CHAPITRE 2. FONDEMENTS THÉORIQUES
Ces réseaux sont composés de plusieurs
éléments de calcul opérant en parallèle et
arrangés à la manière des réseaux de neurones
biologiques. LIPPMAN [Lip87] a précisé que la force des RNs
réside dans leur capacité à générer une
région de décision de forme quelconque, requise par un algorithme
de classification, au prix de l'intégration de couches de cellules
supplémentaires dans le réseau de type PMC.
De même, Une approche de type génétique
est conçue, dans la littérature, pour adapter la partition de
l'espace des paramètres relativement à l'ensemble des outils
disponibles. L'AG est un exemple de procédure d'exploration qui utilise
un choix aléatoire comme outil pour guider une exploration dans l'espace
des paramètres codés. Cette technique garantit non pas
d'atteindre l'optimum global de la fonction, mais de converger vers cet
optimum. Dans la littérature, il y a plusieurs chercheurs qui ont essaie
de profiter des caractéristiques des AGs et PML dans le domaine
d'imagerie.
L'hybridation neuro-génétique, bien que
relativement à ses débuts, elle signale des résultats
encourageants dans le domaine de l'OCR.
2.3.1 Système de OLIVEIRA
OLIVERI et ces collègues proposent dans leur papier
datant le 2002 [OSB+02] une hybridation
neuro-génétique pour la reconnaissance des chiffres manuscrits.
Ils ont tenté de proposer une méthode d'optimisation pour la
sélection des primitives pertinentes. La sélection des primitives
est une étape importante dans tout système de reconnaissance de
formes. Cette sélection est considérée comme un
problème d'optimisation combinatoire. Elle a fait l'objet de recherche
dans de nombreuses disciplines. L'objectif visé par cette recherche est
de réduire le nombre des primitives en éliminant celles qui sont
redondantes et non pertinentes sans affecté la performance du
classifieur utilisé par la reconnaissance. Les AGs sont utilisés
pour résoudre ce type de problème de sélection des
primitives dans la reconnaissance de chiffres isolés. Le classifieur
utilisé est un PMC.
Les tests sont effectué sur la base de chiffres
isolés NIST-SD19. Les résultats obtenus lors de
la sélection des primitives ont permis de réduire la
complexité du réseau de neurones utilisé. Le nombre de
primitives a été réduit de 25% par rapport à
l'ensemble des primitives extraites.
Le second aspect de ce travail est la pondération des
primitives qui consiste à déterminer les primitives les plus
discriminantes en leur attribuant un poids. Les expériences
effectuées n'ont pas donné de bonnes solutions. OLIVERI et ces
collègues ont observé que les valeurs des poids accordés
aux primitives se rapprochent de la valeur initiale (valeur égale
à 1). Ils ont conclu donc que la pondération des primitives n'est
pas adaptée pour l'optimisation de
36
| 
