Prétraitement de données en reconnaissance de formes par RNA

Les réseaux de neurones n'ont malheureusement pas que des avantages. Leur taille croît avec la quantité et la complexité des données à traiter. Or le principal inconvénient du RNA est lié à sa complexité. Plus elle est grande, plus le RNA sera difficile et coûteux à implémenter physiquement et plus son temps d'apprentissage sera grand. Pour résoudre ce problème, une solution est de prétraiter les données pour diminuer leur taille.

Il nous a dès lors été demandé d'analyser trois méthodes de compression applicables au traitement par RNA : la méthode de Karhunen-Loève, la méthode LPC (Linear Predictive Coding) et la méthode NLPCA (Non Linear Principal Composant Analysis). Nous en avons ajouté une : la méthode LSP (Line Spectral Pair). Les chapitres qui y sont consacrés tenteront de convaincre le lecteur de l'efficacité de ces procédés. Nous déterminerons également comment choisir la méthode à utiliser pour un problème de classification posé à un RNA.