USTHB - FGE Master Automatique et Systèmes

I. Introduction
On sait que le comportement intelligent de l’Homme est réalisé grâce à un ensemble de
mécanismes mentaux effectués par le cerveau. L’unité fondamentale du cerveau est le
neurone.

II. Définitions
1. Le neurone biologique
C’est une cellule avec un noyau. Le corps cellulaire ramène l’information de l’extérieur par
une chevelure appelée dendrites. L’information est traitée par le neurone puis est acheminée
vers d’autres neurones par l’axone (figure 1).
2. Le neurone artificiel (ou neurone formel)
Des chercheurs ont montré que l’on pouvait s’inspirer du neurone biologique pour concevoir
des processus pour résoudre des problèmes de l’électronique, les télécommunications, les
finances etc. Dans ce cas, on cherche à s’inspirer du traitement de l'information effectué par le
cerveau. Le modèle mathématique du neurone biologique est appelé neurone artificiel ou
neurone formel (Figure 1). C’est en 1943 que J. Mc Culloch et W. Pitts ont modélisé le
neurone biologique (MCP). J. Mc Culloch et W. Pitts ont été les premiers chercheurs à
montrer que des réseaux de neurones formels simples peuvent réaliser des fonctions logiques
et arithmétiques, ce domaine n’a cessé depuis de prendre de l’essor.

N.Achour Page 1
USTHB - FGE Master Automatique et Systèmes

En 1958, F.Rosenblatt a introduit le concept de perceptron qui est une version améliorée du
neurone artificiel MCP, en effet le perceptron a la capacité d’apprendre.

3. Structure d’un neurone formel (ou neurone artificiel)

 Chaque neurone artificiel est un processeur élémentaire.
 Il reçoit un nombre variable d'entrées en provenance de neurones amont. A chacune de
ces entrées est associé un poids w abréviation de weight (poids en anglais)
représentatif de la force de la connexion (figure 2).
 Chaque neurone est doté d'une sortie unique, qui se ramifie ensuite pour alimenter un
nombre variable de neurones avals. A chaque connexion est associé un poids.

Les notations utilisées dans un neurone formel sont les suivantes :

Neurone j : neurone en amont du neurone i et wij est le poids de la connexion entre i et j.
Neurone k : neurone en aval du neurone i et wki est le poids de la connexion entre i et k.

Figure 2. Structure du neurone formel

4. Modèle non linéaire d’un neurone

Le modèle non linéaire du neurone est le suivant (Figure 3):
Lien d’activation
Lien synaptique

Champ ‘’a’’ local induit

Figure 3

La non linéarité est introduite par la fonction d’activation (.) qui est une fonction non
linéaire, sa forme peut être (Figure 4):

N.Achour Page 2

a
 USTHB - FGE Master Automatique et Systèmes

y=(a) y=(a)

y=(a) y=(a)

a
a

Figure 4. Différents types de fonctions de transfert  pour un neurone artificiel.

a : fonction à seuil (S : la valeur du seuil), b : linéaire par morceaux, c : sigmoïde, d : tanh

Un neurone est donc un graphe direct constitué de nœuds et de liens (ou connexions)
synaptiques et d’un lien d’activation, il est caractérisé par quatre propriétés :
 Un neurone est représenté par des liens synaptiques linéaires, un biais et d’un lien
d’activation
 Les liens synaptiques pondèrent les signaux entrées (x1, x2, …xm)
 La somme pondérée des signaux d’entrée produit un champ local induit ‘’a’’
 Le lien d’activation va produire la sortie via la fonction (.).

Le modèle incomplet d’un neurone est le suivant (Figure 5):

Figure 5

5. Fonctionnement du neurone formel

Figure 6.

N.Achour Page 3
USTHB - FGE Master Automatique et Systèmes

Le neurone de la figure 6 réalise une simple somme pondérée de ses entrées, compare une
valeur de seuil, et fournit une réponse binaire en sortie.

Exemple : Sachant que les poids du Perceptron à deux entrées sont les suivants : w1 = 0.2, w2
= 0.1 et que la valeur de seuil est S = 0.2, son comportement est il un ET logique, un OU
logique ou un XOR logique ?

On rappelle les trois fonctions logiques :

Fonction Entrée 1 e1 Entrée 2 e2 Sortie x

1 1 1
OU 1 -1 1
-1 1 1
-1 -1 -1
1 1 1
1 -1 -1
ET
-1 1 -1
-1 -1 -1
1 1 -1
1 -1 1
XOR (OU exclusif)
-1 1 1
-1 -1 -1

III. Les réseaux de neurones artificiels

- Lorsqu’il s’agit d’un seul neurone on parle de perceptron, lorsqu’ils sont plus, on parle
d’un réseau de neurones artificiels.
- Les réseaux de neurones artificiels sont des réseaux fortement connectés de processeurs
élémentaires fonctionnant en parallèle.
- Le domaine des réseaux de neurones artificiels est aussi appelé connexionnisme ou
neuromimétique.

III.1 Les différentes architectures de réseaux de neurones

En général on identifie trois structures de réseaux de neurones :

1. Single-Layer Feedforward Networks (traduction : Réseaux Feedforward à une couche) :

Il est composé d’une « couche » de neurones d’entrée qui se projettent dans une couche de
sortie composée de neurones de sortie ou neurones de calcul (Figure 7). On notera que le
mot couche ne s’applique en réalité que lorsqu’il s’agit de neurones de calcul. Le terme
Feedforward signifie que le signal (l’information) circule de l’entrée vers la sortie (en
avant), il n’y a pas de retour de signal, on dit que le réseau ne comporte pas de cycles.

N.Achour Page 4
USTHB - FGE Master Automatique et Systèmes

Figure 7

2. Multi-Layer Feedforward Networks ou MLP (traduction : Réseaux Feedforward multi-

couches) Il est composé de plusieurs couches, la couche de sortie et une ou plusieurs
couches cachées (Hidden layers) (Figure 8).

Figure 8

3. Recurrent Networks (traduction : Réseaux récurrents)

Dans ce type de réseau, il y a au moins un cycle. Ils peuvent contenir une seule ou
plusieurs couches. La sortie d’un neurone est rebouclée sur l’entrée des autres neurones
avec un retard (Figure 9).

N.Achour Page 5
USTHB - FGE Master Automatique et Systèmes

Figure 9. Exemples de réseaux récurrents

III.2 Les différentes applications des réseaux de neurones

Les différentes tâches qui peuvent être réalisées par les réseaux de neurones sont :

 Association
 Reconnaissance de forme (Pattern Recognition)
 Approximation de fonctions
 Commande de processus
 Identification
 Inversion d’un modèle
 Filtrage

N.Achour Page 6