Abstract FR:

Le developpement d'un modele neuronal efficace et aisement utilisable passe par deux points clefs: ses performances en apprentissage et en generalisation, et sa facilite d'utilisation. C'est le plus souvent par le biais de l'algorithme d'apprentissage et de l'architecture que l'on tente d'ameliorer ces aspects. Pour notre part, nous avons aborde ce probleme en nous interessant a la maniere dont l'information est representee aux entrees/sorties du reseau. Il s'agit en effet d'un point capital non seulement dans le domaine des reseaux neuronaux, mais egalement dans tout ce qui a trait aux methodes informatiques, et en particulier des qu'il s'agit de mettre en uvre des techniques d'apprentissage. Nous avons choisi d'etudier l'influence d'un codage dit semi-distribue, deja utilise de maniere anterieure, aux acces des perceptrons multi-couches a retro-propagation du gradient. Cet algorithme est tres populaire, mais il est connu pour ses defauts (lenteur de convergence, difficulte a trouver une architecture adaptee a une application donnee). Nous couplons ce codage a un algorithme d'auto-organisation qui permet de l'adapter aux donnees. Par ce biais, nous ameliorons l'allocation des ressources disponibles au sein du reseau. Par ailleurs, ce codage permet d'augmenter considerablement les possibilites de ces reseaux, en autorisant l'approximation de relations non-univoques. Le modele est valide sur des applications representatives de trois grands domaines specifiques: le diagnostic, la modelisation et la commande