant elle-mme
parallle, leur
fonctionnement
prsente de nombreux
avantages:
une vitesse de calcul
accrue, la rsistance
aux pannes locales, et
enfin la rgularit de
la structure
6/14/15
6/14/15
Cellules nerveuses
6/14/15
6/14/15
Apprentissage
Il est caractris par : Un systme initial aux
mcanismes de fonctionnement et au potentiel
dvolution fixs.
lvolution des connexions du rseau .
linteraction entre le monde extrieur et le rseau
.
Lapprentissage
un mcanisme
slectif
. lacquisition de proprits
peut tre
dfinit comme
10
6/14/15
11
6/14/15
12
Fonctionnement interne
dun neurone
Un neurone reoit les signaux d'entre x1, ..., xn .
Ces signaux sont pondrs par des poids w1, ..., wn
.
L'activation du neurone
a= wi.xi
est transmise une fonction
de transition f (non linaire)
paramtre par un seuil w0
Le signal de sortie y = f (a-w0)
est propag aux cellules
suivantes
6/14/15
13
6/14/15
14
Rseaux de neurones
naturels vs. artificiels
rseau naturel
rseau artificiel
fonctionnement du
neurone
ractions chimiques
fonctions
mathmatiques
temps de raction
relativement lent
trs rapide
nombre de neurones
environ 10
entre 10 et 10
nombre de connexions
environ 10
jusqu' 10
6/14/15
15
ARCHITECTURE DE RESEAU
6/14/15
16
Perceptron monocouche
Perceptron multicouche(PMC)
17
Perceptron monocouche
6/14/15
18
Perceptron
multicouche(PMC)
Les neurones sont arrangs par couche. Il n'y a pas de connexion entre
neurones d'une mme couche et les connexions ne se font qu'avec les
neurones des couches avales
6/14/15
19
20
Rseau connexions
6/14/15
21
APPRENTISSAGE
6/14/15
22
Types dapprentissage
Il existe plusieurs types dapprentissage, les plus
utilises sont :
Mode supervis : les exemples sont des couples
(entre, sortie associe).
Mode non supervis: on dispose que des valeurs
(entre).
Apprentissage par renforcement.
Pour ces trois types d'apprentissage, il y a galement un choix traditionnel
entre :
o Lapprentissage << off-line >>
o Lapprentissage << on-line >>
6/14/15
23
Rgles dapprentissage
Rgle de Hebb
Par correction
derreur
Par
comptition
Apprentissage
de Boltzmann
4 rgles
principales
Esprit-Intelligence Artificielle
6/14/15
24
Algorithme dapprentissage
du perceptron
Initialisation des poids et du seuil de petites
valeurs alatoires
Prsenter un vecteur dentres x() et calculer sa
sortie
Mettre jour les poids en utilisant :
wj(t+1) = wj(t) + (d- y) xj
avec d la sortie dsire, w vecteur des poids est une constante
positive ,qui spcifie le pas de modification des poids
6/14/15
25
Apprentissage par
correction d'erreur
26
MISE EN PLACE
6/14/15
27
Prparation des
donnes
Dtermination
des paramtres
Dtermination
des entres et
des sorties
Optimisation du
jeu de donnes
Constitution de
la base
d'exemples
Codage des
entres
Phase
d'apprentissage
6/14/15
28
Les points
forts
Les points
faibles
Souplesse
Codage des
entres
Bonne
rsolution
Lisibilit
Traitement
des variables
continues
Non
optimalit
Outils
disponibles
Performance
6/14/15
29
Domaines dapplication
Arospatial : pilotage automatique, simulation du vol
Automobile : systme de guidage automatique,
Dfense : guidage de missile, suivi de cible,
reconnaissance du visage, radar, sonar, lidar, traitement
du signal, compression de donnes, suppression du
bruit
Electronique : prdiction de la squence dun code,
vision machine, synthtiseur vocal, modle non linaire,
30
Exemple dapplication
Reconnaissance des formes
IL y a plusieurs techniques pour la reconnaissance
de forme ou bien dordre Gnral la classification,
on cite deux mthodes :
La mthode classique :
La premire, la plus classique, consiste simplement mesurer la distance
euclidienne entre limage de test et toutes les images prsentes dans la
base dapprentissage afin den dterminer la plus faible.
6/14/15
31
6/14/15
32
Mthodes modernes ou
par rseau de neurones
La seconde repose sur un rseau de neurone
discriminant.
La mthode du rseau
discriminant repose sur lutilisation
dun unique
rseau de neurones donnant en sortie la classe
dappartenance dune image inconnue en entre.
Il est compos dune couche dentre, dune
couche cache
et de plusieurs sorties pour
autant de personnes discriminer.
6/14/15
33
6/14/15
34
Le temps de calcul
ncessaire
lidentification est
rapide par rapport
a lautre mthode
Cette mthode
ncessite un trs
long apprentissage
qui dpend du
nombre de
neurones sur la
couche cache
6/14/15
35
Conclusion
6/14/15
36
Conclusion
lesrseaux de neurones reposent Prsent sur
des bases mathmatiques solides qui permettent
denvisager des applications dans presque tout
les domaines y compris industriel et grande
chelle, notamment dans le domaine de la
classification.
6/14/15
37
Perspectives
Les rseaux de neurones ont une histoire
relativement jeune (environ 50 ans) et les
applications intressantes des rseaux de neurones
nont vu le jour que depuis une vingtaine danne
(dveloppement de linformatique), et ils ont un
futur trs prometteur, on entend parler (par
exemple) du WEB smantique, RFID, etc.
6/14/15
38
6/14/15
39