3.11. CONCLUSION PARTIELLE
D'après les paragraphes précédents, il
ressort que les réseaux de neurones sont des modèles
inspirés du fonctionnement du cerveau humain, composé de
plusieurs unités de calcul simple appelées neurones et
fonctionnant en parallèle. 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. Le but de ces modèles est de traiter des
informations de façon analogue au système biologique. Il existe
alors une analogie entre les deux types de neurones. En effet, les synapses,
les axones, les dendrites et le soma, des neurones biologiques correspondent
respectivement aux poids des connexions, aux signaux de sortie, aux signaux
d'entrée, et à la fonction d'activation, dans les neurones
artificiels. Il a été également possible de voir que
l'évolution des recherches sur les réseaux de neurones Formels ou
Artificiels a connu trois grandes étapes : la naissance ou le
début des recherches en 1890, le ralentissement des travaux en 1969 et
la renaissance en 1982. La manière dont ces neurones sont
disposés définit les différentes architectures des
réseaux de neurones formels (RNF) utilisés pour la
résolution de problème non-linéaire dans plusieurs
disciplines, notamment l'industrie, la télécommunication,
l'informatique et les sciences hydrologiques. En effet, plusieurs
réseaux de neurones existent : les réseaux feed-forward, les
réseaux à fonction radiale, les réseaux feed-back, les
cartes auto-organisatrices de Kohonen, les réseaux de hopfield et les
réseaux à apprentissage par compétition. Parmi tous ces
réseaux, seuls les Perceptrons Multicouches (PMC) sont les plus
utilisés pour la prévision et la simulation de la relation
pluie-débit. Ces modèles doivent ces différentes
performances à leurs innombrables propriétés citées
précédemment. Malgré ces différentes
propriétés, les réseaux de neurones ne sont fonctionnels
que s'ils sont calibrés grâce aux différentes approches
d'apprentissage comme le mode supervisé, le mode renforcé, le
mode non-supervisé et le mode hybride. Cependant, il faut noter que la
bonne applicabilité de ces modèles nécessite le respect
d'un certain nombre de règles afin d'éviter les problèmes
des minima locaux qui sont les causes de certaines mauvaises performances des
modèles de réseaux de neurones. Pour éviter ces
problèmes, la généralisation apparaît comme une
solution idoine.
Le chapitre III qui vient de s'achever a traité de la
problématique des réseaux de neurones. Le chapitre IV, de la
deuxième partie de ce mémoire, sera consacré au
matériel et aux méthodes utilisées pour atteindre les
objectifs de cette étude.
| 
