2.6 Réseaux de neurones
Capter une image, la numériser, la segmenter en
éléments de contours, détecter un objet mobile, le
reconnaître quelle que soit sa position et estimer sa profondeur ; capter
le son d'une voix au milieu d'un brouhaha et du bruit ambiant et
reconnaître les mots qui sont prononcés ; capter et analyser les
deux cents signaux issus d'un processus industriel et en déduire si tout
est conforme ou si une avarie se prépare : voici quelques
problèmes pourtant courants dans les sciences de l'informatique mais
dont les solutions, encore incomplètes, impliquent de multiples efforts
de recherche dans la communauté scientifique.
Malgré la constante augmentation de puissance des
calculateurs, malgré les approches théoriques de plus en plus
sophistiquées, un certain nombre de tâches résistent encore
aux algorithmes et aux méthodes classiques de traitement des signaux et
des données. Ces tâches relèvent typiquement du traitement,
en temps réel, de très grands flots de données souvent
multidimensionnelles et arrivant à des cadences élevées.
Le grand nombre de données, leur variabilité, le fait qu'elles ne
répondent pas à des modèles physiques connus nous laissent
souvent démunis devant des tâches de caractérisation, de
reconnaissance et de prise de décision.
Il y a des centaines d'exemples nous montrant à la fois
combien on peut espérer de la modélisation du système
nerveux mais aussi combien il sera difficile d'imaginer et de comprendre les
divers aspects des problèmes de perception. Il paraît donc naturel
d'essayer de comprendre comment les systèmes biologiques sont capables
de telles performances, et si possible, de s'inspirer de leurs principes pour
imaginer de nouveaux algorithmes ou de nouvelles machines plus efficaces que
ceux dont nous disposons actuellement. Les techniques de réseaux de
neurones relèvent d'une telle approche : comprendre les principes selon
lesquels les systèmes biologiques traitent l'information et s'en
inspirer pour élaborer de nouvelles techniques en sciences de
l'ingénieur. C'est donc une double démarche, à la fois
cognitive et synthétique où le monde biologique doit être
considéré comme une source de référence et de
connaissance.
D'un point de vue technique, il est clair que seuls les
principes seront importants. Il ne sera généralement pas
nécessaire, pour modéliser telle ou telle fonction, de simuler
toutes les molécules chimiques et les enzymes qu'elle implique,
l'adéquation fine aux modèles
Mémoire de Master en EEA, par NKAPKOP Jean De
Dieu.
Cryptage chaotique des images basé sur le
modèle du perceptron
Chapitre 2 : Le chaos et les réseaux de neurones
36
biologiques ne sera retenue que dans la mesure où elle
conduit à des réalisations techniquement économiques.
Les caractéristiques essentielles des réseaux de
neurones réels que nous conserverons dans les modèles
mathématiques étudiés, concernent le grand nombre de
connexions, la non-linéarité des relations entrée-sortie
et la faculté de "plasticité" ou d'adaptabilité. Ces
caractéristiques, même simplifiées, leur confèrent
déjà de multiples possibilités en traitement des signaux
et des informations ainsi que la faculté d'apprendre à classer,
à reconnaître des formes ou à réaliser des
tâches complexes.
| 
