|
Les modèles dans ©Neuro One
|
|
|
| Les modèles dans ©Neuro One
|
|
|
| Les modèles utilisés par ©Neuro One peuvent être d'origine très diverses. ©Neuro One est capable de travailler avec :
|
| · | Des modèles de connaissance analytiques;
|
| · | Des modèles semi-physiques.
|
| · | Des modèles de connaissance compilés
|
| · | Des réseaux de neurones
|
|
|
| Les modèles de connaissance analytiques ainsi que les modèles semi-physiques sont décrits plus précisément dans la documentation du produit ©Neuro Shop.
|
|
|
| Les modèles compilés relèvent d'une documentation spécifique (consulter NETRAL SA).
|
|
|
| Les réseaux de Neurones dans ©Neuro One
|
|
|
| Cette section a pour objet de présenter les réseaux de neurones, tels qu'ils sont implémentés dans ©Neuro One. L'accent est donc mis sur les spécificités de ©Neuro One, plutôt que sur ce qui est considéré comme standard dans le domaine des réseaux de neurones.
|
|
|
| Un réseau de neurones dans Neuro One© est composé de trois (éventuellement deux) couches de neurones:
|
| · | une couche de neurones d'entrées
|
| · | une couche de neurones cachés ;
|
| dans le cas d'un modèle linéaire (pas de neurones caché), cette couche est absente.
|
| · | une couche de neurones de sorties.
|
| Lorsque le problème posé est la modélisation d'une fonction continue, le paramètre significatif pour la capacité d'apprentissage d'un réseau de neurones est le nombre de paramètres (poids synaptiques) du modèle plutôt que le nombre de couches cachées. La possibilité d'avoir plusieurs couches de neurones cachés n'apporte donc aucun gain sur la qualité du modèle.
|
| Par contre, lorsque le problème posé est un problème de classification, ©Neuro One permet de réaliser un réseau à plusieurs couches en utilisant l'outil ©Neuro Shop.
|
| Un réseau de neurones peut être :
|
| · | Statique : la valeur de la sortie dépend uniquement de la valeur des entrées au même instant. La structure du réseau est un graphe orienté acyclique, c'est-à-dire sans boucle.
|
| Si la valeur de la sortie dépend de la valeur des entrées au même instant et à des instants passés, les entrées sont de type 'séries temporelles'. Le modèle est cependant un réseau de neurones statique.
|
| · | Dynamique : la valeur de la sortie dépend de la valeur des entrées au même instant, mais également des valeurs de la sortie à des instants passés : le temps a alors un rôle fonctionnel pour la sortie. Des boucles à retard sont présentes dans la structure du réseau.
|
| Deux types de modèles dynamiques sont possibles :
|
| · | Modèle entrées / sorties : la sortie à l'instant t est une fonction des entrées à l'instant t et des sorties passées.
|
| Þ La sortie du réseau est alors réinjectée en entrée, avec un retard d'une unité de temps. Cette opération peut être répétée N fois pour obtenir un retard global de N unités de temps.
|
| · | Modèle d'état : la sortie à l'instant t est une fonction des entrées à l'instant t et d'un (ou plusieurs) état interne que l'on ne sait pas mesurer. On ne dispose pas de valeurs désirées pour cet état interne.
|
| Þ Un ou plusieurs nouveaux neurones (anonymes) sont ajoutés automatiquement en sortie par ©Neuro One, pour représenter cet état. De la même façon que ci-dessus, leur valeur est ensuite réinjectée en entrée du réseau.
|
|
|
| Le choix entre les deux types de bouclage dépend de l'application considérée.
|
| Il est recommandé de commencer par un modèle d'état qui offre plus de généralité que le modèle entrées / sorties.
|
|
|