1

Rseaux neuronaux et applications

Richard Lepage
M.Sc.A ingnierie

Dpartement dinformatique, de
mathmatiques et de gnie.

Universit du Qubec Rimouski




@2007
2
Les Sujets de discussion
Historique et concepts .

Types de rseau (MLP, RBF, Kohonen).

Les champs dapplications.

Avenir des rseaux de neurones artificielles

Conclusion.
3
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
Naissance du modle thorique (mathmatique et informatique) du
neurone biologique labor par 2 neuro-biologistes (McCulloch et
Pitts, 1943).
Schmatisation dun
neurone biologique.
Schmatisation
dun neurone
formel servant de
modle biologique
4
Neurone formel (automate seuil avec entres et sorties binaires).
A B S
0 0 0
0 1 1
1 0 1
1 1 1
OU logique
S=0
S=1
A B S
0 0 0
0 1 0
1 0 0
1 1 1
ET logique
S=0
S=1

=
+ + = =
n
i
i i
x w x w x w x w Y
0
2 2 1 1 0 0
) sgn(S
1
1 = Y
0 = Y
b mx y
w
w
x
w
w
y + =

= ou
2
0
2
1
Le neurone formel
Sapparente la mthode
du discriminant linaire.
La mise jour des poids
seffectue manuellement.
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
Le Biais permet
de jouer sur
lordonne de la
droite de
sparation
35 . 0
1
= w
35 . 0
2
= w
1
x
2
x
Y ) sgn(S

=
n
i
i i
x w
1
1
0
= x
3 .
0
= w
35 . 0
1
= w
35 . 0
2
= w
1
x
2
x
Y ) sgn(S

=
n
i
i i
x w
1
1
0
= x
5 .
0
= w
Biais
0 ) , (
0 2 2 1 1
= + + = + + = w x w x w c by ax y x d
Poids
5
Rgles du Perceptron
En 1949, dcouverte de la rgle dapprentissage de Hebb pour la mise jour
des poids dun rseau de neurones.
Dveloppement de lalgorithme du perceptron qui permet la mise jour des
poids selon la sortie dsire d(i) durant le processus dapprentissage.
tape 1 Choisir des valeurs alatoires pour les poids et le biais

tape 2 Appliquer le vecteur dentre x(i)

tape 3 -Calculer la valeur de S ()

tape 4 Si S= d(i) on retourne ltape 2 sinon on continue
ltape 5

tape 5 -

tape 6 - Retourner ltape 2.

n
w w w .. ,
2 1
0
w
0 2 2 1 1
... w x w x w S + + + =
) ( ) ( dw ), (
i 0
i d i x i d dw = = n i dw w w .. 1 pour dw w w ,
i i i 0 0 0
= + = + =
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
6
Mise jour des poids de
la couche linaire par la
rgle de Hebb
1 . 0
1
= w
2
2
= w
1
x
2
x
Y
) sgn(S
1
0
= x
3 .
0
= w
) (i d
-
err
) (i d
1 . 0
1
=
n
w
2 =
n
w
1 n
x
n
x
Y
) sgn(S
1
0
= x
3 .
0
= w
-
err
Rosenblatt entraina une
couche linaire de neurones
formels soumis la rgle
dapprentissage de Hebb
Entres
Entres
Sortie dsire
Sortie dsire
Modification des
biais et des
poids du rseau
selon lerreur
entre la sortie
dsire et la
sortie du rseau
Le perceptron de Rosenblatt (1958).
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
Le but premier du
perceptron est la
modlisation de la
perception visuelle.
7
Problme non linairement
sparable
En 1970, Minsky et Papert valurent les
faiblesses du Perceptron.
impossibilit pour le Perceptron de
rsoudre un problme qui nest pas
linairement sparable.

