Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
132<br />
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
sans information afférente. Dans ce cas, l’utilisateur peut forcer ces synapses à 1, à<br />
0, ou à une valeur aléatoire.<br />
2. Modèle neuronal<br />
Figure 6-5 : Choix du modèle neuronal<br />
Après avoir configuré les paramètres du réseau, l’utilisateur peut modifier le modèle<br />
neuronal utilisé. Il a accès aux trois fonctions du modèle (Entrée, Fonction neurone,<br />
Sortie), et au mode de forçage neuronal (Figure 6-5). Ce forçage peut être situé en<br />
entrée, avant ou après la fonction de sortie. Ce forçage est-il déterministe (suit la<br />
fonction de forçage), ou aléatoire (suit une variable aléatoire). Est-il total (tous les<br />
neurones sont forcés) ou partiel, additif (le forçage s’ajoute à la variable forcée) ou non<br />
(forçage réel) ?<br />
C’est à partir de cette fenêtre que sont ouvertes les fenêtres de modification et de<br />
visualisation des fonctions neuronales H, S et s.<br />
Le principe retenu est le même pour chacune de ces fonctions : l’utilisateur choisit une<br />
fonction, définie à l’avance. Cette fonction est définie par des paramètres qui pourront<br />
être modifiés ensuite soit par l’utilisateur (3 Paramétrisation en temps réel, p.134), soit<br />
par apprentissage. Lors de l’apprentissage, la modification de l’un de ces paramètres<br />
peut déformer la fonction associée. Cette modification des paramètres du réseau est<br />
instantanément répercutée à l’affichage : l’utilisateur peut voir en temps réel l’évolution<br />
des fonctions de n’importe quel neurone ou synapse du réseau.<br />
a.Fonctions H et S<br />
Ces fonctions représentent la mémoire du neurone. H est la fonction du neurone<br />
en entrée, c’est à dire le vecteur W des poids synaptiques en fonction du retard (2<br />
Modèle à mémoire en entrée et sortie, p.121).<br />
Ces deux fenêtres possèdent deux objectifs : elles visualisent la fonction du<br />
neurone ou de la synapse choisie, et permettent donc de voir en temps réel<br />
l’évolution des poids synaptiques durant l’apprentissage. Et en superposition sont<br />
affichés les vecteurs d’entrée ou de sortie, qui seront convolués avec les vecteurs<br />
des fonctions neuronales respectives. Pour changer de modèle, il suffit de cliquer sur<br />
TROISIEME PARTIE : RESULTATS