Académique Documents
Professionnel Documents
Culture Documents
Chapitre II :
II.1. Introduction :
II.1. Historique :
Le cerveau humain est constitué d’un grand nombre de neurones, d’unités biologiques
élémentaires, extrêmement interconnectés. Chacun reçoit et envoie des informations à
plusieurs milliers de ses congénères. Le neurone biologique, qui est la cellule de base
du système nerveux central, est constitué de trois parties essentielles (Figure II.1).
Le corps cellulaire (ou soma) : C’est un corps cellulaire, de 20 µm de diamètre
et de forme variable. Il contient le noyau du neurone qui effectue la
transformation biologique nécessaire à la synthèse des enzymes et d’autres
molécules qui assure la vie du neurone.
Les dendrites : Chaque neurone possède une "chevelure" de dendrites qui
entourent le corps cellulaire. Celles-ci se ramifient, pour former une espèce
d’arborescence autour du corps cellulaire.
L’axone : Est la fibre nerveuse qui sert à transporter les signaux émis par le
neurone. Les connexions entre les neurones se font dans des endroits appelés
synapses où ils sont séparés par un espace synaptique d’ordre de centième de
micron.
(II.2)
Les fonctions d’activations les plus utilisées sont présentées dans la figure II.3.
II.4. RNA :
Un RN est un ensemble de neurones reliés entre eux avec une topologie spécifique
d’interconnexions et une loi appropriée d’apprentissage pour adapter les poids de
connexions. D’une manière générale, la structure des connexions entre les neurones
d’un réseau peut aller d’une connectivité totale où tous les neurones sont reliés les uns
aux autres, à une connectivité locale où les neurones ne sont connectés qu’à leurs
proches voisins. Une autre structure de connexions est celle des réseaux multicouches,
constitués d’une couche d’entrée, d’une couche de sortie et d’une ou de plusieurs
couches internes, appelées aussi couches cachées.
Les neurones formels que l'on vient de définir doivent être assembles pour former un
réseau. Le type de réseau le plus simple s'appelle le "perceptron". Il est constitue en fait
d'un seul neurone et permet de réaliser des opérations très simples. Il est cependant
très limité. C'est pourquoi on utilise un type de réseau plus complexe, le Perceptron
Multicouches (PMC). Comme son nom l'indique, il est constitue de plusieurs couches
de neurones entièrement connectées entre elles.
Que veulent dire "entrées" et "sorties"? Si l'on compare notre réseau au cerveau,
on peut comprendre cela comme les signaux reçus, et les ordres émis. Par
exemple, si l' "entrée" est une image provenant des yeux, disons, un ours qui
attaque, alors il faut que le cerveau donne en "sortie" l'ordre de fuir ! Ainsi,
lorsqu'un sens donne une information, le cerveau renvoie une réponse.
Les neurones sont arrangés par couche. Il n'y a pas de connexion entre neurones d'une
même couche et les connexions ne se font qu'avec les neurones des couches avalés.
Habituellement, chaque neurone d'une couche est connecte à tous les neurones de la
couche suivante et celle-ci seulement. Ceci nous permet d'introduire la notion de sens
de parcours de l'information (de l'activation) au sein d'un réseau et donc définir les
concepts de neurone d'entrée, neurone de sortie. Par extension, on appelle couche
d'entrée l'ensemble des neurones d'entrée, couche de sortie l'ensemble des neurones
de sortie. Les couches intermédiaires n'ayant aucun contact avec l'extérieur sont
appelés couches cachées.
Il s'agit d'une structure multicouche, mais qui a l'image de la rétine, conserve une
certaine topologie. Chaque neurone entretien des relations avec un nombre réduit et
localise de neurones de la couche avale. Les connexions sont donc moins nombreuses
que dans le cas d'un réseau multicouche classique.
II.6. Apprentissage :
Maintenant que l'on a crée un réseau, il faut lui faire apprendre quelque chose. Pour
mieux comprendre cela, nous prendrons l'exemple de la reconnaissance de caractères:
on présente des caractères au réseau et il a pour objectif de reconnaitre ce caractère.
Par exemple, si on lui montre la lettre " a " dessinée, il doit nous répondre que cela est
un " a ". (Figure II.5)
Comment réaliser cela ? La méthode est en quelque sorte une imitation du cerveau: si
la réponse est correcte, c'est bien, mais s'il y a une erreur, il faut modifier le réseau afin
de ne pas réitérer l'erreur.
L’apprentissage supervisé,
L’apprentissage non supervisé.
a - Apprentissage Supervisé :
Pour ce type d'apprentissage, l'adaptation des poids n'est pas basée sur la
comparaison avec une certaine sortie désirée. Dans ce cas, le réseau organise lui-
même les entrées qui lui sont présentées de façon à optimiser un critère de
performances donné, (Figure II.7).
>> gensim(net)
x{1} y{1}
Neural Network
Figure II.8 Bloc Simulink d'un réseau neuronal en utilisant la commande "gensim"