Alexandre de Brevern - Thèse de Bioinformatique Moléculaire

réseaux neuronaux artificiels

Ce sont des modèles auto-organisés et connexionnistes. Un réseau d'auto-organisation est un réseau d'éléments de traitements simultanément actifs (nuds et connexions). Les modèles connexionnistes utilisent une information numérique et sont des systèmes dynamiques qui effectuent des calculs analogues à ceux d'un neurone.

Un modèle connexionniste est caractérisé par trois constituants de base: un réseau, une règle d'activation et une règle d'apprentissage.

Le réseau est composé des nuds (unités) connectés par des liens orientés (connexions). La règle d'activation d'un modèle connexionniste est une procédure locale que chaque nud suit en mettant à jour son niveau d'activation en fonction du contexte d'activation des nuds voisins. Deux aspects sont à voir à ce niveau, tout d'abord le parallélisme massif de l'activation qui implique une diffusion de l'activité et le caractère local de l'information traitée par chaque nud.

La règle d'apprentissage est la propriété du réseau à changer son comportement d'après les résultats de ses activations passées. Localement, le poids de la connexion de chaque nud est réévaluée en fonction de sa valeur actuelle et des niveaux d'activations des nuds qu'elles connectent.

Les réseaux linéaires forment une classe particulière de modèles neuronaux (cf fig. 7.2).

  

Figure 7.2: Réseau à deux couches et à circulation de l'information dirigée vers l'avant.

On doit distinguer l'apprentissage supervisé où un règle delta qui minimise l'erreur quadratique est appliquée, le couple entrée-sortie est présenté, la réponse est donc pondérée par rapport aux résultats et l'apprentissage non supervisé où le réseau est simplement exposé aux différents exemples sans aucun type de correction.