| Summary: | Ce travail fait une analyse approfondie des capacités d'un réseau de neurones à propagation-avant ("feed-forward") à filtrer des signaux. Ce réseau est entraîné, par l'algorithme de la rétropropagation rapide [82, 83], à mémoriser et à généraliser un signal dynamique, signal dont les paramètres varient dans le temps. Plusieurs architectures de réseaux de neurones sont étudiées pour faire ressortir les qualités spécifiques de ces modèles en ce qui a trait au filtrage d'un signal dynamique.
Le modèle proposé met en évidence la capacité d'un réseau à propagation-avant (feed-forward) à mémoriser un signal dynamique, à généraliser au niveau de l'amplitude et des fréquences, à régénérer un signal déjà appris de façon indéfinie (capacité apparente sur des architectures récurrentes), à reproduire n'importe quel signal avec un ajout de "bruit" sous forme de composantes hautes fréquences et basses fréquences, à filtrer un signal comme le fait un passe-bas, un passe-haut, un passe-bande et un coupe-bande (performances moyennes).
Ce travail met l'accent sur la possibilité de réduire la taille des données à l'apprentissage pour éventuellement diminuer le temps de convergence, sans pour autant affecter les performances du modèle. Il met en évidence l'optimisation du nombre de noeuds dans le réseau et, établit une relation entre le signal à apprendre et le nombre de noeuds dans les couches d'entrée et cachée (s).
Notre modèle est comparé à ceux de Chin'ichi Tamura et Alex Waibel [81], de Ryato Kamimura [40, 41] et de Chris Bishop [10]. Quelques applications de ces modèles sont citées dans la conclusion.
Mots clés : Feed-forward ? Propagation-avant ? Rétropropagation rapide ?Filtrage ? Traitement du signal dynamique ? Filtres : passe-bas , passe-haut, passe bande et coupe-bande ?.
|
|---|