Minsky et Papert prconisrent dajouter
des couches de neurones entre lentre et
la sortie mais il restait trouver une
procdure qui ntait pas connu pour mettre
jour les poids et les biais du rseau.
A B S
0 0 0
0 1 1
1 0 1
1 1 0
XOR logique
S=1
S=1
S=0
S=0
La droite de
discrimination linaire
ne peut sparer les
deux classes peut
importe les valeurs
des poids et du biais
1 . 0
1
= w
2
2
= w
1
x
2
x
Y
) sgn(S
1
0
= x
3 .
0
= w
) (i d
-
err
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
8
volution du rseau multi-couche
En 1980, rvolution du Perceptron couches multiples (MLP) avec la rgle de
rtropropagation du gradient de lerreur (back-propagation).
x y =
Couche de sortie Couche cache Couche d'entre
x1
x2
x3
x4
w
ji
w
kj
y1
y2
y3
z1
z2
zk
Fonctions dactivations
( )
j k k j
y ) ( ' z - t y
k k kj
net f w q o q = = A
Couche cache vers la couche de sortie
Couche dentre vers la couche cache
i
c
1 k
i
x ) ( ' x
j k kj j ji
net f w w
(

= = A

=
o q o q
Cette dcouverte revient deux quipes indpendantes:
Gnralisation de lalgorithme de
Widrow et Hoff ou rgle delta en
minimisant la somme des erreurs
quadratiques.
Rumelhart et all et Le Cun et all
x y =
x
e
y

+
=
1
1
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
9
Rsolution dun problme non linairement sparable avec le rseau MLP
A B S
0 0 0
0 1 1
1 0 1
1 1 0
XOR logique
D1
S=1
S=1
S=0
S=0
D2
y
2
o

x
1
x
2
y
1
1
1 , 1
w
2
1 , 1
w
2
2 , 1
w
1
1 , 2
w
1
1 , 2
w
Le rseau MLP permet de
sparer les deux classes
du problme XOR. Noeuds dentre
Noeuds cachs
Noeuds de sortie
Branchements
Couche 0
Couche 1
Couche N
Couche N-1
Rseau N-couches
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
10
Configuration optimale du rseau de neurone (MLP)
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
Un des gros problmes qui apparait dans lutilisation des
rseaux de neurones est la difficult du choix dans le nombre
de couche et le nombre de neurone par couche.
Le pas dapprentissage
La vitesse dapprentissage
La capacit de gnralisation du rseau
Les fonctions dactivations des couches caches
Paramtres prendre en considration
Comment y remdier?
Mthode essai et erreur
La mthode des plans dexpriences (taguchi)
Optimisation conjointe des paramtres et de la topologie du
rseau par algorithme gntique hirarchiques.
Utilisation de lensemble de Pareto optimal (Vilfredo Pareto )
11
Avantages:

Le rseau atteint une prcision trs leve au niveau de la reconnaissance
et la base dexemple na pas besoin dtre trs grande.

Dsavantage:

On perd en gnralit car les formes sont reconnues dune manire trop
exacte. Si une forme proche est prsente au rseau, celle-ci ne sera peut-
tre pas reconnue. On peut ajouter un bruit blanc au donnes pour permettre
une meilleure gnralisation.
Techniques dapprentissage ou de dtermination des poids
Apprentissage supervis (Approche dterministe)
On enseigne au rseau ce quil doit prsenter comme information la sortie
selon les donnes prsentes lentre. Cela force les poids prendre des
valeurs distinctes selon les formes prsentes au rseau de neurones.
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
12
Le rseau regroupe les donnes selon des algorithmes de calcul de distance
par la mthode des moindres carres. chaque groupe correspond une
classe. Aprs lidentification de toutes les classes, une valeur de sortie,
dicte par lusager, est associe chacune des classes. Peut-tre associ
une infrence baysienne pour produire des probabilits conditionnelles pour
chaque variable alatoire tant donn les autres.

Avantages:

Le rseau atteint une prcision trs leve au niveau de la reconnaissance
et la gnralisation est trs bonne.

Dsavantage:

La base dexemples se doit dtre trs volumineuse et le temps
dapprentissage est trs long si un nouvel exemple est prsent au rseau
pour un nouvel apprentissage.
Techniques dapprentissage ou de dtermination des poids
Apprentissage non supervis (approche statistique)
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
13
Mthode de minimisation pour le calcul des poids.
) (
) (
2
1
,
2
,
n
j
n
j
n
j
n
j
n
i
n
j
n
j
n
i j
n
i j
h f
x h f
w
w
' A =
c
c
= A
' A =
c
c
= A

o
u
c
o u
o
c
o
Mthode de descente du Gradient
Mise jour des poids et des biais
n
j
n
j
n
j
n
i j
n
i j
n
i j
old new
w old w new w
u u u A + =
A + =
) ( ) (
) ( ) (
, , ,
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
14
Mthode de minimisation pour le calcul des poids.
( )
j k k j
y ) ( ' z - t y
k k kj
net f w q o q = = A
Mthode de descente du Gradient avec terme dinertie
) ( ) (
2
old w
w
new w A +
c
c
= A |
c
o
0< | <1
Terme dinertie
w
w
c
c

