Une nouvelle fonction de cout regularisante dans les reseaux de neurones artificiels : application a l'estimation des temps de blocage dans un nud atm

• Auteur / Autrice : VINCENT LEMAIRE
• Direction : Maurice Milgram
• Type : Thèse de doctorat
• Discipline(s) : Sciences et techniques
• Date : Soutenance en 1999
• Etablissement(s) : Paris 6

Résumé

La theorie de l'apprentissage statistique est a la base des reseaux de neurones artificiels. On montre que les approches connexionnistes de la caracterisation du trafic et du controle d'admission des connexions (cac) utilisant des mesures temps reel apportent de nombreux avantages par rapport aux methodes parametriques classiques. Elles s'adaptent facilement aux changements du trafic sur lesquelles aucune hypothese prealable n'est necessaire. Elles possedent un haut niveau de performances et permettent de generaliser a des donnees inconnues les resultats appris. On presente une nouvelle methode destinee a ameliorer les performances en generalisation des perceptrons multi-couches utilises en tant que reseaux discriminants et approximateurs de fonctions. On montre comment modifier le critere d'apprentissage afin de controler la distribution des erreurs au cours de l'apprentissage. Ce controle permet d'obtenir une meilleure marge dans les problemes de classification. Des resultats ameliorant notablement l'etat de l'art sur trois differents problemes sont presentes et valident la methode. Une application de cette methode a l'estimation des periodes de congestion dans un lien atm est presentee afin de realiser une procedure de controle d'admission des connexions pour le service de type abt-dt. On montre que les reseaux de neurones artificiels entraines sur des trafic qualifies de pire cas peuvent correctement generaliser sur d'autres types de trafics, en realisant une estimation conservative et precise des periodes de congestion. Cette methode non parametrique dynamique permet de decider l'acceptation d'une nouvelle connexion au regard de ses parametres de trafic.