136
Hyd rologie qu antit ative
Neurones d'entree
couches de neurones
Neurone de sortie
FIGURE 3.21 - Exem ple de reseau de neurones.
Un reseau de neurones peu t etre aut oregressif (figure 3.22) .
,
,
FIG URE 3.22 - Ex emple de resea u de neurones autoregressif.
Sous cette forme, ils const it uent des modeles non lineaires aut oregress ifs
(NAR ), aux quels on ajoute parfois un e composa nte moyenne glissante (NARM A).
Ils sont egaleme nt appeles modeles recurrents,
Ils peu ven t et re utili ses dir ectem ent pour elaborer un e foncti on re presentative du ph enomen a qu 'on cherch e a modeliser ou bien conjoint em ent a un modele preexistan t , pour optimiser ses par ametres ou pour Ie completer [175, 1021 .
Les principale s difficultes de ces modeles sont , d 'abord , de bien les architecture r (qu elles ent rees, quelles couches, qu elles liaison s) et ensuite d 'id entifier
leur paramet res. Sur Ie pr emi er point , on retrouve un e recommandation classique : Ie sur dimens ionneme nt ira a I'encont re de la robustesse. Qu an t au second
point , on utili se souvent un algorithme de « retropro pagation du gradie nt» ou
Hyd rologie qu antit ative
Neurones d'entree
couches de neurones
Neurone de sortie
FIGURE 3.21 - Exem ple de reseau de neurones.
Un reseau de neurones peu t etre aut oregressif (figure 3.22) .
,
,
FIG URE 3.22 - Ex emple de resea u de neurones autoregressif.
Sous cette forme, ils const it uent des modeles non lineaires aut oregress ifs
(NAR ), aux quels on ajoute parfois un e composa nte moyenne glissante (NARM A).
Ils sont egaleme nt appeles modeles recurrents,
Ils peu ven t et re utili ses dir ectem ent pour elaborer un e foncti on re presentative du ph enomen a qu 'on cherch e a modeliser ou bien conjoint em ent a un modele preexistan t , pour optimiser ses par ametres ou pour Ie completer [175, 1021 .
Les principale s difficultes de ces modeles sont , d 'abord , de bien les architecture r (qu elles ent rees, quelles couches, qu elles liaison s) et ensuite d 'id entifier
leur paramet res. Sur Ie pr emi er point , on retrouve un e recommandation classique : Ie sur dimens ionneme nt ira a I'encont re de la robustesse. Qu an t au second
point , on utili se souvent un algorithme de « retropro pagation du gradie nt» ou