• Norbert Tsopze
    • Co-directeurs de thèse :
    • Maurice TCHUENTE
    • Engelbert Mephu Nguifo
    • Gilbert TINDO
    • Thèse soutenue le :
    • 28 déc. 2010

    mardi 28 décembre 2010 à 9h00, salle E206 du bloc pédagogique de la Faculté de Sciences de l’Université de Yaoundé I

    Résumé

    Les réseaux de neurones artificiels connaissent des succès dans plusieurs domaines. Mais les utilisateurs des réseaux de neurones sont souvent confrontés aux problèmes de définition de son architecture et d’interprétabilité de ses résultats. Plusieurs travaux ont essayé d’apporter une solution à ces problèmes. Pour les problèmes d’architecture, certains auteurs proposent de déduire cette architecture à partir d’un ensemble de connaissances décrivant le domaine du problème et d’autres proposent d’ajouter de manière incrémentale les neurones à un réseau ayant une taille initiale minimale. Les solutions proposées pour le problème d’interprétabilité des résultats consistent à extraire un ensemble de règles décrivant le fonctionnement du réseau.

    Cette thèse contribue à la résolution de ces deux problèmes. Nous nous limitons à l’utilisation des réseaux de neurones dans la résolution des problèmes de classification.

    Nous présentons dans cette thèse un état de l’art des méthodes existantes de recherche d’architecture de réseaux de neurones : une étude théorique et expérimentale est aussi faite. De cette étude, nous observons comme limites de ces méthodes la disponibilité absolue des connaissances pour construire un réseau interprétable et la construction des réseaux difficiles à interpréter en absence de connaissances. En alternative, nous proposons une méthode appelée CLANN (Concept Lattice-based Artificial Neural network) basée les treillis de Galois qui construit un demi-treillis à partir des données et déduire de ce demi-treillis l’architacture du réseau. CLANN étant limitée à la résolution des problèmes à deux classes, nous proposons MCLANN permettant d’étendre cette méthodes de recherche d’architecture des réseaux de neurones aux problèmes à plusieurs classes.

    Nous proposons aussi une méthode appelée ‘Approche des MaxSubsets’ pour l’extraction des règles à partir d’un réseau de neurones. La particularité de cette méthode est la possibilité d’extraire les deux formats de règles (‘si alors’ et ’m parmi N’) à partir d’une structure que nous construisons. Nous proposons aussi une façon d’expliquer le résultat calculé par le réseau construit par la méthode MCLANN au sujet d’un exemple.

    Composition du jury

    Rapporteurs

    • M. Younes BENANI, Professeur, Université de Paris 13 - France
    • M. Claude TANGHA, Maitre de Conférences, Université de Yaoundé I - Cameroun
    • M. Clementin TAYOU DJAMENI, Maitre de Conférences, Université de Dschang - Cameroun

    Directeurs

    • M. Maurice TCHUENTE, Professeur, Université de Yaoundé I - Cameroun
    • M. Engelebert MEPHU NGUIFO, Professeur, Université Blaise Pascal - France
    • M. Gilbert TINDO, Chargé de Cours, Université de Yaoundé I - Cameroun

    Examinateur

    • M. Lakdar SAIS, Professeur, Université d’Artois - France, Président