3.5.1.2. Architecture des Réseaux de neurones
Formels
Un réseau de neurones formels, comme déjà
mentionné, est un ensemble de neurones formels associés sous
forme de couches. Les réseaux de neurones formels ont la capacité
de stocker de la connaissance empirique et de la rendre disponible pour un
usage donné. La connaissance du réseau va être
stockée dans les coefficients synaptiques, calculés par des
processus d'adaptation ou d'apprentissage (encore appelé adaptation ou
calage). En ce sens, les réseaux de neurones formels ressemblent donc
à un cerveau car non seulement, la connaissance est acquise au travers
d'un apprentissage mais plus, cette connaissance est soit stockée dans
les
- 45 -
connexions entre les entrées, soit dans les coefficients
synaptiques. Deux (2) architectures générales se distinguent : le
réseau non bouclé et le réseau bouclé.
· Réseaux Non Bouclés
Les réseaux non bouclés sont constitués
de neurones statiques, c'est-à-dire que le temps n'intervient donc pas
pour ce type de modélisation. Ces réseaux sont souvent
organisés en couches, chaque couche reçoit des entrées de
la couche précédente et les neurones d'une même couche ne
sont pas connectés les uns aux autres. Ces réseaux sont des
filtres numériques non récurrents. Dans ces réseaux, la ou
les variables cibles (variable qu'on cherche à simuler ou à
prévoir) n'interviennent à aucun moment.
· Réseaux Bouclés
Dans les réseaux bouclés, la sortie de certains
neurones est renvoyée sur l'entrée de neurones de la même
couche ou d'une couche inférieure. Ce bouclage donne un comportement
dynamique au réseau, la sortie ne dépend plus seulement des
entrées du réseau, mais également de sa sortie aux
instants précédents. Deux types de bouclages peuvent être
réalisés, ce qui constitue deux types de réseaux distincts
: les réseaux bouclés non dirigés et les réseaux
bouclés dirigés. Les réseaux bouclés non
dirigés (Figure 21) réalisent un bouclage avec
les débits calculés. Ces modèles sont
particulièrement intéressants, car lors de la simulation ou la
prévision d'un événement (après apprentissage), la
connaissance de la sortie à un pas de temps ultérieur permet de
recadrer la sortie prévue. Ces modèles donnent de bons
résultats notamment dans l'étude de la relation
pluie-débit. Il s'agit du modèle le plus intéressant en
matière de prévision des crues (Eurisouké, 2006) car les
débits calculés par le réseau sont
réinjectés et donc ne nécessitent pas d'autres
données. Les Réseaux Bouclés Dirigés
réalisent un bouclage, non plus sur la sortie calculée par le
modèle à un temps t-1, mais par la sortie désirée
à un temps t-1 sur les débits observés (Figure
22).
Figure 21 : Réseau
Bouclé Non Dirigé
Figure 22 : Réseau
Bouclé Dirigé
Ce bouclage permet au réseau de pouvoir se caler
après son apprentissage sur les vraies valeurs.
Les résultats de prévisions et/ou de simulations
avec ce type de réseau donne généralement d'excellents
résultats, notamment dans le cadre de la prévision
pluie-débit (Eurisouké, 2006). Toutefois l'intérêt
de ce type de réseau dans le cadre de la prévision reste
limité si le délai de prévision et/ou de simulation est
proche.
Les réseaux non bouclés et les réseaux
bouclés présentés précédemment comprennent
comme variables explicatives la pluie et la température. La variable
cible est le débit.
Le présent travail de recherche s'intéressera
à ces deux modèles, plus particulièrement à ces
deux types de réseau : les Réseaux Non Bouclés et les
Réseaux Bouclés Dirigés. Les Réseaux Non
Bouclés utilisés seront nommés Perceptrons Multicouches
Non Dirigés(PMCND) et les réseaux dirigés, Perceptrons
Multicouches Dirigés (PMCD).
|