Section Travaux Pratiques

183

Un dernier essai

EXERCICES
LES RSEAUX DE NEURONES COMPTITIFS

1. Phase de comptition
Dans un rseau de comptition, une forme est prsente lentre du rseau
et est projete sur chacun des neurones de la couche de comptition. Une
comptition est organise afin de dterminer le neurone dont le vecteur de
poids est le plus prs de la forme prsente lentre. Le neurone gagnant
peut tre dtermin par simple programmation (fonction Max ( net i ) ou par
interconnexions des neurones de la couche de comptition au moyen de liens
inhibitifs et excitateurs.
Des liens dinhibition connectent chaque neurone avec tous les autres
neurones de la couche et un lien dexcitation connecte chaque neurone sur
lui-mme. La sortie dun neurone inhibe tous les autres neurones de la couche
avec une force proportionnelle lamplitude de sortie du neurone : plus
lamplitude de sortie est leve, plus lactivit des autres neurones de la
couche est attnue. La figure ci-dessous illustre les connexions de
comptition pour un des neurones de la couche. Les mmes types de
connexions se rptent pour les autres neurones.
y1

y2
-!

y3

+1

yM
-!

-!

net1

net2

net3

netM

Rseau linaire de comptition de type Gagnant emporte tout

Les connexions dinhibition et la connexion excitatrice de contreraction sont illustres pour le 2e neurone seulement et se rptent
pour chaque autre neurone.

184

Les rseaux de neurones comptitifs

Chapitre 4

Les valeurs netm initialisent la phase de comptition (pour t=0 seulement). On

a:
ym = ym ! # yj

1
! < ----M

ym > 0

j"m

ym $ 0

= 0

Soit le rseaux suivant :

y1

y2
-!

y3

y4
-!

+1
-!

0,2
0,4
0,6
0,8
Rseau linaire de comptition de type Gagnant emporte tout
Les connexions dinhibition et la connexion de contre-raction sont
illustres pour le 2e neurone seulement et se rptent pour chaque
autre neurone. Y t = 0 = [ 0, 2 0,4 0,6 0,8] .
Trouvez les rponses subsquentes du rseau pour un poid dinhibition !=0,2.
Rponse :
t

y1

y2

y3

y4

0,2

0,4

0,6

0,8

0,08

0,32

0,56

0,192

0,48

0,096

0,442

0,008

0,422

0,421

Section Travaux Pratiques

185

Un dernier essai

2. Quantification vectorielle LVQ1 de Kohonen (apprentissage supervis)

Un rseau de quantification vectorielle LVQ1 est compos dune entre
deux composantes et dune couche de comptition de 16 neurones disposs
selon un plan de 4 x 4 neurones. Quatre classes sont possibles : c 1, c 2, c 3 et
c 4 . Les vecteurs de poids ( 2 composantes) de chacun des 16 neurones de la
couche de comptition sont indiqus par les coordonnes des neurones dans
le tableau ci-dessous, coordonnes qui sont lues dans lordre colonne-ligne.
x2
1,0
0,8

c3

c4

c1

c2

0,6

c1

c2

c3

c4

0,4

c3

c4

c1

c2

0,2

c1

c2

c3

c4

0,2

0,4

0,6

0,8

0,0
0,0

1,0

x1

Par exemple, le neurone avec le vecteur de poids (0,2 0,4) est assign pour
reprsenter la classe 3, et les neurones assigns pour reprsenter la classe 1
ont comme valeurs initiales de vecteurs de poids : (0,2 0,2), (0,2 0,6),
(0,6 0,8) et (0,6 0,4).
En utilisant le carr de la distance euclidienne (et la gomtrie du tableau, afin
dviter avoir calculer des distances), dterminez les changements qui
surviennent suite aux manipulations suivantes :
a) Prsentez le vecteur (0,25 0,25) reprsentant la classe 1 lentre du
rseau. En utilisant un taux dapprentissage % = 0, 5 , montrez quel
neurone de classification bouge et dans quelle direction (en calculant
son nouveau vecteur de poids).
b) Soumettez le vecteur (0,4 0,35) reprsentant la classe 1. Que se passet-il?

186

Les rseaux de neurones comptitifs

Chapitre 4

c) Et si le vecteur (0,4 0,45) reprsentant toujours la classe 1 est soumis

en entre la place, que se passe-t-il?
d) La base dapprentissage est construite partir des rgions suivantes du
tableau :
Classe 1

0 $ x 1 < 0, 5

0 $ x 2 < 0, 5

Classe 2

0, 5 $ x 1 < 1

0 $ x 2 < 0, 5

Classe 3

0 $ x 1 < 0, 5

0, 5 $ x 2 < 1

Classe 4

0, 5 $ x 1 < 1

0, 5 $ x 2 < 1

Dun point de vue court terme, lequel des seconds vecteurs soumis (0,4 0,35) de la partie b) ou (0,4 0,45) de la partie c) - a un meilleur
effet en bougeant les neurones de classification vers leur position
dsire pour reprsenter correctement les donnes dentre?

Section Travaux Pratiques

187

Un dernier essai

3. Carte topologique de Kohonen

Soit la carte linaire 1 5 de Kohonen deux entres suivante :
c1
c3
c4
c2

comptition

0,8

0,9
0,7

0,6

c5

0,1

0,5

0,4

0,3
0,2

0,3

entre
x1

x2

La similarit entre la forme X = x 1 x 2 et le vecteur de poids du neurone

2

cm est mesure par la distance euclidienne au carr D m . Le neurone gagnant

sera donc celui dont la distance euclidienne au carr avec le vecteur dentre
sera la plus faible.
Les paramtres du rseau sont :
X = 0, 5 0, 2
% = 0, 2
2

D m = ( w m1 x 1 ) + ( w m2 x 2 )

a) Dterminez le neurone cm* dont le vecteur de poids W m* est le plus

prs du vecteur dentre X = 0, 5 0, 2 .
b) Calculez le nouveau vecteur de poids W m* en utilisant une constante
dapprentissage % = 0, 2 .
c) Si les neurones voisins c m* 1 et c m* + 1 peuvent aussi participer
lapprentissage, trouvez leur nouveau vecteur de poids W m* 1 et
W m* + 1 .