|
|
|
|
| ©Neuro Shop est l'outil de base de la modélisation neuronale semi-physique qui combine la modélisation des connaissances et la modélisation neuronale.
|
|
|
| 1. La modélisation neuronale consiste à bâtir et utiliser une boite noire (avec ©Neuro One) à partir d'exemples, d'un stock de données. Cette méthode ne nécessite pas de connaissances à priori du phénomène mais exige des données qui permettent à ©Neuro One de bâtir un modèle neuronal.
|
|
|
| 2. La modélisation neuronale semi-physique consiste à déduire d'une connaissance à priori d'un phénomène un réseau de neurones que l'on bâtit alors de toutes pièces à l'aide de ©Neuro Shop. Cela consiste à bâtir le réseau à partir des équations décrivant le phénomène. Les paramètres ajustables de l'équation deviennent des synapses. Le poids de ces synapses, la valeur de ces paramètres seront calculés par l'apprentissage, grâce à des données exemples.
|
|
|
| Cette méthode suppose une connaissance à priori. Elle nécessite des données exemples. Elle présente l'avantage :
|
|
|
| · | par rapport à la modélisation des connaissances d'autoriser une connaissance imparfaite du phénomène
|
| · | par rapport à la modélisation neuronale de simplifier le réseau de neurone utilisé, et donc de réduire le nombre d'exemples à introduire lors de la phase d'apprentissage afin d'obtenir un réseau efficient.
|
|
|
|
|
| Prenons un exemple élémentaire de construction d'un réseau de neurone à partir d'une équation :
|
| soit y = ax + b, ou a et b sont les paramètres à déterminer. Le réseau correspondant sera :
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| Exemple de réseau de connaissance qui réalise une équation du deuxième degré :
|
| soit y = ax² + bx + c , ou a, b et c sont les paramètres à déterminer. Le réseau correspondant sera :
|
|
|
|
|
|
|
|
|
|
| Remarque : les liens doubles-barrés sont fixes, de poids « 1 ».
|
|
|
| De nombreux autres exemples peuvent être trouvés sur le site www.netral.com
|
NETRAL - Neuro Shop 6