Journal de la science de l'énergie nucléaire et de la technologie de production d'électricité

Étude analytique sur les algorithmes et techniques d'apprentissage des réseaux neuronaux artificiels

Jeevitha Maruthachalam*

Les réseaux de neurones artificiels sont largement utilisés pour soutenir les capacités de décision humaines, en évitant les incohérences dans la pratique et les erreurs dues au manque d'expérience. Dans cet article, nous avons exploré diverses règles d'apprentissage dans les réseaux de neurones artificiels comme l'apprentissage par préceptron, la correction d'erreurs, les règles d'apprentissage hebbiennes et de compétition. Les règles d'apprentissage sont des algorithmes qui dirigent les changements dans les poids des connexions dans un réseau.

Ils intègrent une procédure de réduction d'erreur en utilisant la différence entre la sortie souhaitée et une sortie réelle pour modifier ses pondérations pendant l'entraînement. La règle d'apprentissage est généralement appliquée de manière répétée au même ensemble d'entrées d'entraînement sur un grand nombre d'époques, l'erreur étant progressivement réduite au fil des époques à mesure que les pondérations sont affinées. Cet article se concentre également sur l'une des techniques de réseau neuronal appelée perceptron multicouche (MLP) ainsi que sur ses applications, ses avantages et ses inconvénients.