2006, Pallaver, Tanguy, Parizeau, Marc, Kröger, Helmut

Nous modifions l’algorithme non supervisé de Kohonen sur la base de considérations biologiques, dans le double intérêt d’améliorer ses performances de modélisation et d’enrichir sa valeur de modèle théorique d’auto-organisation neuronale. À chaque étape de nos recherches sur l’auto-adaptativité et la topologie des cartes de Kohonen, nous intégrons nos conclusions à un algorithme opérationnel : version normée, multirythmique et auto-instruite. Deux nouvelles fonctions sont introduites : l’Attractivité locale AintL inspirée du « Growing Neural Gas network »(GNG) et la Connaissance Cint, qui permettent de réduire l’erreur de modélisation jusqu’à 80% de l’erreur standard. L’extension du cadre classique d’étude de la topologie petit-monde, récemment décou- verte dans quantité de réseaux, à la théorie de l’information, nous permet par ailleurs de mettre en lumière le lien temporel entre structure (topologie) et fonction (apprentissage et connaissance) du système de neurones.