Abstract FR:

Ce travail s'inscrit dans le cadre general de la modelisation de systemes neuromimetiques capables d'evoluer dans des environnements temporels. Il s'agit d'un travail ou nous voulions voir quelles etaient les grandeurs et servitudes d'une representation temporelle de l'information: intuition d'efficacite de traduction materielle (analogique par le temps), specificite d'une dimension causale pour representer l'information et enfin espoir de facilites de representation de formes spatio-temporelles (sequences). Partant de reseaux en impulsions, la necessite de pouvoir modeliser la phase d'apprentissage nous a fait evoluer vers une retropropagation modifiee mais en faisant disparaitre la structure en couches au profit d'une organisation longitudinale, ce qui precisement introduisait la sensibilite au temps. Nous avons mis en evidence une caracteristique triviale apres coup: le besoin de faire converger, a l'entree des unites, des informations prelevees a des instants differents. Les premiers resultats montrent un fonctionnement correct du modele (convergence vers un attracteur stable) et une faculte non clairement interpretee d'utilisation des cellules cachees en simples unites de retard et/ou en unites de separation. Le reste du travail s'esquisse assez naturellement: comparaison avec l'etat de l'art concernant les reseaux temporels, exploration des facteurs pertinents de l'architecture proposee et enfin presentation de quelques resultats dans un scenario de reconnaissance vocale. Cette derniere option a ete prise a cause de la ressemblance que presentait le reseau etudie, en certaines circonstances, avec le reseau a propagation guidee, qui lui est a construction explicite. De choisir la meme base d'application permettait de mieux cerner les ressemblances et les differences