Abstract FR:

Cette these aborde le probleme d'extraction d'informations dans les reseaux neuronaux. En effet, contrairement a beaucoup de systemes d'apprentissage, les reseaux neuronaux se comportent essentiellement comme des boites noires, dans lesquelles l'information reste non trouvable. Le chapitre 2 aborde une premiere approche d'extraction de formules purement logiques des reseaux connexionnistes. Cette approche est essentiellement basee sur la logique propositionnelle et l'utilisation des tables de verite. Un algorithme base sur la retropropagation du gradient a ete propose. Le chapitre 3 propose des methodes d'extraction de formules logiques par des algorithmes stochastiques comme le recuit-simule. Dans le chapitre 4 nous proposons une approche d'extraction de dependances logico-numeriques, c'est-a-dire d'un melange de formules logiques et numeriques. L'idee de base est de contraindre pendant l'apprentissage certaines cellules a realiser les taches logiques du reseau. Les cellules non contraintes restent souvent numeriques realisant ainsi les taches numeriques du reseau. Cette methode permet de structurer l'information dans les reseaux, la rendant ainsi plus accessible. Le chapitre 5 constitue une premiere application de nos travaux. L'etude du traitement de series chronologiques a ete abordee dans un probleme de prediction financiere. Des modeles ont ete extraits avec precision apres la prediction. La derniere application de nos travaux a ete abordee dans le chapitre 6. Nous avons presente une methode de filtrage d'images par prediction et une methode de segmentation par reseaux contraints