Thèse Sciences Cognitives - Olivier Nerot

Recommendations

Info

136 Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents 2. Analyse fréquentielle du réseau Ces fenêtres sont accessibles par la deuxième fenêtre de la Figure 6-2, et visualisent quelques résultats portants sur la transformée de Fourier de la dynamique individuelle de chaque neurone. Il est ainsi possible de tracer la matrice des fréquences d’intensité maximale, c’est à dire la fréquence principale de chaque neurone, la matrice des isofréquences, qui donne la puissance d’une fréquence donnée pour chaque neurone (Figure 7-3, p.147), et la matrice des isophases, qui donne la phase pour une fréquence donnée (Figure 6-10). Figure 6-10 : Isofréquence et phase du réseau Cette fenêtre affiche en plus le résultat des calculs dans la partie du bas, c’est à dire la phase ou l’intensité en fonction de la fréquence. En cliquant sur la fréquence choisie dans cette fenêtre, la matrice correspondante est affichée. Cela permet de chercher rapidement les clusters fréquentiels pour l’ensemble des fréquences. Le même principe s’applique aux phases. De même, en sélectionnant un neurone dans la fenêtre du haut, la phase ou la puissance de la transformée de Fourier de ce neurone est affichée en bas. Ceci permet de vérifier la sélectivité fréquentielle d’un groupe de neurone. Il suffit en effet de choisir un neurone du groupe, d’en tracer la transformée de Fourier, de choisir sa fréquence principale, et d’en tracer la matrice des isofréquences. Un cluster localisé autour de cette fréquence peut alors être mis en évidence (fenêtre de gauche de la Figure 6-10). 3. Suivi d’un attracteur Lorsqu’une zone d’activité a été isolée, l’utilisateur peut mettre une sonde sur le neurone de son choix, qui enregistre l’activité moyenne autour de la sonde. Cette méthode permet de simuler l’enregistrement d’activité neuronale biologique, qui moyenne l’activité de plusieurs neurones adjacents. TROISIEME PARTIE : RESULTATS
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents L’enregistrement de cette mesure peut alors être représentée sous la forme d’un attracteur, représenté par la méthode des délais. La fenêtre de la Figure 6-11 est celle de la gestion de ces sondes, qui visualise l’attracteur atteint pour la sonde sélectionnée, et permet de changer de sonde, d’en ajouter ou d’en détruire. Pour ajouter une sonde, il suffit d’aller sélectionner le neurone voulu sur l’une des fenêtres affichant l’état du réseau (sortie,fft,activité...). De plus, l’utilisateur peut zoomer sur la fenêtre de visualisation de l’attracteur. Il suffit de définir le rectangle de la partir que l’on souhaite agrandir. Ceci permet de vérifier de visu l’existence de trajectoires proches qui finissent par diverger, en confirmant ainsi la présence d’attracteurs étranges (Figure 7- 15, p.159). 4. Cartes de bifurcation Figure 6-11 : Tracé d'un attracteur Dans le cas où les paramètres du réseau varient, l’attracteur peut être modifié. Dans ce cas, la fenêtre précédente affiche la superposition des attracteurs atteints (Figure 6-12). Par contre, il y a distinction des phases où l’un des paramètres a changé. Ceci permet de tracer a posteriori l’attracteur atteint pour une seule valeur du paramètre choisi. Ainsi, il suffit de sélectionner la valeur de ce paramètre dans la carte de bifurcation de la Figure 6-13, pour que s’affiche dans la fenêtre de visualisation l’attracteur correspondant à cette Figure 6-12 : Succession des attracteurs valeur du paramètre. C’est de cette façon qu’ont été tracés les attracteurs de la Figure 7- 35, qui montrent leur modification d’après la carte de bifurcation du gain de la fonction neurone (Figure 7-34, p.175). Par la première fenêtre (Figure 6-13), l’utilisateur peut modifier les paramètres de la sonde : les facteurs de zoom, les retards pour le plongement de l’attracteur, et la distance à laquelle est réalisé le voisinage. L’utilisateur y UN MODELE CONNEXIONNISTE DE LA MEMOIRE 137
Page 1:
THESE présentée en vue d’obteni
Page 5 and 6:
Mémorisation par forçage neuronal
Page 7 and 8:
Mémorisation par forçage des dyna
Page 9 and 10:
Page 11 and 12:
Page 13 and 14:
Page 15 and 16:
Page 17 and 18:
Page 19 and 20:
Page 21:
Page 24 and 25:
Page 26 and 27:
26 Mémorisation par forçage des d
Page 28 and 29:
Page 30 and 31:
Page 32 and 33:
Page 34 and 35:
Page 36 and 37:
Page 38 and 39:
Page 40 and 41:
Page 42 and 43:
Page 44 and 45:
Page 46 and 47:
Page 48 and 49:
Page 50 and 51:
Page 52 and 53:
Page 54 and 55:
Page 56 and 57:
Page 58 and 59:
Page 60 and 61:
Page 62 and 63:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86: Mémorisation par forçage des dyna
Page 128 and 129: 128 Mémorisation par forçage des
Page 187 and 188:
Page 189 and 190:
Page 191 and 192:
Page 193 and 194:
Page 195 and 196:
Page 197 and 198:
Page 199 and 200:
Page 201 and 202:
Page 203 and 204:
Page 205:
Page 208 and 209:
208 Mémorisation par forçage des
Page 210 and 211:
Page 212 and 213:
Page 214 and 215:
Page 216 and 217:
Page 218 and 219:
Page 220 and 221:
Page 222 and 223:
Page 224 and 225:
Page 226 and 227:
Page 228 and 229:
show all

Thèse Sciences Cognitives - Olivier Nerot

Create successful ePaper yourself

Delete template?

Save as template?