Académique Documents
Professionnel Documents
Culture Documents
Cours #2 GPA-779
- 4 Application des réseaux de neurones et des systèmes experts
Aperçu des grands domaines
d’application des RNAs
On utilise des réseaux de neurones
artificiels (RNAs) pour tenter de résoudre
des problèmes complexes qui sont plus
faciles à résoudre par le cerveau que par un
ordinateur
Reconnaissance d’un visage familier
Système de sonar chez la chauve-souris
Conduire sous la pluie
Reconnaissance de forme
Cours #2 GPA-779
- 5 Application des réseaux de neurones et des systèmes experts
Exemple en reconnaissance
de forme
Cours #2 GPA-779
- 6 Application des réseaux de neurones et des systèmes experts
Utilité des réseaux de neurones (1)
Modèles de systèmes nerveux
biologiques et de l’intelligence
Cours #2 GPA-779
- 7 Application des réseaux de neurones et des systèmes experts
Utilité des réseaux de neurones (2)
Processeurs adaptatifs de
signal en temps-réel
tacy 40 50 60
Indice
canneberge -1 0 1
Cours #2 GPA-779
- 10 Application des réseaux de neurones et des systèmes experts
Architecture de von Neumann (1)
Unité centrale
de
traitement
Instructions
Données
et
Données
Mémoire
Cours #2 GPA-779
- 12 Application des réseaux de neurones et des systèmes experts
Architecture de von Neumann (2)
Cycle d’opération
1. Charger une instruction de la mémoire
2. Charger les données requises par l’instruction
3. Exécuter l’instruction (traiter les données)
4. Emmagasiner les résultats en mémoire
5. Retour à l’étape 1
Utilisation
Description d’un problème par un algorithme
Traitement de symboles selon des règles
Cours #2 GPA-779
- 13 Application des réseaux de neurones et des systèmes experts
Architecture de von Neumann (3)
Caractéristiques des machines de von Neumann
La machine doit connaître à l’avance la séquence des
opérations à effectuer: c’est le programme
Les données sont dans un format connu et précis
Dégradation brusque des performances en cas de bris
(crash)
Correspondance entre les symboles manipulés et le
matériel (chaque objet occupe un bloc précis de
mémoire)
Cours #2 GPA-779
- 14 Application des réseaux de neurones et des systèmes experts
Difficultés pour les algorithmes
de traitement d’image
Certaines lettres
inversées
Changement de
contexte
Cours #2 GPA-779
- 15 Application des réseaux de neurones et des systèmes experts
1.1 Modèle d’un neurone
Neurone artificiel
Cours #2 GPA-779
- 16 Application des réseaux de neurones et des systèmes experts
Le neurone biologique
Cours #2 GPA-779
- 17 Application des réseaux de neurones et des systèmes experts
Modèle électrique de la
membrane
dV
Cm m = (VNa − VK )GNa + (VK − Vm )GK + (VCl − Vm )GCl
Na : sodium dt
K : potassium
Cl : chlore
Batteries : pompes à ions
Cm : capacité de la
membrane
Modèle Shunt (Grossberg)
Le potentiel VCl est approximé
nul
Cours #2 GPA-779
- 18 Application des réseaux de neurones et des systèmes experts
Modèle d’un neurone artificiel
N
net = ∑ w x ±θ
x1 Wm
m n=1 mn n m
1
⎛ ⎛ N ⎞⎞
x2 Wm 2
y = f⎜
m
⎜ ⎟ = f (a )
⎜F ⎜ ∑ wmn xn ,am ⎟⎟
⎟ m
⎝ ⎝n = 0 ⎠⎠
Xk
x3 Wm 3
€a (k)
m
Wm ym ym
x4
Entrée
4
netm
Wm 5
€ = =
x5 Wm
m f(a) Sortie
n
F(net,a)
xn €
Wm N
f :
xN
Binaire ou Linéaire Sigmoïde
Signe à seuil
Cours #2 GPA-779
- 19 Application des réseaux de neurones et des systèmes experts
Notation
netm valeur d’entrée du am activation du neurone m.
neurone m. Aussi appelé
potentiel
Généralement 1 site (noté xm)
par neurone.
