Abstract FR:

L'objet de cette thèse est de déterminer les justifications qui peuvent ou pourraient rendre les réseaux de neurones artificiels essentiels pour résoudre les problèmes complexes que l'on rencontre en reconnaissance des formes avec apprentissage supervisé. Pour ce faire, nous nous sommes placés successivement selon quatre points de vue : analogique ou neuromimétique, statistique, informatique et pragmatique. Par rapport aux trois premiers points de vue qui constituent un ensemble de justifications a priori, aucun des principaux modèles connexionnistes n'est apparu complètement satisfaisant. En ce qui a concerne le point de vue pragmatique, nous avons été amené à développer une méthode et des outils permettant d'effectuer des mesures de performances sur des problèmes construits dont on contrôle la complexité. En particulier, nous avons développé un générateur probabiliste pouvant produire des échantillons théoriquement quelconques et dont, en pratique, on peut régler la complexité en termes de non-linéarité des frontières optimales de décision et d'empiètement des différentes classes de décision. On a pu alors étudier expérimentalement l'épineux problème théorique de la généralisation dans les systèmes de reconnaissance de formes connexionnistes tel que le MLP ceci autrement que sur des cas particuliers. Les expériences réalisées ont mis en évidence certaines relations entre la complexité intrinsèque du problème de reconnaissance des formes d'où est issu l'échantillon, la taille de cet échantillon, la capacité intrinsèque d'adaptation du système connexionniste étudié et la stratégie d'apprentissage. L'ensemble des résultats expérimentaux obtenus comblent partiellement le manque de résultats en théorie statistique de l'apprentissage tout en restant cohérents avec ceux qui sont connus. Ils montrent la nécessité d'une théorie de l'apprentissage moins mathématique et statistique et plus cognitive.