3.8.6. Adaptabilité
Les modèles neuronaux pourraient être
conçus de manière à changer les poids de leurs synapses en
temps réel, en fonction des changements environnementaux. Ils peuvent
donc opérer dans un environnement non stationnaire.
3.8.7. Utilisation des données dans leur état
brute
En principe, le Réseau de neurones fonctionne avec les
données telles qu'elles sont, sans transformation pour rendre leur
série homogène ou stationnaire, ou pour changer leur
échelle. Néanmoins, il est préférable de
standardiser les entrées et les sorties. Cette transformation permet au
réseau de mieux éviter les minima locaux et d'avoir, pour une
valeur d'initialisation des poids et seuils proches de zéro, une valeur
plus proche du minimum global. Ceci est d'autant plus vrai pour les
méthodes d'apprentissage de type gradient de la plus forte pente, telle
que la rétro propagation définie dans la suite de ce
mémoire. Ces méthodes sont très sensibles aux valeurs
initiales.
3.8.8. Propriété d'universalité et
analogie avec la neurobiologie
L'universalité des analyses et des conceptions des
réseaux de neurones est la possibilité de
partager les
théories, les types de neurones, les algorithmes d'apprentissages, etc.,
dans
différentes applications. En ce qui concerne l'analogie
avec la neurobiologie, la science neurobiologique inspire le
développement d'autres réseaux de neurones formels qui sont,
à leur tour, des outils de recherche pour interpréter les
phénomènes neurobiologiques. Malgré la grande
variété des propriétés des réseaux de
neurones, ci-dessus énumérées, qui permettent d'obtenir de
très bons résultats lorsqu'ils sont utilisés en simulation
et en prévision ; il est bon de remarquer que, ces modèles, tout
comme les autres modèles hydrologiques, présentent toutefois des
limites. Pour pallier à certaines de ces limites qui feront l'objet de
la section cidessous, des précautions sont à prendre.
| 
