Résumé
Les réseaux de neurones artificiels sont des modèles de calcul qui s'inspirent du fonctionnement des réseaux de neurones biologiques. Ils sont composés de neurones d'entrées, de neurones intermédiaires et de neurones de sorties reliés par des connexions. Ils reçoivent des signaux par leurs neurones d'entrées et produisent une réponse qu'ils renvoient à l'aide de leurs neurones de sorties. La réponse produite dépend des connexions qui existent entre les différents neurones. Ces réseaux sont capables d'apprendre à réaliser une tâche.Les réseaux de neurones artificiels sont classés dans la famille des méthodes statistiques et des méthodes de l'intelligence artificielle. Ils sont utilisés dans des domaines variés tels que l'estimation boursière, la météorologie et l'approximation de fonctions complexes.
L'objectif de ce mémoire est d'étudier la modélisation et l'apprentissage de ces réseaux de neurones. La modélisation est étudiée de façon générale et à travers deux modèles particuliers. L'apprentissage est tout d'abord étudié à travers les algorithmes dits "classiques". Il est également relié aux algorithmes génétiques multi-obejctifs. Une implémentation d'un modèle simple de réseau de neurones et de deux types d'algorithmes génétiques multi-objectifs est ensuite réalisée. Des tests sont effectués afin de trouver les paramètres qui permettent la convergence de ces algorithmes en un nombre minimal de générations. Cette première phase d'analyse est suivie d'une second phase au cours de laquelle la dégénérescence et la redondance des réseaux de neurones sont étudiées. Cette seconde phase permet de mettre en évidence les fonctions modélisables par le modèle de réseaux implémenté. Elle permet également une comparaison des résultats obtenus par optimisation modulaire et globale. Enfin, une application au domaine de la robotique évolutionnaire des réseaux de neurones et des algorithmes génétiques implémentés est expérimentée.
| la date de réponse | 22 juin 2012 |
|---|---|
| langue originale | Français |
| Superviseur | Timoteo Carletti (Promoteur) |