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.
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
3. MODELES CONNEXIONNISTES DYNAMIQUES<br />
3.1 Introduction<br />
Une fois le choix posé de l’utilisation de modèles connexionnistes pour l’encodage par les<br />
dynamiques, et après avoir déterminé le rôle souhaité de ces dynamiques, il reste l’insoluble<br />
problème du choix du réseau : en effet, ces dernières années, la profusion des modèles a entraîné<br />
une certaine confusion 24 .<br />
Afin de clarifier le problème, nous nous limiterons dans notre propos aux modèles<br />
possédant des capacités de comportement dynamique, et les classerons en deux groupes : ceux<br />
dont les éléments possèdent une dynamique propre, et ceux dont le comportement dynamique<br />
provient de leur architecture, le caractère dynamique pouvant être considéré comme émergent,<br />
puisque c’est l’organisation de niveau supérieur (l’architecture) du réseau qui permet d’avoir une<br />
dynamique entretenue. Il s’ensuivra naturellement un classement équivalent portant sur les<br />
architectures en tentant de déterminer lesquelles engendrent des comportements dynamiques.<br />
A partir de ce classement, nous essaierons de synthétiser la liste des paramètres<br />
principaux influençant les dynamiques, afin d’obtenir le modèle le plus général possible, pour les<br />
implanter dans l’outil informatique(Chap. 6 Développement informatique du modèle, p.128), et en<br />
tester le comportement dans un second temps, en tentant de quantifier l’influence des paramètres<br />
sur les dynamiques neuronales (7Dynamiques observées et expérimentées143), et leur rôle<br />
possible dans le modèle théorique proposé (Chap.5, Un modèle connexionniste de la mémoire,<br />
p.95).<br />
3.2 Modèles à comportement dynamique<br />
3.2.1 Modèle de neurone sans dynamique propre<br />
1. Modèle non linéaire à seuil<br />
Ce modèle est le plus utilisé et le plus commun à l’ensemble des réseaux actuellement<br />
MODELES CONNEXIONNISTES DYNAMIQUES 65