3.7. DOMAINES D'APPLICATION DES RÉSEAUX DE
NEURONES
Se trouvant à l'intersection de différents
domaines (informatique, électronique, sciences cognitives, neurobiologie
et même philosophie), l'étude des réseaux de neurones
formels (RNF) est une voie prometteuse de l'Intelligence Artificielle (IA), qui
a des applications dans de nombreux domaines tels que l'industrie, les
télécommunications, les sciences hydrologiques, etc.
i. Industrie : Le contrôle qualité, le
diagnostic de panne, les corrélations entre les données fournies
par différents capteurs, l'analyse de signature ou d'écriture
manuscrite...
ii. Finance : La prévision et modélisation du
marché (cours de monnaies, etc.), la sélection d'investissements,
l'attribution de crédits, etc.
iii. Télécommunications et informatique :
L'analyse du signal, l'élimination du bruit, reconnaissance de formes
(bruits, images, paroles), la compression de données, etc.
iv. Environnement : L'évaluation des risques, l'analyse
chimique, les prévisions et la modélisation
météorologiques, gestion des ressources...
v. Sciences hydrologique : La modélisation du
binôme pluie-débit avec pour exemple les travaux de Coulibaly
et al. (2000) et Dechemi et al. (2003).
Les paragraphes développés jusqu'à
présent ont montré que les réseaux de neurones formels
sont utilisés, avec succès, dans plusieurs domaines. Mais
pourquoi est-ce que ces modèles arrivent à donner de très
bons résultats ? L'objet du chapitre suivant est d'apporter des
éléments de réponse à cette question.
3.8. PROPRIÉTÉS DES RÉSEAUX DE
NEURONES
Les nombreuses performances obtenues avec les modèles
à base de réseaux de neurones sont généralement le
fait des propriétés qu'ils possèdent. Mangeas (1997) et
Haykin (1999) font la description de certaines propriétés telles
que : la non linéarité ; la tolérance au manque
d'information ; la résistance aux entrées aberrantes ; la
possibilité de se passer de pré requis ;
la non-unicité du modèle par rapport aux
paramètres ; l'adaptabilité ; l'utilisation des données
à leur état brut ; l'universalité et l'analogie avec la
neurobiologie.
3.8.1. Non-linéarité
Etant donné que le neurone est un élément
non linéaire et que les neurones sont
parallèlement distribués dans le réseau, celui-ci peut
s'adapter aux phénomènes physiques complexes, là
oüle mécanisme responsable de la
génération du signal d'entrée et/ou les relations entre
les
entrées et les sorties sont non linéaires comme
c'est le cas entre la pluie et le débit mesurée en un point d'un
bassin versant donné. Mais, cette non-linéarité ne
dépend pas uniquement de la fonction d'activation, mais également
de la norme des poids. Plus cette norme est petite, plus les entrées
(In) parvenant aux neurones se situent au voisinage de zéro
et plus les fonctions sigmoïdes utilisées sont proches des
fonctions linéaires.
|