~ A
2
1
c
|
o
Aw convergera vers
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
15
Mthode de minimisation pour le calcul des poids.
Mthode de Newton
+ + V + = H w w w E w w w E w E
2
0 0 0 0
) (
2
1
) ( ) ( ) ( ) (
Par lutilisation de la srie de Taylor
j i
ij
w w
E
H
c c
c
=
2
o H = matrice Hessienne E = fonction derreur (c
2
)
De la srie de Taylor, nous obtenons
+ + V = V ) ( ) ( ) (
0 0
w w H w E w E
o
) (
0
1
0
w E H w w V =

( Mthode de Newton)
( )

=
= =
N
i
i ij j j j
x w Y d Y w E
1
o
2
1
) (
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
16
Avantages:
w Convergence rapide (forme quadratique)

Dsavantages:
wCalcul intensif (ncessit de calculer la matrice inverse
chaque pas ditration.
wLa matrice Hessienne est difficile calculer selon la
complexit de la fonction dactivation. Nous devons choisir
une fonction dactivation qui est continuement drivable.

Mthode de minimisation pour le calcul des poids.
Mise jour des poids par la mthode de Newton
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
17
Avantages:
wConvergence trs rapide et gnralisation trs bonne.
wMthode la plus utilise jusqu maintenant.

Dsavantages:

Il ne faut pas que le nombre de poids constituant le rseau soit plus
grand que 200 car cette mthode devient infficace en terme de
rapidit de calcul.
Mthode de minimisation pour le calcul des poids.
Mthode Levenberg-Marquardt Backpropagation
1
) (
) (
) ( ) (

+ = A
=
=
JE I JJ w
E w J JE
w J w J JJ

o J = Matrice Jacobienne
E = Toutes les erreurs
I = Matrice identit
= Taux dapprentissage
HISTORIQUE ET CONCEPT DES RSEAUX NEURONAUX
18
TYPES DE RSEAU (MLP, RBF, KOHONEN).
MLP Multilayer perceptron (perceptron multi-couches)
Rseau vu prcdemment.

RBF Radial Basis Function (Fonction dactivation gaussienne)
Approximation de fonctions plusieurs variables.

Rseau de Kohonen (Rseau auto-organisateur)
Conservation topologique de la forme
Compression de donnes

Rseau de Hopfield (Rseau pleine connection) non prsent dans cette
prsentation
Nouvelles tendances:

