Résumé | Nous présentons une technique de calcul hybride « souple » pour l'étude des processus chronologiques, combinant des techniques neuro-floues et des algorithmes évolutionnaires, notamment des algorithmes génétiques. Deux problèmes sont abordés simultanément : (1) la découverte de motifs de dépendance dans les systèmes dynamiques généraux multivariés (dans un sens optimal ou quasi optimal) et (2) la construction d'une représentation initiale convenable pour la fonction exprimant les dépendances du meilleur système trouvé. Les motifs de dépendance sont représentés par des modèles autorégressifs généraux (pas nécessairement linéaires) reliant les valeurs ultérieures d'une variable cible avec ses valeurs antérieures et celles d'autres valeurs observées. L'algorithme génétique explore ces motifs de dépendance alors qu'un réseau neuro-flou hétérogène construit l'approximation fonctionnelle. Le réseau neuro-flou choisi comprend dans sa couche cachée, un modèle de neurones non classiques basés sur la similitude et, dans sa couche de sortie, un modèle de neurones classiques. L'entraînement basé sur les instances permet d'élaborer rapidement un réseau complet à partir de l'ensemble des signaux multivariés et le motif de dépendance exploré, ce qui permet d'explorer plusieurs motifs possibles dans un temps court. Cette technique a pour objectif principal le prototypage rapide et la caractérisation d'interdépendances intéressantes ou appropriées, notamment pour les processus multivariés complexes et mal connus. L'exploration génétique de l'univers des modèles possibles (d'une taille astronomique dans la plupart des cas pratiques) ne garantit pas que les modèles découverts soient optimaux. Toutefois, elle donne un ensemble de motifs de dépendance plausibles qui expliquent les interactions en cours. Pour améliorer la qualité de l'opérateur de prédiction, on pourra raffiner ultérieurement cet ensemble à l'aide de techniques plus complexes (mais aussi plus lentes) comme les approximateurs de fonction. Nos calculs sur des fonctions chronologiques connues ont montré que l'approche proposée donnait de meilleurs résultats que l'approche statistique classique. |
---|