Modèles neuronaux et algorithmes constructifs pour l'apprentissage de règles de décision

Neural architectures and constructive algorithms for learning decision rules

• Auteur / Autrice : Florence d' Alché-Buc
• Direction : Jean-Pierre Nadal
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 1993
• Etablissement(s) : Paris 11

Mots clés

Mots clés contrôlés

Algorithmes

Systèmes dynamiques hybrides

Réseaux neuronaux (informatique)

Connexionnisme

Résumé

La thèse porte sur l'apprentissage supervisé de règles de classification et de contrôle des méthodes neuronales. Il s'agit, d'une part, de proposer des architectures neuronales adaptées pour l'inférence et le codage de règles et d'autre part, de développer des algorithmes d'apprentissage et de construction de ces réseaux. Deux travaux sont présentés : le premier travail concerne l'apprentissage de règles de contrôle par un réseau Neuroflou multicouches formellement équivalent à un contrôleur flou. Un algorithme d'apprentissage est proposé pour déterminer les paramètres du réseau : il est fondé sur la retro propagation du gradient d'une fonction de coût que l'on a choisie de manière à apprendre une base de règles, correcte, consistance et complète. Une procédure d'apprentissage en trois étapes permet d'apprendre successivement les paramètres du réseau et de trouver automatiquement un nombre suffisant de conditions intervenant dans les règles. Cet algorithme a été testé avec succès sur l'apprentissage du contrôle d'un pendule inversé. Le second travail porte sur la construction d'arbres hybrides de décision. Les arbres hybrides généralisent les arbres de neurones : les noeuds internes segmentent l'espace de décision en régions dans lesquelles les noeuds terminaux effectuent la classification. La construction et l'élagage de ces arbres sont illustrés sur des problèmes de classification de caractères manuscrits