Combinaison de plusieurs types de rseaux pour des problmes spcifiques
Rseau de Kohonen Rseau MLP Entre
Sortie
19
Le rseau RBF (Radial Basis Function)
TYPES DE RSEAU (MLP, RBF, KOHONEN).
Broomhead et Lowe (1988) employrent pour la premire fois le rseau RBF.
Sert actuellement pour les applications dapproximation de fonction mais
sexplique mieux dans le contexte de la classification.
Structure du rseau RBF
x
2
x
1
La couche cache est constitue
de fonction-noyau de type gaussienne.
Paramtrisation ncessaire
de la fonction noyau.
sortie linaire
Entres
Le rseau RBF est un
rseau trois couches
(Couche dentre, couche
RBF, couche de sortie
linaire).
La rgle Delta est utilise comme
technique dapprentissage. Il faut
choisir le bon nombre de neurone
pour la couche RBF.
20
Le rseau RBF (Radial Basis Function)
TYPES DE RSEAU (MLP, RBF, KOHONEN).
Pour dterminer le nombre et la position des neurones-noyau, on utilise
lalgorithme dcrit par Mustawi et all (1992).
1. On associe un neurone par donne du corpus dapprentissage
reprsentant un nuage distinct, le but tant de regrouper des nuages de
donnes.
2. Choisir alatoirement un nuage (un neurone i)
3. Trouver un second nuage de la mme classe (un neurone j).
4. Regroupement des deux nuages en un nouveau nuage k et calculer
barycentre C
k
.
5. Calculer la distance r
k
entre C
k
et la donne de k la plus loigne.
6. Calculer la distance dk entre Ck et le barycentre du nuage le plus
proche.
7. Si dk > Delta*rk, alors regroupement accept et nouveau nuage k
remplace nuage i et j, sinon rpt depuis ltape 3 jusqu ce que le
regroupement soit accept.
8. Rpter lopration partir de 2, en examinant tous les nuages jusqu
ce quaucun regroupement ne soit plus possible.
21
Le rseau RBF (Radial Basis Function) dans lapproximation dune fonction
TYPES DE RSEAU (MLP, RBF, KOHONEN).
Vecteurs dapprentissage
Fonction gaussienne
Somme pondre des entres
Rsultat aprs apprentissage
On prsente 20 vecteurs
que le rseau doit
apprendre (x,y). Une fois
lapprentissage termin,
nimporte laquelle des
valeurs prsentes
lentre donnera une
valeur de sortie qui sera
prsente sur la courbe.
22
Le rseau SOM de Kohonen (rseau comptitif)
TYPES DE RSEAU (MLP, RBF, KOHONEN).
Kohonen (1990) dveloppa la carte topologique (Self-Organizing Map).
Le rseau apprentissage
comptitif de Kohonen
(spcialisation du neurone )
sapproche le plus du type
de structure observ dans le
cerveau.
Le rseau SOM est constitu dune couche dentre et dune couche de comptition en
sortie.
1 , 1
w
1
e
1 , 2
w
2 , 1
w
2 , 2
w
2
e
1
i
2
i
Couche
dentre
Couche de
comptition
Poids
du
rseau
I1 I2
W1 0.6 0.4
W2 0.4 0.6
Patron 1 1.0 0.0
Patron 2 0.8 0.2
Patron 3 0.0 1.0
Patron 4 0.2 0.8
La rgle dapprentissage
modifie les poids du
neurone 1 de faon le
rapprocher du patron
prsent.
Le rseau SOM est parfaitement adapt dans lanalyse des donnes (regroupement
sous forme de nuage de donnes).
23
Le rseau SOM de Kohonen (rseau comptitif)
TYPES DE RSEAU (MLP, RBF, KOHONEN).
100 points de donnes crs sur
un cercle unitaire
1 , 1
w
1
e
1 , 2
w
2 , 1
w
2 , 2
w
2
e
x
y
9
e
10
e
2 entre et 10 neurones dans la
couche comptitive
Les vecteurs poids suivent la courbe
de donnes aprs apprentissage.
Le graphique reprsentant les poids de chaque neurone suivent la
courbe de donnes en positionnant les poids de chacun des
neurones au barycentre des nuages de donnes qui ont t cr.
24
APPLICATIONS DES RSEAUX NEURONAUX
Classification de donnes vectorielles
Reconnaissance de formes
Approximation de fonctions
Dtection de patrons dans un signal
Prdiction future selon des donnes passs
Contrle robotique (PID)
Compression de donnes
rgression linaire et non-linaire

25
Classification par rseau MLP.
-3 -2 -1 0 1 2 3
-3
-2
-1
0
1
2
Class 1
Class 0
x = randn([2 200]);
o = (x(1,:).^2+x(2,:).^2) < 1;
Commande Matlab : Cration des donnes dapprentissage
Les composantes x
1
et x
2
sont gnres
partir de nombres alatoires.

Sortie dsire o:
Si (x
1
,x
2
) est dans un cercle
de rayon 1 centr lorigine
Alors
o = 1
Sinon
o = 0
APPLICATIONS DES RSEAUX NEURONAUX
26
PR = [min(x(1,:)) max(x(1,:));
min(x(2,:)) max(x(2,:))];
S1 = 10;
S2 = 1;
TF1 = 'logsig';
TF2 = 'logsig';
BTF = 'traingd';
BLF = 'learngd';
PF = 'mse';

