II.6.6 La non-linéarité :
Cette non-linéarité , est parfois récurrente
, autorise les réseaux neuraunos à modélisé des
associations très complexes .
La non-linéaruté de type seuil est
génératrice de capacité de
généralisation : cela est simple
à concevoir , puisque la sortie seuillée d'un neurone ne peu
prendre que deux valeurs alors que cette même sortie non seuillée
est multivaluée .
II.6.7 Certains réseau de neurones sont des
approximateurs parcimonieux :
Le plus souvent , le problème qui se pose à
l'ingénieur est le suivant : il dispose d'un ensembles de variables
mesurées (x) , et d'un ensembles de mesures
(z) d'une grandeur relative à un processus de nature
quelconque ( physique , chimique , économique ....) .
Il suppose qu'il existe une relation entre le vecteur des
variables (x) et la grandeur (z) , et il
Cherche à déterminé une forme
mathématique de cette relation , valable dans le domaine ou les mesures
ont été effectuées .
Sachant que toutes les variables qui déterminent
(z) ne sont pas forcément mesurées .
En d'autre termes , l'ingénieur cherche à
établir un « model » du processus qu'il
étudie , à partir des mesures dont il dispose , et d'elles
seules : on dit qu'il effectue une modélisation
« boite noire » .
Exemple :[36]
Considérons le model neuronal représenté sur
la figure , dont l'équation est :
G(x) = 0.5-2.th(10.x+5)+3.th(x+0.25)-2.th(3.x-0.25) . (1)
g
-2 3 -2 0.5
10 5 1 0.25 3 -0.25
x 1
Figure
II.5 : model neuronal représentant l'équation
(1)
Chapitre 11 : Les réseaux de
neurones
| 
