3.5.2. Réseaux à fonction radiale
Les réseaux à fonction radiale sont les
réseaux que l'on reconnaît aussi sous le vocable RBF pour
«Radial Basic Functions». L'architecture est la même que pour
les PMC, cependant, les fonctions de base utilisées ici sont des
fonctions Gaussiennes. Les RBF seront donc employés dans les mêmes
types de problèmes que les PMC à savoir la classification et
l'approximation de fonctions (Parizeau, 2004). L'apprentissage le plus
utilisé pour les RBF est le mode hybride qui fait intervenir les modes
supervisés et non supervisés définis dans les
paragraphes
suivants et les règles sont soit la règle de
correction de l'erreur, soit la règle d'apprentissage par
compétition.
3.5.3. Réseaux "feed - back"
Appelés aussi «réseaux
récurrents», ce sont des réseaux dans lesquels il y a retour
en arrière de l'information. Ces réseaux ramènent
l'information en arrière de manière inverse par rapport au sens
de propagation défini dans un réseau Multicouche. Ces connexions
sont le plus souvent locales, (Touzet, 1992).
3.5.4. Cartes auto - organisatrices de Kohonen
Ce sont des réseaux à apprentissage
non-supervisé qui modifient leurs paramètres en fonction des
régularités statistiques des entrées et établissent
des catégorisations. Ils génèrent à la fin une
carte discrète ordonnée topologiquement en fonction des
différentes données d'entrée. Le réseau forme ainsi
une sorte de treillis dont chaque noeud est un neurone associé à
un vecteur de poids. La correspondance entre chaque vecteur de poids est
calculée pour chaque entrée. Par la suite, le vecteur de poids
ayant la meilleure corrélation, ainsi que certains de ses voisins, vont
être modifiés afin d'augmenter encore cette corrélation
(Parizeau, 2004 ; Dreyfus et al., 2004).
3.5.5. Réseaux de Hopfield
Les réseaux de Hopfield sont des réseaux
récurrents et entièrement connectés (Johannet, 2006). Dans
ce type de réseau, chaque neurone est connecté à chaque
autre neurone et il n'y a aucune différenciation entre les neurones
d'entrées et de sorties. Ils fonctionnent comme une mémoire
associative non-linéaire et sont capables de trouver un objet
stocké en fonction de représentations partielles ou
bruitées. L'application principale des réseaux de Hopfield est
l'entrepôt de connaissances, mais aussi la résolution de
problèmes d'optimisation. Le mode d'apprentissage utilisé ici est
le mode non-supervisé.
3.5.6. Réseaux à apprentissage par
compétition ou « Adaptative Resonnance Theory » (ART)
Les réseaux ART « Adaptative Resonnance Theory
» sont des réseaux à apprentissage par compétition.
Le problème majeur qui se pose dans ce type de réseaux est le
dilemme "stabilité/plasticité". En effet, dans un apprentissage
par compétition, rien ne garantit que les catégories
formées resteront stables. La seule possibilité, pour assurer la
stabilité, serait que le
coefficient d'apprentissage tende vers zéro, mais le
réseau perdrait alors sa plasticité. Les ART ont
été conçus spécifiquement pour contourner ce
problème. Dans ce genre de réseau, les vecteurs de poids ne
seront adaptés que si l'entrée fournie est suffisamment proche,
d'un prototype déjà connu par le réseau ; on parlera alors
de résonnance. A l'inverse, si l'entrée s'éloigne trop des
prototypes existants, une nouvelle catégorie va alors se créer,
avec pour prototype, l'entrée qui a engendrée sa création.
Il est à noter qu'il existe deux principaux types de réseaux ART
: les ART-1 pour des entrées binaires et les ART-2 pour des
entrées continues. Le mode d'apprentissage des ART peut être
supervisé ou non. Les différents réseaux de neurones
peuvent être résumés comme ce qu'indique la figure
23.
Figure 23 : Récapitulatif des
Principales architectures des réseaux de neurones formels
(RNF)
(Ladjadj, 2003)
| 
