« Gaz neuronal » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
||
| Ligne 13 : | Ligne 13 : | ||
Cet algorithme est appliqué à la compression de données ou à la quantification vectorielle, par exemple en reconnaissance des langues naturelles4, en traitement des images5 ou à la reconnaissance de motifs. En tant qu'alternative robuste et convergente à l'algorithme K-moyennes, il peut être utilisé pour le partitionnement de données6. | Cet algorithme est appliqué à la compression de données ou à la quantification vectorielle, par exemple en reconnaissance des langues naturelles4, en traitement des images5 ou à la reconnaissance de motifs. En tant qu'alternative robuste et convergente à l'algorithme K-moyennes, il peut être utilisé pour le partitionnement de données6. | ||
Le '''gaz neuronal'''<ref>{{lien conférence|titre = Un nouvel algorithme incrémental de gaz neuronal croissant basé sur l’étiquetage des clusters par maximisation de vraisemblance : application au clustering des gros corpus de données textuelles hétérogènes|url = http://atlas.irit.fr/PIE/VSST/Actes_VSST_2010_Toulouse/Session%2018%20-%20Classifications/LAMIREL-BOULILA-GHRIBI-CUXAC-FRANCOIS.pdf|author = Jean-Charles Lamirel, Zied Boulila , Maha Ghribi , Pascal Cuxac, Claire François|année = 2010}}</ref>{{,}}<ref>{{Ouvrage|url = https://hal.inria.fr/tel-00714737/|year = 2012|title = Acquisition de classes verbales pour le français|author = Ingrid Falk|extrait = La deuxième exploite un algorithme de gaz neuronal croissant basé sur l'étiquetage des clusters par maximisation de vraisemblance (IGNGF - Incremental Growing Neural Gas with Feature maximisation)}}</ref> est un [[Réseau de neurones artificiels|réseau de neurones artificiel]], inspiré des[[Carte auto adaptative| cartes auto-adaptatives]], et introduites en 1991 par [[Thomas Martinetz]] et [[Klaus Schulten]]<ref>{{lien conférence | |||
|titre = A "neural gas" network learns topologies|titre livre = Artificial Neural Networks|author = Thomas Martinetz and Klaus Schulten|périodique = [[Elsevier]]|année = 1991|pages = 397–402|url = http://www.ks.uiuc.edu/Publications/Papers/PDF/MART91B/MART91B.pdf}}</ref>. | |||
Le gaz neuronal est un algorithme simple pour trouver une représentation optimale de données à partir de [[Analyse en composantes principales|vecteurs principaux]]. La méthode fut appelée "gaz neuronal" parce que l'évolution des [[Analyse en composantes principales|vecteurs principaux]] durant l'étape d'apprentissage fait penser à un gaz qui occupe un espace de façon uniforme. | |||
Cet algorithme est appliqué à la [[compression de données]] ou à la [[quantification vectorielle]], par exemple en [[Reconnaissance automatique de la parole|reconnaissance des langues naturelles]]<ref>{{lien conférence | |||
|url = https://books.google.com/books?id=nJKLv5eheZoC&pg=PA109&dq=%22neural+gas%22+speech+recognition&hl=en&ei=ER4RTJqsF57hnQfuzbDrBw&sa=X&oi=book_result&ct=result&resnum=1&ved=0CC0Q6AEwAA#v=onepage&q=%22neural%20gas%22%20speech%20recognition&f=false|titre = Competitive learning methods for efficient Vector Quantizations in a speech recognition environment|authors = F. Curatelli and O. Mayora-Iberra|titre livre = MICAI 2000: Advances in artificial intelligence : Mexican International Conference on Artificial Intelligence, Acapulco, Mexico, April 2000 : proceedings|page = 109|ISBN = 978-3-540-67354-5|editors = Osvaldo Cairó, L. Enrique Sucar, Francisco J. Cantú-Ortiz|périodique = Springer|année = 2000}}</ref>, en [[Traitement d'images|traitement des images]]<ref>{{lien conférence | |||
|url = https://books.google.com/books?id=xI0g7vqVkdoC&pg=PA210&dq=%22neural+gas%22+image+processing&hl=en&ei=pR8RTLynLOLpnQeOxsHpBw&sa=X&oi=book_result&ct=result&resnum=1&ved=0CC0Q6AEwAA#v=onepage&q=%22neural%20gas%22%20image%20processing&f=false|titre = Automatic landmarking of 2D medical shapes using the growing neural gas network|authors = Angelopoulou, Anastassia and Psarrou, Alexandra and Garcia Rodriguez, Jose and Revett, Kenneth|titre livre = Computer vision for biomedical image applications: first international workshop, CVBIA 2005, Beijing, China, October 21, 2005 : proceedings|périodique = Springer|année = 2005|editors = Yanxi Liu, Tianzi Jiang, Changshui Zhang|doi = 10.1007/11569541_22|ISBN = 978-3-540-29411-5|page = 210}}</ref> ou à la [[Reconnaissance de formes|reconnaissance de motifs.]] | |||
En tant qu'alternative robuste et convergente à l'algorithme [[K-moyennes]], il peut être utilisé pour le [[partitionnement de données]]<ref>{{lien conférence | |||
==Français== | ==Français== | ||
Version du 16 mai 2019 à 19:43
Domaine
Définition
Le gaz neuronal est un réseau de neurones artificiel, inspiré des cartes auto-adaptatives, et introduites en 1991 par Thomas Martinetz et Klaus Schulten3. Le gaz neuronal est un algorithme simple pour trouver une représentation optimale de données à partir de vecteurs principaux. La méthode fut appelée "gaz neuronal" parce que l'évolution des vecteurs principaux durant l'étape d'apprentissage fait penser à un gaz qui occupe un espace de façon uniforme.
Cet algorithme est appliqué à la compression de données ou à la quantification vectorielle, par exemple en reconnaissance des langues naturelles4, en traitement des images5 ou à la reconnaissance de motifs. En tant qu'alternative robuste et convergente à l'algorithme K-moyennes, il peut être utilisé pour le partitionnement de données6.
Le gaz neuronal[1]Modèle:,[2] est un réseau de neurones artificiel, inspiré des cartes auto-adaptatives, et introduites en 1991 par Thomas Martinetz et Klaus Schulten[3].
Le gaz neuronal est un algorithme simple pour trouver une représentation optimale de données à partir de vecteurs principaux. La méthode fut appelée "gaz neuronal" parce que l'évolution des vecteurs principaux durant l'étape d'apprentissage fait penser à un gaz qui occupe un espace de façon uniforme.
Cet algorithme est appliqué à la compression de données ou à la quantification vectorielle, par exemple en reconnaissance des langues naturelles[4], en traitement des images[5] ou à la reconnaissance de motifs. En tant qu'alternative robuste et convergente à l'algorithme K-moyennes, il peut être utilisé pour le partitionnement de données<ref>{{lien conférence
Français
Gaz neuronal
Anglais
neural gas
Contributeurs: Evan Brach, Jacques Barolet, wiki
