Introduction

Ce chapitre introduit à l'approximation de fonctions multidimensionnelles à l'aide de réseaux de neurones. Tout d'abord la problématique est posée, puis certaines méthodes traditionnelles d'approximation sont brièvement présentées. Ensuite on aborde le principe des réseaux de neurones, ainsi que les différentes architectures qui ont été développées et leurs domaines d'application.

Le lecteur connaissant les techniques neuronales peut donc sauter ce chapitre, sauf éventuellement la section 4 consacrée aux réseaux d'ordre supérieur qui sont moins connus.

Les réseaux de neurones utilisés dans le cadre de cette thèse ont eu, comme leur nom l'indique, pour source d'inspiration les neurones biologiques. Toutefois ils font maintenant partie de la panoplie des outils dont on dispose pour traiter des données et le mot "neurone" est parfois utilisé de manière abusive. On peut retenir de ces outils deux caractéristiques essentielles. Tout d'abord la tâche à effectuer par le réseau est décomposée en tâches élémentaires, réalisées par des neurones. Chaque neurone possède des entrées et une sortie. Les neurones peuvent être organisés en couches et être reliés entre eux.

Figure 2.1. Schéma d'un neurone et d'un exemple de réseau

Schéma d'un neurone et d'un exemple de réseau

La seconde caractéristique d'un réseau de neurones est qu'il est adaptatif. Dans chaque neurone des paramètres peuvent être modifiées, et servent à adapter le réseau à une tâche particulière. Ces modifications sont fait lors d'une phase appelée apprentissage du réseau. Les réseaux de neurones sont utilisés dans des domaines très variés tels que la reconnaissance d'écriture manuscrite [MOZA98], le traitement d'images [BURE91], et les télécommunications [MAN94][BALA95].

Dans ce chapitre l'accent est mis sur les aspects pratiques et la mise en oeuvre de telles méthodes, cependant des références vers des articles présentant les aspects plus théoriques et les démonstrations de validité des algorithmes seront données pour le lecteur intéressé.