Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
164<br />
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
Ainsi, lorsqu’un site a été spécialisé (annexé à un site de forçage), il est plus difficile d’en<br />
modifier les dynamiques, mais, dès que cela a été réalisé, ses dynamiques deviennent<br />
dominantes, et diffusent dans la totalité du réseau. Il y a une forme de ‘fidélisation’ des<br />
sites à leur zone de forçage, et pour les faire ‘changer de camp’, il est nécessaire de les<br />
‘persuader’ par un forçage de plus grande force.<br />
De cette façon, dans les réseaux où il y<br />
a diffusion des dynamiques, il est<br />
possible de spécialiser les neurones à<br />
un site. Dans le cas où il y a plusieurs<br />
sites, ces spécialisations définissent<br />
des modules affectés à chaque site de<br />
forçage. Malheureusement, chaque<br />
neurone n’est affecté qu’à un seul site :<br />
il n’y a pas d’interférence observable<br />
entre les dynamiques qui diffusent. Un<br />
tel réseau ne peut donc pas permettre<br />
d’observer la propriété d’association<br />
modulaire (5.2.3 Association<br />
multimodale des forçages, p.112), à<br />
moins que l’apprentissage ne permette<br />
de réaliser ces interférences, et fasse<br />
diffuser les modules les uns dans les<br />
Figure 7-22 : Apparition d'un vortex<br />
autres. Comme nous le verrons, un<br />
simple apprentissage hebbien peut réaliser ce type de modularisation dans un réseau<br />
forcé, avec une règle dont l’effet s’apparente un peu à celui d’une période réfractaire (8.2<br />
L’apprentissage Hebbien, p.186).<br />
2. Matrice de connexion aléatoire<br />
TYPE LOIS PARAMETRES<br />
Entrées "Î i S , x ( t= t ) = 1<br />
Evolution<br />
T i i<br />
x ( t¹ t ) = 0<br />
i i<br />
N<br />
i = å ij j<br />
j=<br />
1<br />
ht () wx() t<br />
-<br />
e<br />
si() t =<br />
1+<br />
e<br />
10<br />
i å i<br />
k=<br />
0<br />
bhi()<br />
t<br />
-bhi()<br />
t<br />
x () t = s( t-kSk ) ( )<br />
TROISIEME PARTIE : RESULTATS<br />
N=8192<br />
w = A ([ -a;]<br />
1<br />
ij ij<br />
S(0)=1<br />
S(k>0)=-0,1<br />
Afin de mesurer l’effet de la variation des poids, nous avons choisi des poids<br />
aléatoires, répartis uniformément entre -1 et 1, puis nous les avons ramenés dans un<br />
intervalle [-Wmin;1], Wmin>0, par projection de l’intervalle [-1;1] sur [-Wmin;1]. De cette<br />
façon, la configuration générale des poids est respectée, et seule change le taux de