Étude de réseaux de neurones

Les réseaux de neurones (RN) ont été employés avec succès pour résoudre beaucoup de problèmes [117,149,150,2,4,7,50,128,10] qui ne pourraient pas être résolus, par exemple, par des algorithmes ``classiques''. L'un des motivations derrière l'utilisation des RN est qu'ils sont très efficaces en apprenant et en prévoyant des fonctions non linéaires et complexes. En outre, nous n'avons pas besoin de connaître les détails du modèle mathématique du système à étudier (il est dans certains cas très difficile à trouver ou bien complètement inaccessible). Les problèmes mentionnés ci-dessus sont complexes et, pour le cas du trafic, non stationnaires. Notre travail s'appuie sur les RN. Nous avons employé deux genres de RN : les RN artificiels (ANN) [117,118,149,150] et les RN aléatoires (RNN) [49,89,48,45,101,51]. Nous avons comparé leurs performances respectives et nous avons constaté que les RNN ont plusieurs avantages par rapport aux ANN. Cependant, un inconvénient des RNN est que l'algorithme disponible d'apprentissage est assez lent et parfois peu efficace. Ceci nous a motivés pour proposer de nouveaux algorithmes d'apprentissage pour surmonter ce type de problème.