Classification automatique et reconnaissance de formes par les réseaux de neurones

Abstract

La technologie actuelle de représentation de l’information avec possibilité d’apprentissage nécessite un ensemble de principes fondamentaux de traitements parallèles de l’information. Parmi les algorithmes d’apprentissage les plus connus, celui de la rétropropagation du gradient, imaginé indépendamment par Yann Le Cun, Parker en 1985 Rumelhart, Hinyon et Wilians en 1986. Les méthodes du gradient ont été utilisé afin de minimiser le critère des moindres carrés entre les sorties réelles et désirées d’un réseau. Le travail présenté ici, est essentiellement consacré l’étude des algorithmes par la méthode connexionniste. Dans la première partie de ce mémoire nous nous sommes donnés les différentes méthodes d’apprentissage pour le problème de classification et la reconnaissance des formes. Dans la deuxième partie nous avons proposés des différentes méthodes qui sont basées sur les performances suivantes : - L’amélioration du temps de calcul et la réduction du nombre de connexions, en utilisant une méthode de décentralisation du réseau. - L’amélioration de la convergence de la fonction de coût en utilisant le Gradient Conjugué. - La restauration d’une image dégradée dont nous ignorons le filtre de dégradation et l’image originale. - L’utilisation du filtre Gaussien adaptatif a permis d’adapter les poids en agissant uniquement sur un seul paramètre σ. Par conséquent, on gagne énormément sur la mémoire et le temps de calcul.