Un réseau de neurones formel, couramment appelé réseau de neurones, est un calcul (ou algorithme), généralement réalisé à l'aide d'un ordinateur, dont le résultat reproduit ou prévoit aussi fidèlement que possible, le comportement de n'importe quel processus en fonction des facteurs qui déterminent ce comportement. On entend par « processus » tout système, naturel ou artificiel, et par « facteur » toute grandeur qui est susceptible d'avoir une influence sur le processus. Ainsi, un réseau de neurones est capable de prévoir l'évolution de la température d'un four en fonction de l'intensité du courant électrique dans la résistance chauffante, la vitesse d'un véhicule en fonction du déplacement de la pédale d'accélérateur et de la pente de la route, le cours d'une valeur mobilière en fonction des taux de change du dollar et du yen ainsi que de ses cours passés, la dureté d'un matériau en fonction de sa composition chimique et de sa température d'élaboration, la solvabilité d'une entreprise en fonction de son chiffre d'affaires, etc.
Dans le calcul effectué par le réseau de neurones interviennent des nombres, appelés paramètres ou poids du réseau, qui doivent être calculés de t […]
Bibliographie
C. Bishop, Neural Networks for Pattern Recognition, Oxford Univ. Press, 1995
G. Dreyfus & J. L. Ploix, « Early fault detection in a distillation column : an industrial application of knowledge-based neural modelling », in Neural Networks : Best Practice in Europe, World Scientific, 1997
A. F. Duprat, T. Huynh & G. Dreyfus, « Towards a principled methodology for neural network design and performance evaluation in QSAR
Application to the prediction of LogP », in Journ. Chem. Inf. Comput. Sci., 1998
K. Hornik, M. Stinchcombe & H. White, « Multilayer feedforward networks are universal approximators », in Neural Networks, vol. II, pp. 359-366, 1989
K. Hornik, M. Stinchcombe, H. White & P. Auer, « Degree of approximation results for feedforward networks approximating unknown mappings and their derivatives », in Neural Computation, vol. VI, pp. 1262-1275, 1994
S. Knerr, V. Anisimov, O. Baret et al., « The A2iA INTERCHEQUE System : courtesy amount and legal amount recognition for french checks », in International Journal of Pattern Recognition and Artificial Intelligence, vol. XI, no 4, pp. 505-548, 1997
L. Oukhellou, P. Aknin, H. Stoppiglia et al., « A new decision criterion for feature selection : application to the classification of non destructive testing signatures », EUropean SIgnal Processing COnference (EUSIPCO'98), Rhodes, 1998
J. L. Ploix & G. Dreyfus, « Knowledge-based neural modeling : principles and industrial applications », in F. Fogelman et P. Gallinari dir., Industrial Applications of Neural Networks, World Scientific, 1998
I. Rivals, D. Canas, L. Personnaz & G. Dreyfus, « Modeling and control of mobile robots and intelligent vehicles by neural networks », I.E.E.E. Conference on Intelligent Vehicles, pp. 137-142, 1994
I. Rivals, L. Personnaz, G. Dreyfus & J. L. Ploix, « Modélisation, classification et commande par réseaux de neurones : principes fondamentaux, méthodologie de conception et applications industrielles », in Les Réseaux de neurones pour la modélisation et la commande de processus, J. P. Corriou éd., Lavoisier Tec et Doc, 1995
H. Stoppiglia, Méthodes statistiques de sélection de modèles neuronaux
applications financières et bancaires, thèse de doctorat, univ. Pierre-et-Marie-Curie, 1997
D. Terzopoulos, X. Tu & R. Grzeszczuk, « Artificial fishes : autonomous locomotion, perception, behavior, and learning in a simulated physical world », in Artificial Life, vol. I, pp. 327-351, 1994.
Retour en haut
