Thèse Sciences Cognitives - Olivier Nerot

134
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
3. Paramétrisation en temps réel
Figure 6-8 : Accès aux paramètres du neurone
La fenêtre Paramètres (à droite sur la Figure 6-8), liste l’ensemble des paramètres du
modèle de neurone choisi. Ainsi, par exemple, si l’utilisateur utilise pour le vecteur poids
W, le kernel ()66:
m
wij m
ij ij
= ( 1-m ) m ,
seul le paramètre m ij sera listé et représenté dans la liste des paramètres de la fonction
H. Ce principe permet de tester différents modèles généraux, et l’influence de chacun de
leurs paramètres. D’autre part, ceci économise de la mémoire, moyennant un temps de
calcul plus long, lorsqu’un seul processeur simule plusieurs neurones : la mémoire est
allouée pour un seul vecteur W par processeur, et celui est recalculé pour chaque
neurone. Seuls les paramètres sont mémorisés.
En sélectionnant l’un de ces paramètres dans la liste, l’utilisateur a accès à la fenêtre de
modification de ce paramètre. Il peut choisir la valeur minimale et maximale de celui-ci,
sa valeur pour la synapse sélectionnée. A chaque paramètre sont accrochées deux
fonctions. La première est la fonction d’initialisation, qui fixe la valeur initiale du
paramètre : ceci automatise le procédé d’initialisation, en évitant de devoir rentrer
chaque paramètre à la main. Cette fonction détermine, à partir des coordonnées du
neurone et de la synapse, la valeur du paramètre. La deuxième fonction est la fonction
d’apprentissage, qui, à chaque itération, modifie la valeur des paramètres de chaque
neurone et de chaque synapse. Cette fonction peut être elle-même paramétrée. De cette
façon, il est possible de tester successivement plusieurs règles d’apprentissage sur une
même architecture neuronale.
TROISIEME PARTIE : RESULTATS