Controle neuro-flou robuste des systèmes non-linéaires

Chapitre 11 :  Les réseaux de neurones

II.2 Le neurone :

Ce neurone artificiel est une simplification extrême du neurone biologique dont le comportement temporel . C'est pourtant ce neurone simplifié , qui est utilisé encore aujourd'hui dans la plupart des systèmes mettant en oeuvre des réseaux neuronaux sur des applications .

Le modèle du neurone formel se comporte comme un opérateur effectuant une somme pondérée de ses entrées, suivie d'une non linéarité appelée fonction d'activation.

Si la somme pondérée de ses entrées dépasse un certain seuil qui est la propriété de la fonction d'activation , le neurone est activé et transmet une réponse dont la valeur est celle de son activation , sinon il ne transmet rien.

Sa structure est la suivante [30] :

W_1j W_0J = O_J

X_1j

W_2j

X_2j F(S_J) Y_j

W_3j

X_3j

synapse corps cellulaire axone

Figure II.1 : Model artificiel d'un neurone

La sortie du neurone est définie par la relation suivante :

Y_j = F ( ?ⁿ_i=1 (W _{i j} * X _i ) - O j ) . ( II . 1 )

Avec :

X_1j , ........, X _{n j} : les entrées .

W_1j , ......., W _{n j} : les poids synaptiques .

S _j : La somme des sorties des neurones connectés au neurone.

W_0j = O _j : La valeur du seuil interne du neurone.

II.3 Quelques exemples de fonctions d'activation [31] :

Les fonctions d'activation représentent généralement certaines formes de non linéarité, nous citrons quelques exemples :