Application des réseaux de neurones.

Le RNA utilisé ici est de type feedforward entraîné avec l’algorithme de rétro-propagation classique (Rumalhart et McCleelland, 1986). « On peut considérer les réseaux de neurones feedforward comme des modèles de régression non-linéaires dont la complexité peut être changée » (Bentz et Merunka, 2000, p.183). Dans leur forme la plus simple ils se composent d’une couche d’entrées et d’une seule sortie. Si la fonction de transformation des outputs est sigmoïde, ce modèle de réseaux de neurones devient strictement équivalent au modèle binomial logit.

Figure 3. Le modèle logit binomial comme neurone artificiel
(ou un réseau de neurones sans couche cachée et entrées connectées  à la sortie)

La structure représentée dans la figure 3 est la forme neuronale d’un modèle logit calibré à partir des données réelles utilisées dans cette étude. Elle peut être vue comme un neurone artificiel. Un neurone artificiel est caractérisé par des connexions d’entrée (qui représentent les synapses de la cellule et sa dendrite), une valeur de biais (le niveau d’inertie du neurone), un niveau d’activité (qui représente l’état de polarisation du neurone),  une valeur et des connexions de sortie (les projections axonales du neurone). A chaque connexion on associe un poids (intensité synaptique) qui détermine l’effet des entrées sur le niveau d’activation de l’unité. Les poids peuvent être positifs (excitants) ou négatifs (inhibants). Le signal de sortie du neurone est donné par une expression qui représente la fonction d’activation (ici la fonction logistique).