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.
86<br />
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
Cet algorithme peut être vu aussi comme un déploiement du réseau sous forme<br />
d’architecture feed-forward : l’évolution du réseau récurrent pendant K itérations est alors<br />
ramené à son équivalent feed-forward à K couches.<br />
4.4.3 Real time recurrent learning<br />
1. Dans le cas discret<br />
L’algorithme précédent est peu plausible biologiquement : l’apprentissage remonte<br />
dans le passé du réseau pour déterminer l’influence qu’a eu chaque poids synaptique sur<br />
l’erreur moyenne finale. Il nécessite donc, si l’on veut réaliser un apprentissage optimal,<br />
de mémoriser l’ensemble des variables du réseau pendant toute son évolution.<br />
Cette contrainte est atténuée dans l’approche utilisée par Williams et Zipser<br />
[[213]][[214]][[215]][[216]][[221]][[222]].<br />
k<br />
Leur approche consiste à fabriquer une variable pij ()qui t mémorise à chaque pas de<br />
temps, l’influence du poids w ij sur la sortie x k du neurone k . L’intérêt de cette approche<br />
k<br />
est que les pij ()sont t calculables de façon itérative, et il n’est donc plus nécessaire,<br />
comme dans le cas du BPTT, de mémoriser tout le passé du réseau.<br />
Pour calculer de façon itérative l’influence de chaque poids du réseau sur l’erreur<br />
instantanée, nous avons :<br />
E æ1<br />
= ç -<br />
w w è2kÎS<br />
ij ij<br />
x<br />
Soit, en posant : p t<br />
w t<br />
k k<br />
ij () = ()<br />
<br />
<br />
ij<br />
å(<br />
x$ k () t xk() t )<br />
å(<br />
x$() kt xk() t )<br />
=- -<br />
kÎS E<br />
w<br />
ij<br />
S<br />
=-<br />
kÎSS PREMIERE PARTIE : ANALYSE<br />
S<br />
x<br />
w<br />
k<br />
å ek() t pij () t<br />
k<br />
Il est alors possible de calculer les pij ()de t façon itérative. En effet :<br />
k xk( t + 1) xk( t+<br />
1)<br />
hk() t<br />
pij ( t+<br />
1)<br />
= =<br />
= s¢<br />
w h () t w<br />
ij<br />
æ xl() t<br />
ö<br />
= s¢<br />
( hk() t ) å ç<br />
çwkl<br />
+ dikdljxl() t ÷<br />
l Sè<br />
w<br />
÷<br />
Î ij<br />
ø<br />
æ xl() t ö<br />
= s¢<br />
( hk() t ) å ç<br />
çwkl<br />
+ dikxj()<br />
t ÷<br />
l Sè<br />
w ÷<br />
Î ij ø<br />
k<br />
ij<br />
k<br />
ij<br />
2<br />
ö<br />
÷<br />
ø<br />
( hk() t ) å<br />
lÎS <br />
( w x () t )<br />
kl l<br />
w<br />
ij