Un modele connexionniste non supervise pour l'apprentissage et la reconnaissance de sequences temporelles
Institution:
Paris 11Disciplines:
Directors:
Abstract EN:
Pas de résumé disponible.
Abstract FR:
Le modele que nous proposons dans cette these s'inscrit dans le cadre general de l'apprentissage non supervise de sequences temporelles par des reseaux de neurones. Apres un parcours, que nous tentons de rendre exhaustif, de l'ensemble des contributions sur l'apprentissage de sequences temporelles par des modeles connexionnistes, nous formalisons le fonctionnement de cellules qui, connectees en reseau, peuvent constituer un systeme dynamique autonome: chaque cellule peut etre a tout instant dans un mode d'activite spontane (sa sortie est independante de son voisinage pre-synaptique, elle peut etre issue d'un generateur aleatoire ou regulier - une horloge par exemple) ou evoque (sa sortie est obtenue par seuillage de son potentiel de membrane). Un tel reseau reconnait une sequence temporelle lorsque les cellules qui le composent ont un comportement deterministe en resonance avec la sequence d'entree. Ces memes cellules adoptent un comportement desordonne lorsque l'on presente une sequence inconnue en entree. Les coefficients synaptiques sont des temps d'integration des signaux vehicules par les connexions. Ils sont l'unique objet de l'apprentissage, l'objectif de cet apprentissage etant d'obtenir la production et la conservation d'une activite evoquee des cellules du reseau. Une mesure spatiale de l'activite temporelle du reseau est donnee, permettant de distinguer les sequences entre elles. Un exemple de reseau est propose pour l'apprentissage et la reconnaissance de sequences temporelles de dimension 2 moyennant la definition d'un critere de reconnaissance adapte. Le modele defini se caracterise par sa rapidite d'apprentissage, ses possibilites d'apprentissage et de reconnaissance de sequences complexes, ses possibilites de reconnaissance de sequences bruitees ainsi que d'apprentissage de sequences bruitees