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 />
2. Modèle à dynamique chaotique propre<br />
Afin d’obtenir un comportement dynamique du neurone, et au-delà de l’utilisation<br />
d’une mémoire dans le neurone, certaines études proposent d’utiliser des neurones à<br />
comportement chaotique propre. L’intérêt de cette utilisation est d’implanter à l’échelle<br />
du neurone, les principes d’utilisation du chaos comme ‘filtre de nouveauté’ (p.52).<br />
Cette approche, utilisée par [[104]],<br />
consiste à réaliser un neurone<br />
possédant une boucle de<br />
rétroaction, qui génère une sortie<br />
chaotique du neurone, de la même<br />
façon qu’une fonction itérée du type<br />
de celle de Hénon. L’équation de<br />
l’évolution du neurone est :<br />
å<br />
h () t = w x () t<br />
i ij j<br />
j<br />
( )<br />
x ( t+ 1) = 1-4h () t x () t 1-x<br />
() t<br />
i i i i<br />
ce qui correspond à l’équation<br />
logistique :<br />
( )<br />
xt ( + 1) = 4axt () 1-xt<br />
()<br />
Ainsi, ce réseau s’apparente à une<br />
assemblée de dynamiques<br />
chaotiques, dont le paramètre de<br />
bifurcation de chaque site est modifié par l’état du réseau.<br />
3.2.3 Architecture du réseau<br />
Figure 3-3 : Carte de bifurcation du modèle logistique<br />
Cette carte trace pour chaque valeur du paramètre<br />
de contrôle du système, l’ensemble des valeurs prises<br />
après la phase de régime transitoire. En augmentant<br />
ce paramètre, le système passe d’un point fixe vers<br />
un cycle d’ordre 2, puis 4, 8, et finit par atteindre des<br />
régimes chaotiques.<br />
Comme nous l’avons vu auparavant, de nombreux modèles de neurones ont été<br />
développés afin d’obtenir des réseaux neuronaux allant des réseaux à mémoire, dont l’activité<br />
s’éteint après stimulation, jusqu’aux réseaux à dynamique interne chaotique. en passant par les<br />
réseaux à rétroaction,<br />
Dans le cas où la dynamique du neurone isolé ne possède que des points fixes,<br />
l’architecture du réseau permet néanmoins d’obtenir en général une dynamique globale du réseau,<br />
via les rétroactions de certains neurones sur d’autres. De cette façon, les neurones couplés voient<br />
leur dynamique individuelle entretenue par la dynamique globale du réseau.<br />
Comme, à ce jour, aucune évidence biologique n’a vraiment été démontrée de rétroaction<br />
possible d’un neurone sur lui-même, ni, en général, de l’observation d’une dynamique individuelle<br />
complexe dans un neurone isolé, nous éliminerons les architecture de ce type. Nous nous<br />
limiterons donc, dans la liste des modèles présentés précédemment, aux modèles de neurones à<br />
mémoire, qui forment le type de modèles le plus général. Mais reste le choix de l’architecture, qui<br />
peut entretenir une dynamique du réseau, en l’absence de tout stimulus externe, afin de respecter<br />
l’idée, présentée au début de cette thèse, d’un système en interaction et co-évolution dynamique<br />
avec son environnement.<br />
MODELES CONNEXIONNISTES DYNAMIQUES 69