L'intérêt envers la neuroscience informatique pour les applications d'intelligence arti-
cielle est motivé par plusieurs raisons. Parmi elles se retrouve la rapidité avec laquelle
le domaine evolue, promettant de nouvelles capacités pour l'ingénieur. Dans cette
thèse, une méthode exploitant les récents avancements en neuroscience informatique est
présentée: la machine à état liquide (\liquid state machine"). Une machine à état liquide
est un modèle de calcul de données inspiré de la biologie qui permet l'apprentissage
sur des
ux de données. Le modèle représente un outil prometteur de reconnaissance
de formes temporelles. Déjà, il a démontré de bons résultats dans plusieurs applications.
En particulier, la reconnaissance de formes temporelles est un problème d'intérêt
dans les applications militaires de surveillance telle que la reconnaissance automatique
de cibles. Jusqu'à maintenant, la plupart des machines à état liquide crées pour des
problèmes de reconnaissance de formes sont demeurées semblables au modèle original.
D'un point de vue ingénierie, une question se dégage: comment les machines à
état liquide peuvent-elles être adaptées pour améliorer leur aptitude à solutionner des
problèmes de reconnaissance de formes temporelles ? Des solutions sont proposées. La
première solution suggèrée se concentre sur l'échantillonnage de l'état du liquide. À ce
sujet, une méthode qui exploite les composantes fréquentielles du potentiel sur les neurones
est définie. La combinaison de différents types de vecteurs d'état du liquide est
aussi discutée. Deuxièmement, une méthode pour entrâner le liquide est développée.
La méthode utilise la plasticité synaptique à modulation temporelle relative pour modeler
le liquide. Une nouvelle approche conditionnée par classe de données est proposée,
où différents réseaux de neurones sont entraînés exclusivement sur des classes particuli
ères de données. Concernant cette nouvelle approche ainsi que celle concernant
l'échantillonnage du liquide, des tests comparatifs ont été effectués avec l'aide de jeux
de données simulées et réelles. Les tests permettent de constater que les méthodes
présentées surpassent les méthodes conventionnelles de machine à état liquide en termes
de taux de reconnaissance. Les résultats sont encore plus encourageants par le
fait qu'ils ont été obtenus sans l'optimisation de plusieurs paramètres internes pour les
differents jeux de données testés. Finalement, des métriques de l'état du liquide ont été
investiguées pour la prédiction de la performance d'une machine à état liquide. / There are a number of reasons that motivate the interest in computational neuroscience
for engineering applications of artificial intelligence. Among them is the speed
at which the domain is growing and evolving, promising further capabilities for artificial
intelligent systems. In this thesis, a method that exploits the recent advances in computational
neuroscience is presented: the liquid state machine. A liquid state machine
is a biologically inspired computational model that aims at learning on input stimuli.
The model constitutes a promising temporal pattern recognition tool and has shown
to perform very well in many applications. In particular, temporal pattern recognition
is a problem of interest in military surveillance applications such as automatic target
recognition. Until now, most of the liquid state machine implementations for spatiotemporal
pattern recognition have remained fairly similar to the original model. From an
engineering perspective, a challenge is to adapt liquid state machines to increase their
ability for solving practical temporal pattern recognition problems. Solutions are proposed.
The first one concentrates on the sampling of the liquid state. In this subject,
a method that exploits frequency features of neurons is defined. The combination of
different liquid state vectors is also discussed. Secondly, a method for training the liquid
is developed. The method implements synaptic spike-timing dependent plasticity
to shape the liquid. A new class-conditional approach is proposed, where different networks
of neurons are trained exclusively on particular classes of input data. For the
suggested liquid sampling methods and the liquid training method, comparative tests
were conducted with both simulated and real data sets from different application areas.
The tests reveal that the methods outperform the conventional liquid state machine approach.
The methods are even more promising in that the results are obtained without
optimization of many internal parameters for the different data sets. Finally, measures
of the liquid state are investigated for predicting the performance of the liquid state
machine.
Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QQLA.2012/28815 |
Date | 11 1900 |
Creators | Rhéaume, François |
Contributors | Grenier, Dominique |
Publisher | Université Laval |
Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation |
Format | application/pdf |
Rights | © François Rhéaume, 2012 |
Page generated in 0.0021 seconds