Le réseau de neurones

Un seul neurone classifieur suffit, il est donc un peu abusé que d'appeler cela un réseau ! Néanmoins cet exemple de neurone remplit parfaitement sa fonction.

Un neurone artificiel (le cercle sur le shéma ci-dessus) est défini par une série d'entrées et une sortie. Chaque entrée (ici nous avons les entrées A et B) reçoit une stimulation (a et b). Le neurone en lui-même possède une valeur de poids synaptique différente pour chacune des entrées (ici alpha et beta). Ces coéfficient représentent la pondération du neurone sur la stimulation qu'il reçoit par cette entrée. A cela vient s'ajouter un seuil, il s'agit d'une entrée supplémentaire dont la valeur de stimulation est fixée à -1 et dont la pondération vaut teta. Le seuil est en fait le seuil d'activation du neurone, c'est à dire la valeur de stimulation interne à partir de laquelle il déclenchera une réponse. Cette stimulation interne est représentée ici par la valeur P. Enfin la valeur S représente la réponse du neurone. En fonction de P, un neurone peut décharger ou non (c'est-à-dire émettre une réponse ou non).

Les différentes variables sont à présent introduites, voyons comment elles intéragissent entre elles : Ce qui nous intéresse, c'est de définir la valeur de S, en fonction des entrées E. cela se fait en deux étapes.

Déterminer la valeur de P: P correspond à la sommes des valeurs d'entrée pondérées par leur coéfficient synaptique respectif. dans cet exemple on a donc : P=a*alpha+b*beta+(-1)*teta simple non ?
Déterminer S: La valeur de S dépends de la fonction d'activation choisie. Il existe différentes fonctions qui déterminen la valeur de S en fonction de celle de P. Ici, nous allons utiliser la fonction logique de McCulloch & Pitts. Si P<=0, alors S=1, sinon S=0

Entrée A	Entrée B	Seuil
Vrai	Vrai
Faux	Faux

A =	B =	Seuil = -1

Alpha	Beta	Teta


P =

S =

En savoir plus sur :

ET

staf14

Neurone classifieur ET

Le réseau :