Thèse Sciences Cognitives - Olivier Nerot

Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents
De plus, afin de faciliter les capacités d’évolution du programme, un macro-langage a
été développé, qui permet de décrire de nouvelles fonctions d’initialisation et
d’apprentissage. Il suffit que l’utilisateur décrive sa fonction dans certaines parties du
programme, pour que ces nouvelles fonctions soient intégrées à l’interface, et
deviennent fonctionnelles.
6.3.3 Analyse du réseau
La deuxième fenêtre de la Figure 6-2 donne l’accès à la gestion des outils de
visualisation de l’évolution du réseau simulé. Grâce à celle-ci, l’utilisateur peut ouvrir de nouvelles
fenêtres qui visualisent différentes mesures sur le réseau : sorties, fft, attracteurs...
1. Sorties du réseau
La fenêtre principale de cette analyse visualise les sorties du réseau, en rouge pour
les sorties à +1 et en bleu pour les sorties à -1. Parfois, pour des dynamiques très lentes,
cette représentation n’est pas suffisante, car les couleurs varient peu. Pour palier cette
insuffisance, nous avons ajouté une fenêtre de visualisation de l’activité du réseau.
Celle-ci affiche selon les mêmes couleurs, la moyenne temporelle de la variation des
sorties, renormalisée par l’activité maximale du réseau. Ainsi, pour des sorties xi(t), on
affiche :
A¢
i()
t
Ai()
t =
max ()
( A¢
t )
i i
xi( t) -xi( t-m) avec A¢
i()
t =
m
Figure 6-9 : Affichage des sorties
De cette façon, même de faibles variations des xi(t) sont visualisées. De cette façon, il
est possible de voir l’évolution des zones de plus grande variation des sorties (à droite
de la Figure 6-9). D’autres fenêtres d’ana-lyse sont accessibles. Selon le même principe,
l’utilisateur peut afficher la fréquence maximale de la transformée de Fourier de la
dynamique de chaque neurone, la puissance ou la phase pour la fréquence de son choix.
Ces outils seront utilisés dans les analyses du prochain chapitre.
UN MODELE CONNEXIONNISTE DE LA MEMOIRE 135