Résumé:
L’étude des Réseaux de neurones formels s’est considérablement développé dans les années quatre-vingt avec deux motivations. D’une part, modéliser de façon élémentaire les fonctions supérieures du cerveau (comme la mémoire), d’autre part, inventer des algorithmes, dits « connexionnistes », et des machines spécialisées pour résoudre par « apprentissage » des problèmes d’analyse des données (classifications, reconnaissances de formes,…).
Les travaux présentés dans cette thèse portent sur l’étude d’algorithmes à apprentissage concurrentiel, fortement inspirés de la « neurobiologie » et permettant la formation auto-organisée de cartes topologiques telles que l’on a pu les observer dans le cortex visuel. En étudiant avec soin le modèle qui inspire actuellement le connexionnisme, une approche synthétique des différentes architectures de réseaux de neurones artificiels et de l’apprentissage neuronal compétitif est présentée.
Cette étude a amené l’auteur à introduire des techniques novatrices dans un modèle connexionniste de quantification vectorielle utilisant de nouvelles règles d’adaptation fondées sur des considérations géométriques. Des critères de création et d’annulation de références assurent le contrôle et la stabilité du réseau lors de l’apprentissage. La nature des données traitées (signaux de parole) a conduit à introduire de nouvelles connaissances dans le réseau, fondées sur la théorie de la logique floue, tout en proposant une architecture hybride réalisant des règles d’adaptation non-linéaires pour ce type de données. Un effort particulier a également été entrepris pour mettre en valeur les principes développés dans ce travail dans une application réelle de détection de mots-clés à travers une conversation téléphonique.