Abstract FR:

Face a un probleme complexe, deux types de strategies peuvent etre envisagees : - la premiere consiste a utiliser differentes methodes pour resoudre le probleme global, - la deuxieme consiste a faire cooperer plusieurs methodes specialisees sur differents sous-problemes. Une architecture neuronale adoptant l'une ou l'autre de ces strategies fait preuve de modularite dans la mesure ou d'une part chaque module represente une methode, et d'autre part le traitement de l'ensemble resulte de la cooperation de l'ensemble des modules. Un des buts de ces architectures est l'amelioration des performances par rapport a un modele non modulaire. Dans le premier cas, cette amelioration est obtenue en reduisant le risque d'engendrer des erreurs. Dans le deuxieme cas, elle est obtenue par reduction de la complexite : le probleme est decompose en sous-problemes plus simples, chaque sous-probleme etant resolu par un module neuronal. Nous avons etudie dans cette these les architectures neuronales modulaires, et plus particulierement, pour chacune des deux strategies pre-citees, les techniques de repartition et de cooperation entre les differents modules. Un nouveau systeme modulaire nomme milsys (modular incremental learning system) a ete realise. Ce systeme est egalement incremental : il commence son apprentissage avec une architecture minimale, puis ajoute des modules en cours d'apprentissage. Il a ete teste sur des problemes jouets et un probleme reel, celui de l'association de pistes dans le domaine de la detection aeronavale (probleme complexe de classification). Les resultats obtenus montrent que milsys presente des proprietes interessantes : - il ajoute le nombre de modules necessaires, et construit ainsi une architecture adaptee au probleme. - l'architecture se construit d'elle-meme : il devient donc inutile de specifier une architecture a priori (qui peut etre soit trop lourde, soit insuffisante, surtout si l'on ne dispose d'aucune connaissance a priori sur le probleme). - il represente une source de connaissance : l'analyse des roles de chacun des modules apres apprentissage permet de determiner comment a ete faite la decomposition du probleme en sous-problemes, et fournit ainsi une information interessante sur le probleme. - il presente en plus tous les avantages d'un systeme modulaire par rapport a un systeme non modulaire : une plus grande capacite a resoudre un probleme complexe, de meilleures performances, et une plus grande facilite de modification.