Dans ce travail nous abordons le problème d'apprentissage avec les réseaux dit à fonction de base radiale (RBF). Nous proposons un nouvel algorithme de construction des réseaux RBF flou pour la classification. Les caractéristiques principales de cet algorithme sont sa stabilité par rapport à l'algorithme classique des réseaux RBF (qui utilise k-moyennes sur la couche cachée) et sa précision par rapport à l'algorithme de Keramitsoglu et al. dont il est issu. Le nouvel algorithme d'apprentissage calcule automatiquement le nombre de neurones sur la couche cachée et les paramètres des neurones RBF en exploitant les zones de forte densité. Les expérimentations effectuées en reconnaissance de formes fournissent de meilleurs résultats que ceux de Keramitsoglu et al. avec un court temps d'exécution.

Autorentext

Eric Fokou: Data Scientist, expert en analyse de données et de la transformation des données en richesse. Diplômé de Télécom Paris Tech, j'ai près de 6 ans d'expérience dans les domaines du Machine learning et de la Data Science dans différents secteurs d'activité: finance, assurance, banque, opérateur téléphonique, Start-up.

Klappentext

Dans ce travail nous abordons le problème d'apprentissage avec les réseaux dit à fonction de base radiale (RBF). Nous proposons un nouvel algorithme de construction des réseaux RBF flou pour la classification. Les caractéristiques principales de cet algorithme sont sa stabilité par rapport à l'algorithme classique des réseaux RBF (qui utilise k-moyennes sur la couche cachée) et sa précision par rapport à l'algorithme de Keramitsoglu et al. dont il est issu. Le nouvel algorithme d'apprentissage calcule automatiquement le nombre de neurones sur la couche cachée et les paramètres des neurones RBF en exploitant les zones de forte densité. Les expérimentations effectuées en reconnaissance de formes fournissent de meilleurs résultats que ceux de Keramitsoglu et al. avec un court temps d'exécution.