3. Présentation
des ondelettes multidimensionnelles
Dans le cadre de la modélisation, il est
fréquent d'avoir affaire à des processus multivariables, il est
donc utile d'introduire la notion d'ondelette multidimensionnelle.
On peut définir une ondelette multidimensionnelle comme
le produit d'ondelettes unidimensionnelles : on dit alors que les ondelettes
sont séparables [45]. Dans ce cas, l'expression d'une ondelette
multidimensionnelle est :
Où est la kième composante du vecteur
d'entrée x, et Zjk la composante
centrée par mjk et dilatée d'un facteur
djk. Il a été montré que ces
ondelettes multidimensionnelles sont des frames à structures obliques de
L2( ).
Figure 2.3: Exemple d'une
ondelette 2D
4. La transformée en ondelettes
De manière analogue à la théorie des
séries de Fourier, les ondelettes sont principalement utilisées
pour la décomposition de fonctions.
La décomposition d'une fonction en ondelettes consiste
à l'écrire comme une somme pondérée de fonctions
obtenues à partir d'opérations simples (dilatation,
translation,...) effectuées sur une fonction principale :
l'ondelette mère.
Selon que ces translations et dilatations sont choisies de
manière discrète (ne veut pas dire, nécessairement, des
entiers) ou continue, on parle d'une transformée en ondelettes continue
ou discrète.
a. La transformée en ondelettes
continues :
Une transformée en ondelettes est dite continue lorsque
les paramètres structurels des fonctions utilisées,
c'est-à-dire les translations et les dilatations, peuvent prendre
n'importe quelle valeur réelle de (les dilatations doivent néanmoins
être positives).
Pour que la transformée en ondelettes d'une fonction
existe, il faut que cette fonction appartienne à l'ensemble des
fonctions de carré sommable que l'on note par
L2( ). Autrement dit, il faut que son carré soit fini. Cette
condition se traduit par [41] :
Dans ces conditions, la transformée en ondelette
continue de la fonction f est définie comme le produit scalaire
de f et de l'ondelette :
La reconstruction de la fonction f à partir de
sa transformée est possible, lorsque le critère
d'admissibilité (2.10) est vrai, à partir de la
transformée inverse :
b. La transformée en ondelettes
discrètes
Une transformée en ondelettes est dite discrète
lorsque les valeurs des translations et des dilatations sont discrètes
(pas nécessairement entières).
Soit une ondelette mère. Une famille d'ondelettes, obtenue à
partir de , est donc entièrement connue par la donnée du
triplet , où a détermine l'échelle des dilatations
et b détermine le pas des translations.
Les études ont montré que l'expression d'une
ondelette dans un contexte de transformée continue ou discrète
est la même, avec une dépendance entre la translation et la
dilatation dans le cas de la transformée discrète, alors que ces
quantités sont indépendantes dans le cas de la transformée
continue [41].
Il est connu que la représentation de l'équation (2.13) est très redondante
et que l'espace continu peut être discrétisé sans perte
d'informations. Dans l'équation (2.14), le double intégral est
remplacé par une double somme.
Une transformée en ondelettes discrètes à
deux dimensions peut être accomplie en exécutant deux
transformées unidimensionnelles séparées. En premier,
l'image (signal 2D) est filtrée horizontalement (suivant l'axe des x) et
divisée par deux. Par la suite la sous-image sera filtrée
verticalement (suivant l'axe des y) et divisée par deux.
On obtient alors une image composée de quatre bandes
après une décomposition à un seul niveau.
c. Les avantages de la transformée en
ondelettes :
Le fait que la transformée utilise des fonctions bien
localisées dans le plan temps-fréquence lui donne beaucoup
d'avantages [45] :
- La résolution en fréquence de la
transformée dépend du facteur de dilatation par le principe de
Heisenberg, on peut donc choisir arbitrairement celle-ci suivant ce que l'on
désire analyser.
