CHAPITRE III : RÉSEAUX DE NEURONES BIOLOGIQUES
ET ARTIFICIELS
3.1. INTRODUCTION
Les caractéristiques essentielles des réseaux de
neurones biologiques 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, leurs confèrent déjà de multiples
possibilités en traitement des signaux et des informations, notamment
les données hydrométéorologiques ainsi que la
faculté d'apprendre à classer, à reconnaître des
formes, à réaliser des tâches complexes (ou à
déterminer des débits des rivières par exemple).
L'objectif de ce chapitre, composé de huit sections, est de
présenter de façon générale les réseaux de
neurones. La section 3.2 traite des définitions relatives au
connexionnisme et au neuromimétique et fait l'historique de la recherche
dans le domaine des réseaux de reurones. Les sections 3.3 et 3.4 sont
consacrées respectivement aux neurones biologiques et aux neurones
formels. La section 3.5 s'intéresse à l'organisation des neurones
formels en réseaux. Les sections 3.6 et 3.7 font un exposé clair,
respectivement, sur les processus d'apprentissage ou de calibrage des
réseaux de neurones formels et sur les différents domaines
d'application de ces modèles. Finalement, les propriétés
des réseaux de neurones formels et l'état de la
modélisation pluie-débit avec les réseaux de neurones sont
présentées respectivement aux sections 3.8 et 3.9.
3.2. DÉFINITION ET HISTORIQUE DES RÉSEAUX
DE NEURONES
3.2.1. Définition
Aujourd'hui, de nombreux termes sont utilisés dans la
littérature pour désigner le domaine des réseaux de
neurones formels, comme il est ainsi fait référence au
connexionnisme ou à la neuromimétique. Il semble qu'il faut
associer à chacun de ces noms une sémantique précise.
Ainsi, les réseaux de neurones formels ou artificiels ne
désignent que les modèles manipulés; ce n'est ni un
domaine de recherche, ni une discipline scientifique. Connexionnisme et
neuromimétique sont tous deux des domaines de recherche à part
entière, qui manipule chacun des modèles de réseaux de
neurones, mais avec des objectifs différents. L'objectif poursuivi par
les ingénieurs et chercheurs connexionnistes est d'améliorer les
capacités de l'informatique en utilisant des modèles aux
composants fortement connectés.
Pour leur part, les neuromiméticiens manipulent des
modèles de réseaux de neurones formels dans l'unique but de
vérifier leurs théories biologiques du fonctionnement du
système nerveux central.
Concernant les réseaux de neurones formels ou
artificiels, plusieurs définitions sont disponibles dans la
littérature. Ces définitions varient d'un auteur à un
autre et d'une application à une autre. Ainsi, selon le DARPA Neural
Network Study (1988), un réseau de neurone est un système
composé de plusieurs unités de calcul simples fonctionnant en
parallèle, dont la fonction est de déterminer la solidité
des connexions par la structure du réseau et l'opération
effectuée par les éléments ou noeuds. Cette
définition ne fait pas apparaître l'origine biologique des
réseaux de neurones. Quant à Zurada (1992), il définit les
réseaux de neurones comme des systèmes physiques cellulaires qui
peuvent acquérir, stocker et utiliser des connaissances empiriques. Pour
Roussillon (2004), les réseaux de neurones formels (RNF) sont des
modèles inspirés du fonctionnement du cerveau humain, et dont le
but est de voir surgir des propriétés analogues au système
biologique. Dans certains écrits, d'autres auteurs ont également
donné d'autres définitions. Nigrin (1993), définit un
réseau de neurone comme un circuit composé d'un nombre
très important d'unités de calcul simples basées sur les
neurones biologiques. Tout comme le DARPA Neural Network Study, on ne voit pas
dans la définition de Nigrin (1993), l'origine biologique de ces
modèles. Pour Haykin (1994) un réseau de neurones formels est un
processeur massivement distribué en parallèle qui a une
capacité naturelle pour stocker de la connaissance empirique et la
rendre disponible à l'usage. Un réseau de neurones formel
ressemble au cerveau sur deux aspects :
i. la connaissance est acquise par le réseau au travers
d'un processus d'apprentissage et
ii. les connexions entre les neurones, connues sous le nom de
poids synaptiques servent à stocker la connaissance.
Comme leur nom l'indique, les réseaux de neurones
formels sont ainsi organisés autour d'un ensemble de cellules ou
neurones, connectées entre elles par des liaisons affectées de
poids (synapses). Le principe de fonctionnement est détaillé dans
ce qui suit. En effet, l'on dispose initialement d'une base de connaissances
constituée de couples de données entrées / sorties et on
souhaite utiliser cette base de données pour "entraîner" un
algorithme informatique à reproduire les associations constatées
entre les entrées et les sorties de l'échantillon. Un bon exemple
est donné par le diagnostic médical. Des médecins
disposent d'une importante base de données de symptômes auxquels
sont associés différents diagnostics qui ont été
validés.
Réaliser un réseau de neurones reproduisant le
diagnostic peut être effectué en utilisant les couples
symptômes/diagnostics de cette base de données en tant
qu'échantillon d'apprentissage ou de calage.
En définitive, les réseaux de neurones formels
apparaissent comme des modèles inspirés du fonctionnement du
cerveau humain, composé de plusieurs unités de calcul simples
appelées neurones et fonctionnant en parallèle dont le but est de
traiter les informations de façon analogues au système
biologique. C'est un assemblage d'éléments, d'unités ou de
noeuds processeurs pour lequel un sous-groupe fait un traitement
indépendant et passe le résultat à un deuxième
sous-groupe. Quelles sont alors les étapes qui ont véritablement
marqué l'évolution de l'utilisation des réseaux de
neurones ?
| 
