MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

11 Figure 5 Schéma d’un RNN simple . Le potentiel de RNN de petite taille (moins de 5 couches) pour la régression de séries temporelles GNSS avait été mis en avant lors de travaux précédents (Manzini [2020]). Des limites quant à leur application avaient été observées, avec notamment des divergen ces à l’apprentissage, nécessitant l’entraînement de plusieurs réseaux sur un même jeu de données, ce qui est très limitant d’un point de vue opérationnel. Dans ce contexte, les RNN serviront principalement de benchmark par rapport aux nouveau outils considérés. II.B.2. NARX Les réseaux NARX, ou Non-linear AutoRegressive eXogenous , parfois appelés NARXNET ou NNARX, désigne un type de réseau de neurones introduisant une relation autorégressive sur un réseau à propagation avant classique ( Feedforward Neural Network , FNN) . L’autorégression consiste à utiliser en entrée du réseau la ou les prédiction(s) en sortie du réseau aux itérations précédentes (Figure 6). Elle se distingue de la récurrence qui applique cette approche par neurone ou par couche. Figure 6 Schéma simplifié d'un NARX. Lors de l’apprentissage, le réseau est en boucle ouverte, c’est -à-dire que les mesures réelles sont utilisées en e ntrée (Y(t)), tandis qu’une fois en application, le réseau est en boucle fermée, c’est -à-dire que les prédictions du réseau sont utilisées en entrée. II.B.3. LSTM L’architecture LSTM, ou Long Short Term Memory , est une variante des réseaux RNN. Les LSTM comportent des cellules plus complexes que les perceptrons traditionnels, qui incluent notamment la récurrence sur deux canaux séparés. L’objectif est de mettre en place une mémoire long terme, en ajoutant ou supprimant au fur et à mesure des informations via des structures appelées portes (ou gates ), qui peuvent bloquer ou laisser passer les informations gardées en mémoire (Figure 7).