II.6.Structure à fonction de base radiale RBF
:
L'utilisation du réseau précédent
nécessite une structure riche en perceptrons .En tou rigueur, les
réseaux à RBF peuvent être aussi parcimonieux que les
réseaux à perceptrons, ma
W(k)) »et le biais B
non linéaire.
L'algorithme d'apprentissage que nous avons utilise est celui
de la descente du gradient cet algorithme consiste à réduire une
fonction, se rapportant la moyenne des carres des erreurs il permet la mise a
jour de la matrice Z(k) constituée des paramètres suivants :
Z(k)=[W(k),ó(k),c(k),b(k)] (II-11)
Ou :
W(k), B(k), C(k), 1 (k) correspondent respectivement aux
poids synaptiques, biais, centre, et largeur de la fonction d'activation. La
variation ?Z(k) ainsi que sa mise a jour Z (k+1) sont données par les
relations ci-dessous suivantes [2] :
?z(k)=-????
|
????(??)
(II-12)
????
|
|
Z (k+1)=z(k)-???? ??l??)
(II-13)
II.7. Propriété des réseaux de
neurones :
L'intér~t porté aujourd'hui aux réseaux
de neurones tient sa justification dans les quelques
propriétés intéressantes qu'ils possèdent et qui
devraient permettre de dépasser les limitations de l'informatique
traditionnelle, tant au niveau programmation qu'au niveau machine [11].
II.7.1 Le parallélisme :
Cette notion se situe à la base de l'architecture des
réseaux de neurones considérés comme ensemble
d'entités élémentaires travaillant simultanément.
Par l'étude du fonctionnement des réseaux de neurones, on
pourrait aboutir à des nouvelles techniques de formalisation de
problème qui permettraient de les traiter en parallèle [11].
II.7.2 La capacité d'adaptation :
caractérisent aussi par leur capacité d'auto
organisation qui assure leur stabilité en tant que systèmes
dynamiques capables de tenir compte de situations non encore connues [11].
II.7.3 La mémoire distribuée :
Dans les réseaux de neurones, la mémoire
correspond à une carte d'activation de neurones. Cette carte est en
quelque sorte un codage du fait mémorisé ce qui attribue à
ces réseaux l'avantage de résister aux bruits (pannes) car la
perte d'un élément ne correspond pas jà la perte d'un fait
mémorisé.
II.7.4 La capacité de généralisation
:
Cette capacité est important surtout dans le cas oil la
constitution de recueils d'expertise pour un système expert devient
difficile (reconnaissance intuitive ou implicite). Les réseaux
neuronaux peuvent apprendre à retrouver des règles
à partir d'exemple [11].
| 
