Apprentissage d'une représentation statistique et topologique d'un environnement

Cette these porte sur l'apprentissage d'une representation d'un environnement par un reseau de neurones. L’algorithme d'apprentissage non supervise que nous proposons est base sur l'identification d'un melange de gaussiennes et est mis en œuvre sur une carte topologique du type de celles de Kohonen. Une relation formelle est etablie avec les algorithmes de classification automatique floue. Nous traitons ensuite deux applications directes de cet algorithme a la vision artificielle: en segmentation d'images par analyse de texture et en imagerie medicale pour la visualisation de donnees tomographiques de debit sanguin cerebral. Dans la derniere partie, deux architectures hybrides sont definies dans les buts d'apprendre, respectivement, une suite recurrente et les correlations entre deux variables representees sur deux cartes topologiques. Dans les deux cas, l'apprentissage fait cooperer l'algorithme precedent de classification automatique avec une regle d'apprentissage supervisee.