F() fonction d’activation
ym valeur de sortie du
neurone m. f() fonction de sortie
∑ −θ m
Wmn poids de la connexion seuil ∑ +β m
m
de la sortie du ou
neurone n au polarisation €
synapse d’entrée €
du neurone m
du neurone m
Cours #2 GPA-779
- 20 Application des réseaux de neurones et des systèmes experts
1.2 Fonction de site
netm
xn
m
Cours #2 GPA-779
- 21 Application des réseaux de neurones et des systèmes experts
netm : Somme pondérée de toutes les
entrées à ce site du neurone
netm : lorsqu’il y a 1 site
sim : lorsqu’il y a plus d’un site par
neurone
N v v
net m = ∑ wmn xn = Wm • X
n=0
k
W
v v
netm = Wm ⋅ X cos(θ ) X
€ k
Cours #2 GPA-779
- 22 €
Application des réseaux de neurones et des systèmes experts
1.3 Fonction d’activation F()
Linéaire : la plus courante
N
a = net = ∑ w x
m m mn n
n=0
Cours #2 GPA-779
- 23 Application des réseaux de neurones et des systèmes experts
Shunt: simulation d’une
cellule nerveuse
On part de l’équation
dynamique
d’une cellule
nerveuse
dV
Cm m = (V − V )G + (V − Vm )G + (V − Vm )G
dt Na K Na K K Cl Cl
Cours #2 GPA-779
- 24 Application des réseaux de neurones et des systèmes experts
1.4 Fonction de sortie f()
Linéaire : ym = am
Binaire : souvent avec seuil m
Signe : +1 si am positive, -1 sinon
Sigmoïde : compression de la plage
de sortie, différentiable (pour
la rétropropagation d’erreur)
Cours #2 GPA-779
- 25 Application des réseaux de neurones et des systèmes experts
Sigmoïde
Le paramètre T
commande la pente à
l’origine
Sortie unipolaire y= 1
−a
1+e T
Cours #2 GPA-779
- 26 Application des réseaux de neurones et des systèmes experts
Résumé
Un neurone (ou une couche) est caractérisé
principalement (la plupart des modèles) par
sa fonction de sortie et par la valeur de son
seuil ou polarisation que l’on indique dans
le cercle du neurone. On modélise ce
paramètre par un lien relié à 1
Cours #2 GPA-779
- 27 Application des réseaux de neurones et des systèmes experts
1.5 Apprentissage
Apprentissage
Modification des poids jusqu’à atteindre
une sortie «correcte» pour les formes
d’entrée du set d’apprentissage
Généralisation
Capacité du réseau à produire une réponse
correcte à une forme non-apprise
Cours #2 GPA-779
- 31 Application des réseaux de neurones et des systèmes experts
Règle d’apprentissage
Fonction de modification des poids
Δw ji∝xi⋅r avec r : signal d’apprentissage
Catégories d’apprentissage
Supervisé présence du tuteur dj
Non-supervisé absence de signal-tuteur
Cours #2 GPA-779
- 32 Application des réseaux de neurones et des systèmes experts
N
neti= ∑ winxn±θi
n=1
Δwin=η⋅xn⋅r(win,yi,di)
x1 Wi 1
x2 Wi 2 ΔWi=η r(Wi,yi,di)X
x3 Wi
Entrée X
3
ai (k)
yi Sortie yi
Wi
x4
4
neti
Wi 5 = =
x5 Wi n
j f(a)
F(net,a)
xn Wi N
wi n
Générateur du
xN xn
r
di
signal
d’apprentissage
Cours #2 GPA-779
- 33 Application des réseaux de neurones et des systèmes experts
1.6 Réseaux de neurones
Simple couche, par anticipation
Cours #2 GPA-779
- 34 Application des réseaux de neurones et des systèmes experts
Multicouche, en cascade
y1 d1
x1
x2 y2 d2
Cours #2 GPA-779
- 35 Application des réseaux de neurones et des systèmes experts
Multicouche, en cascade, partiel
Champ
récepteur
de i i
Cours #2 GPA-779
- 36 Application des réseaux de neurones et des systèmes experts
Multicouche, résonant
Cours #2 GPA-779
- 37 Application des réseaux de neurones et des systèmes experts
Monocouche, récurrent
Cours #2 GPA-779
- 38 Application des réseaux de neurones et des systèmes experts
1.7 Historique
McCulloch & Pitts 1943
Modèle simple de neurone biologique.