net = newff(PR,[S1 S2],{TF1
TF2},BTF,BLF,PF);
Commande Matlab : Cration dun rseau deux couches
Bornes de chacune des entres
Nbr. de noeuds dans la couche 1 et 2
Fonction dactivation de la couche 1 et 2
Fonction dentrainement
Fonction dapprentissage
Fonction cot (mean square error ou MSE)
Commande de cration du rseau
APPLICATIONS DES RSEAUX NEURONAUX
Classification par rseau MLP.
27
net.trainParam.epochs = 2000;
net.trainParam.goal = 0.002;
net = train(net,x,o);
y = sim(net,x);
netout = y>0.5;
Nbr. dpoque de calcul
Erreur maximale dsire
Commande dapprentissage
Calcul en continue des sortie du rseau
Conversion en sortie binaire
Structure du rseau
x
2
x
1
Couche cache
(sigmoide)
Noeud de sortie (Sigmoide)
Noeuds dentre
Unit de seuil
(pour sortie binaire)
APPLICATIONS DES RSEAUX NEURONAUX
Classification par rseau MLP.
28
-3 -2 -1 0 1 2 3
-3
-2
-1
0
1
2
Class 1
Class 0
Les poids sont choisis alatoirement avant
le dbut du calcul. Affichage des droites de
sparation avant apprentissage.
APPLICATIONS DES RSEAUX NEURONAUX
Classification par rseau MLP.
Lorsque le processus dapprentissage est
termin, tout vecteur se prsentant en
entre du rseau sera reconnu comme
faisant partie de la classe o ou x.
On essaye de voir jusqu quel point les
droites de sparation peuvent encercler les
vecteurs x pour former une classe distinctes
des vecteurs o.
Trois types dalgorithme de gestion
des poids seront utiliss dans cet
exemple pour dmontrer la rapidit
de chacun deux lors du processus
dapprentissage.
29
Algorithme dapprentissage:
Descente de gradient avec terme dinertie
0 0.5 1 1.5 2
x 10
4
10
-3
10
-2
10
-1
10
0
Performance is 0.151679, Goal is 0.002
20000 Epochs
T
r
a
i n
i n
g
-
B
l u
e
G
o
a
l -
B
l a
c
k
MSE vs poques dapprentissage
Erreur de classification : 40/200
-3 -2 -1 0 1 2 3
-3
-2
-1
0
1
2
Class 1
Class 0
MSE vs poques dapprentissage
(convergence atteinte en 10 poques)
Algorithme dapprentissage:
Levenberg-Marquardt Backpropagation
0 2 4 6 8 10
10
-3
10
-2
10
-1
10
0
Performance is 0.00172594, Goal is 0.002
10 Epochs
T
r
a
i n
i n
g
-
B
l u
e
G
o
a
l -
B
l a
c
k
Erreur de classification : 0/200
-3 -2 -1 0 1 2 3
-3
-2
-1
0
1
2
Class 1
Class 0
la fin de lapprentissage, 6 noeuds seulement sont ncessaires pour classer les vecteurs x.
APPLICATIONS DES RSEAUX NEURONAUX
Classification par rseau MLP.
MSE vs poques dapprentissage
Algorithme dapprentissage:
Mthode de descente par le gradient
0 0.5 1 1.5 2
x 10
4
10
-3
10
-2
10
-1
10
0
Performance is 0.151511, Goal is 0.002
20000 Epochs
T
r
a
i n
i n
g
-
B
l u
e
G
o
a
l -
B
l a
c
k
Erreur de classification : 40/200
-3 -2 -1 0 1 2 3
-3
-2
-1
0
1
2
Class 1
Class 0
30
APPLICATIONS DES RSEAUX NEURONAUX
Reconnaissance de forme avec rseau MLP
Schmas synoptiques dun systme de reconnaissance de formes
Acquisition de limage
Prtraitement de limage
Extraction des
caractristiques
dinvariance
Cration dune base de donnes des caractristiques
invariantes (Identifier chaque image avec une classe
dappartenance)
Processus dapprentissage du rseau de neurones
(stabilisation des poids du rseau selon la base de
donnes des caractristiques).
Prsentation au rseau de
neurones pour fin
didentification (le processus
dapprentissage est ralis
au pralable).
Prsentation du rsultat
de la classification.
Choisir alatoirement selon une courbe normale
(moyenne nulle et variance unitaire) des chantillons
qui serviront lapprentissage du rseau)
On se sert des trois premier modules pour former la
base de donnes des caractristiques dimages.
31
APPLICATIONS DES RSEAUX NEURONAUX
Prtraitement des donnes images
Image originale en
couleurs
Niveau de gris Filtre Sobel
Rehaussement de
contraste
Remplissage des
vides
Linarisation de
lobjet
Segmentation de
limage
1 2 3
4 5
6
Reconnaissance de forme avec rseau MLP
32
Reconnaissance de forme avec rseau MLP
APPLICATIONS DES RSEAUX NEURONAUX
M
10
et M
01
dfinissent le
centre de gravit de la
surface et M
00
dfinit la
surface de lobjet
Moments centrs dordre p,q
Extraction des caractristiques de la forme
Moments lmentaires dordre p,q
On recherche linvariance en translation, en rotation et en homothtie en
groupant des moments centrs dordre p,q, par exemple M
20
+M
02