- Pour des signaux physiques présentant des variations
très rapides et des discontinuités, l'analyse en ondelettes est
adaptée car l'ondelette va détecter ces variations et les
analyser. Cette particularité rend l'analyse en ondelettes
complémentaire à l'analyse de Fourier. En effet, avec l'analyse
de Fourier, les discontinuités d'un signal ne sont pas facilement
analysables.
- La localisation en temps est précieuse pour beaucoup
d'applications.
- La transformée en ondelette peut représenter
complètement et efficacement un signal quelconque avec peu de
coefficients.
III. Les réseaux de neurones
Issus de travaux à connotation biologique dans les
années 40, les réseaux de neurones artificiels sont maintenant
considérés comme des outils mathématiques et automatiques,
indépendamment de toute référence à la biologie.
Ils sont utilisés comme outils puissants de classification, notamment
pour la détection et la reconnaissance de formes (Pattern
recognition).
1. Fondements biologiques des neurones
a. La structure d'un neurone :
Les neurones sont des cellules qui représentent
l'élément de base du système nerveux. Un neurone est
composé de (Figure 2.4):
· Le corps cellulaire : Il contient
le noyau du neurone et effectue les transformations biochimiques
nécessaires à la synthèse des enzymes et d'autres
molécules pour assurer la vie du neurone.
· Les dendrites : Ce sont de fines
extensions tubulaires permettant de capturer les signaux arrivant au neurone,
et les acheminer vers son corps.
· L'axone : Il présente la
fibre nerveuse et permettant le transfert des signaux émis par le
neurone vers des autres. Il se distingue des dendrites par sa forme et par les
propriétés de sa membrane externe.
Un réseau de neurones est composé de plusieurs
neurones connectés par des synapses.
Axone
Noyau cellulaire
Corps cellulaire
Dendrites
Figure 2.4: Structure d'un
neurone
Figure 2.5: La synapse d'un
neurone
b. Principe de fonctionnement des
neurones :
Le fonctionnement d'un neurone dépend essentiellement
de propriétés de sa membrane externe. Lorsque le neurone est
excité, un potentiel électrique, appelé potentiel
d'action, naît dans le corps cellulaire de neurones et se propage le long
de l'axone. Une fois arrivé à l'extrémité de
l'axone, le potentiel d'action déclenche la libération d'un
médiateur chimique, appelé neurotransmetteur, au niveau de la
synapse où le signal électrique de l'impulsion nerveuse est
converti en un signal biochimique (Figure2.5).
Le courant synaptique se propage le long des dendrites
jusqu'au corps cellulaire du neurone cible. A ce niveau, le corps cellulaire
traite l'ensemble des courants synaptiques qui lui parviennent en effectuant
une somme algébrique des courants synaptiques excitateurs et
inhibiteurs. Si le potentiel résultant dépasse le seuil critique
d'excitation du neurone (-10mV), alors le neurone est excité et
déclenche à son tour un potentiel d'action qui se propage le long
de son axone. Dans le cas contraire, le neurone reste inactif.
2. Les réseaux de neurones
artificiels
Un neurone formel fait une sommation pondérée
des potentiels d'actions qui lui parviennent (chacun de ces potentiels est une
valeur numérique qui représente l'état du neurone qui l'a
émis), puis s'active suivant la valeur de cette sommation
pondérée. Si cette somme dépasse un certain seuil, le
neurone est activé et transmet une réponse dont la valeur est
celle de son activation, sinon le neurone reste inactif et ne transmet rien.
Chaque neurone artificiel reçoit un nombre variable
d'entrées. A chacune de ces entrées est associé un poids
w représentatif de la force de la connexion. Chaque neurone est
doté d'une sortie unique, qui permet d'alimenter un nombre variable de
neurones avals.
Le neurone effectue la somme pondérée de ses
entrées, puis il calcule sa sortie par une transformation non
linéaire de cette somme. Les pondérations ou les poids
représentent l'intensité synaptique de ce neurone.
Le fonctionnement d'un neurone artificiel est exprimé par
les expressions suivantes :
Avec :
3. Exemples de réseaux de neurones
|