Résumé:
Les travaux de recherche menés dans cette thèse s’attachent à la classification par les
systèmes neuronaux, les systèmes mutli-réseaux de neurones et les systèmes neuro-flous.
Plus précisément, nous nous intéressons à l’amélioration des performances de
l’apprentissage par la Retro-propagation. Nous proposons à cet égard une nouvelle méthode
de classification : la classification étiquetée, et introduisons trois modèles qui en résultent :
le perceptron multicouche étiqueté, le classificateur neuro-flou étiqueté et les systèmes
étiquetés multi-réseaux de neurones.
La méthode proposée s’articule essentiellement sur l’ajout d’une caractéristique
additionnelle, les étiquettes, à tous les exemples d’apprentissage, et à la réalisation de
plusieurs tests pour classer les nouveaux exemples. L’idée de base consiste à simplifier
l’entrainement en rendant les exemples d’apprentissage linéairement séparables, et à
exploiter les propriétés des réseaux de neurones, notamment l’estimation des probabilités a
posteriori, afin d’établir la décision finale.