Utilisation de la densité des données dans l'apprentissage des réseaux RBF

In this paper we discuss the learning problem of Radial Basis Function (RBF) Neural Networks. We propose a new learning algorithm of fuzzy RBF networks for classification. The main features of this algorithm are its stability compared to the classical learning algorithm of RBF networks (which uses k-means on the hidden layer) and accuracy with respect to the algorithm of Keramitsoglu et al. [1] from which it is derived. The new learning algorithm automatically calculates the number of neurons on the hidden layer and the parameters of the RBF neurons by exploiting high density areas. The experimentations carried out in pattern recognition provide better results than those of Keramitsoglu et al. with a shorter running time.Dans cet article nous abordons le problème d'apprentissage avec les réseaux dit à fonction de base radiale (RBF). Nous proposons un nouvel algorithme de construction des réseaux RBF flou pour la classification. Les caractéristiques principales de cet algorithme sont sa stabilité par rapport à l'algorithme classique des réseaux RBF (qui utilise k-moyennes sur la couche cachée) et sa précision par rapport à l'algorithme de Keramitsoglu et al. [1] dont il est issu. Le nouvel algorithme d'apprentis-sage calcule automatiquement le nombre de neurones sur la couche cachée et les paramètres des neurones RBF en exploitant les zones de forte densité. Les expérimentations effectuées en reconnaissance de formes fournissent de meilleurs résultats que ceux de Keramitsoglu et al. avec un court temps d'exécution