Axes principaux dinertie
Allongement et orientation
de la forme
33
Reconnaissance de forme avec rseau MLP
APPLICATIONS DES RSEAUX NEURONAUX
Normalisation des donnes et prsentation au
rseau MLP
La normalisation est le processus par lequel les donnes dentre et les
donnes en sortie ont des valeurs voluant entre -1 et +1.
On utilise habituellement deux couches
caches dune dizaine de neurones pour
viter le sur-apprentissage et on fait apprendre
au rseau les formes qui sont prsentes
lentre selon les paramtres caractristiques.
On peut ajouter un bruit blanc aux formes qui sont prsentes lors de
lapprentissage du rseau pour amliorer la gnralisation. On utilise un
algorithme dapprentissage de type Levenberg-Marquard qui est le plus
adquat pour le rseau MLP.
34
APPLICATIONS DES RSEAUX NEURONAUX
Reconnaissance des signaux par rseau MLP
Signal analyser Patrons de signaux
Le signal que nous voulons analyser provient dune machine usiner. Pour
viter dendommager la pice, un rseau de neurone dtecte les bris des
outils usiner (mches, fraiseuses) en reconnaissant les signaux
prcurseurs.
Signal analyser
en temps rel
Passage dune
fentre de 10
chantillons par
intervalle dun
chantillon.
Prsentation des
10 chantillons au
rseau MLP
Dcision sur la
commande de
lappareil
35
APPLICATIONS DES RSEAUX NEURONAUX
On utilise un rseau dune couche cache de 5 neurones avec fonction
dactivation logsig et un neurone en sortie avec fonction dactivation purelin.
Reconnaissance des signaux par rseau MLP
y1
y10
La mise jour des poids se
fait par lalgorithme de
Levenberg-Marquard durant
ltape dapprentissage.
Contrle de la
machine usiner
36
AVENIR DES RSEAUX NEURONAUX
Caractristiques gnrales

Technology: 0,35 CMOS
Chip size: 35 mm2
Supply voltage: 3,3 V
Clock frequency: 33 MHz
Power consumption: 0,5 W
Package type: CQFP 208
Dimensions: 30,6 mm x 30,6 mm x 4,1 mm
Processing speed at 33MHz: 45MCUPS1
Implantation sous forme de circuits intgrs dun rseau de neurone
lectronique controle universel.
Rseau de neurones circuit intgr
Le DANA23 (Digital Adaptive Neuro ASIC) contient un rseau
complet avec modification et sauvegarde des poids et biais avec un
algorithme dapprentissage intgr de type backpropagation modifi.
37
AVENIR DES RSEAUX NEURONAUX
Rseau de neurones circuit intgr
38
AVENIR DES RSEAUX NEURONAUX
Rseau de neurones biologiques sur substrat de silicium (neurochips)
Un groupe de chercheur du Caltech (institut de technologie de
Californie) ont russi la greffe dun neurone sur un substrat de silicium
en 1991.
La vision et les capacits de la mmoire neurologique excutent massivement des
oprations parallles impossibles reproduire mme sur les plus grands
superordinateurs du monde.

Conception prochaine de circuits qui
excutent des calculs analogiques
massivement parallles
La surface lisse du silicium est un
environnement idal pour la
croissance des cellules crbrales.
39
CONCLUSIONS
Les rseaux de neurones sont en constante volution et la nouvelle vogue
est de combiner diffrents rseaux pour accomplir des tche spcifiques.

Loptimisation de la configuration des rseaux de neurones est actuellement
un problme ouvert. Il existe diverses techniques mais celle qui optimise
vraiment la configuration na pas vu le jour.

Des recherches intensives sont en cours pour appliquer les rseaux SOM
(auto-organisateur) dans le secteur de lindustrie. La comprhension des
rseaux SOM permet dapprocher le comportement du cerveau humain en
liaison avec la logique floue.

Nous sommes encore loin de lpoque o un cerveau humain sera remplac
par une machine car les fonctions humaines mme les plus simple sont un
norme dfis pour la technologie.
40
Vous avez des questions???