Sortie binaire, poids fixes
Réseaux pour simuler opérations logiques de base
(ex.: portes ET, OU, OU Exclusif)
Donald Hebb (McGill) 1949
Professeur éminent de psychologie
Première loi d’apprentissage
Δw ji∝xi⋅y j
Rosenblatt 1959
Perceptron
Cours #2 GPA-779
- 39 Application des réseaux de neurones et des systèmes experts
Minsky & Papert 1969
Article qui monte les limitations du Perceptron
Chercheurs actifs :
Grossberg ; Fukishawa
Kohonen ; Amari ; Anderson
Hopfield 1982
Groupe PDP 1986
Renaissance de l’intérêt
Cours #2 GPA-779
- 40 Application des réseaux de neurones et des systèmes experts
Statistique et réseaux de neurones
Une question de nomenclature?
Réseaux de neurones Statistiques
Apprentissage Estimation
Poids Paramètres
Connaissance Valeur des paramètres
Apprentissage supervisé Régression / classification
Classification Discrimination / classement
Apprentissage non-supervisé Estimation de densité / clustering
Clustering Classification / taxinomie
Réseau de neurones Modèle
Grand : 100 000 poids Grand : 50 paramètres
Ensemble d’apprentissage Échantillon
Grand : 50 000 exemples Grand : 200 cas.
Cours #2 GPA-779
- 41 Application des réseaux de neurones et des systèmes experts
1.8 Taxonomie
La taxonomie consiste à bâtir un arbre de
classification des réseaux neuroniques selon le
nombre de couches, la méthode de recherche
de solution et la règle d’apprentissage
Cours #2 GPA-779
- 42 Application des réseaux de neurones et des systèmes experts
Taxonomie de Lippmann (1987)
Cours #2 GPA-779
- 43 Application des réseaux de neurones et des systèmes experts
Taxonomie de Jain et al. (1996)
Cours #2 GPA-779
- 44 Application des réseaux de neurones et des systèmes experts
Taxonomie générale
Réseaux Réseaux
# couches
monocouches multicouches
Cours #2 GPA-779
- 45 Application des réseaux de neurones et des systèmes experts
Taxonomie pour la
reconnaissance de formes
Problématique
Extraction Système
X des Y de D
primitives décision
Cours #2 GPA-779
- 46 Application des réseaux de neurones et des systèmes experts
Taxonomie pour la reconnaissance de formes
Cours #2 GPA-779
- 54 Application des réseaux de neurones et des systèmes experts
1.9 Simulateurs
Approche objet
Environnement
graphique évolué
Inspirée de la POO
Neurone objet
– Attributs
Valeur d’activation
Valeur de sortie
Poids
etc.
– Méthodes
Fonctions
d’activation, de sortie
Apprentissage
Cours #2 GPA-779
- 55 Application des réseaux de neurones et des systèmes experts
Approche
matricielle
Utilisation de
logiciels spécialisés
en traitement
matriciel
– MATLAB
– Mathematica
couche vecteur
poids matrice
Cours #2 GPA-779
- 56 Application des réseaux de neurones et des systèmes experts
Approche par
programmation
Environnement de
simulation
Language orienté objet :
C++ ou Java
Objet informatique :
– Attributs
– Méthodes
Cours #2 GPA-779
- 58 Application des réseaux de neurones et des systèmes experts