Thèse Sciences Cognitives - Olivier Nerot

Recommendations

Info

Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents [[104]] Shin Ishi. Kenji Fukumizu. Sumio Watanabe. A network of chaotic elements for information processing. Neural Networks. Vol. 9. No 1.p25-40. (1996) [[121]] E. Labos. Chaos and neural networks. [[142]] Shigetoshi Nara, Peter Davis, Hiroo Totsuji. Memory search using complex dynamics in a recurrent neural network model. Neural Networks. Vol. 6. p963-973. (1993) [[157]] Pinaki Poddar, K. P. Unnikrishnan. Memory neuron networks : A prolegomenon. General motors research laboratories. CMR-7493. 21 octobre. (1991) [[164]] Steve Renals. Chaos in neural networks. Eurasip Workshop, 90-99. (1990) [[166]] Eric Ronco, Peter Gawthrop. Modular neural networks : a state of the art. Technicalre-port CSC- 95026. (1995) [[169]] Toshimichi Saito. Chaos and fractals from forced artificial neural cell. IEEE TNN. Vol.4.No.1. (1993) [[180]] Christine A. Skarda, Walter J. Freeman (wfreeman@garnet.berkeley.edu). How brains make chaos in order to make sense of the world. Behavioral and Brain <strong>Sciences</strong>. 10. pp 161-195. (1987) [[198]] Fu-Sheng Tsung(tsung@cs.ucsd.edu), Garrison W. Cottrell (gary@cs.ucsd.edu). Hopf bifurcation and hopfhopping in recurrent nets. [[218]] Yong Yao, Walter J. Freeman (wfreeman@garnet.berkeley.edu). Model of biological pattern recognition with spatially chaotic dynamics. Neural Networks. Vol. 3. pp 153-170. (1990) 78 PREMIERE PARTIE : ANALYSE
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents 4. APPRENTISSAGE DANS LES RESEAUX RECURRENTS La mémoire est une forme de l’habitude, et l’habitude est une caractéristique du système nerveux, bien qu’elle puisse exister ailleurs, par exemple dans un rouleau de papier qui s’enroule à nouveau une fois déroulé. Bertrand Russell. Science et Religion. p 98 4.1 Introduction : Reproduire un état passé Qu’est-ce qu’apprendre ? Est-ce la capacité de reproduire une information enregistrée ? Dans ce cas, une cassette audio ou vidéo, une mémoire d’ordinateur, ou même une feuille blanche sont douées de capacité d’apprentissage. Doit-on ajouter à la définition d’apprentissage des notions de plus haut niveau comme celles de classification, d’organisation, ou d’agencement des données apprises ? Dans ce cas, une base de données vérifie ces propriétés. Faut-il alors qu’il y ait réutilisation des données apprises pour la résolution de tâches complexes ? Où s’agit-il d’un phénomène d’aussi bas niveau que celui du papier qui s’enroule de nouveau ? Il semble qu’existent plusieurs définitions de l’apprentissage, chacune caractérisant un type particulier de l’utilisation de la mémoire : mémoire de travail, mémoire échoïque, mémoire de rappel, mémoire de reconnaissance... Mais quelle est la composante commune à ces définitions? Cette composante commune sera l’une des propriétés recherchées dans cette thèse, qui sera ramenée à la définition bas-niveau : Un stimulus est mémorisé par un système si ce système peut reproduire l’état interne qu’il avait lors de la perception de ce stimulus. Cette reproduction d’une information passée doit être possible soit de façon spontanée par le système, soit par présentation partielle ou bruitée de l’état à retrouver. Cette définition du phénomène de mémorisation permet d’utiliser l’ensemble des recherches réalisées dans le cadre de l’apprentissage de séries temporelles : le système doit chercher à reproduire la dynamique dans laquelle une perturbation passée l’a déjà mis. Comme nos réseaux sont récurrents, quelques règles peuvent être proposées, développées ces dernières années, dont les principales sont le Back Propagation Trough Time et le Real Time Recurrent Learning. Malheureusement, ces règles ne sont pas plausibles biologiquement. Nous essaierons donc de décrire les bases de ces règles, APPRENTISSAGE DANS LES RESEAUX RECURRENTS 79
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: 28 Mémorisation par forçage des d
Page 30 and 31: Mémorisation par forçage des dyna
Page 77: Mémorisation par forçage des dyna
Page 128 and 129:
128 Mémorisation par forçage des
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
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:
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?