IV.3.Méthode d’accumulation

Nous avons voulu étudier le comportement du réseau pour les méthodes choisies dans le cadre de l’IAL (Chapitre trois, III.2.4). Ainsi, l’évaluation du réseau TRN prend en compte les deux couches cachées (State et State_D), alors que nous ne tenions compte pour les résultats précédents que de la couche de contexte State_D (Blanc et Dominey, 2003). En outre, nous comparons les deux méthodes : Accumulation utilisant l’état du réseau à chaque pas de la simulation, et la technique qui n’utilise que l’état courant du réseau (une seule trame). Ainsi, lorsque seule la trame courante du réseau TRN est employée, il convient de prendre en compte uniquement la couche de contexte : State_D (63.2 % avec deux couches et avec la couche State_D : 70 %).

Les tests montrent que la méthode d’acccumulation donne les meilleurs résultats, et que le réseau TRN oublie certaines informations présentes dans le signal d’entrée. Toutefois, le taux d’identification reste légèrement inférieur à celui observé avec d’autres méthodes (SRN et classifieur gaussien), mais supérieur à une méthode de traitement effectuée à partir d’une moyenne simple. En revanche, l’utilisation du TRN seul donne des performances inférieures, même si seule la couche représentant le mieux les séquences est prise en compte (State_D, performance de 70%).

Figure 4.6 Pourcentage d’identification correcte au cours du temps des attitudes prosodiques avec la méthode d’accumulation. Les performances sont le résultat de la moyenne de la population de 50 réseaux, avec ou sans la méthode d’accumulation. Les performances sont également indiquées sans l’encodage du TRN (entrées). Les performances humaines sont celle obtenues durant l’expérience de dévoilement progressif, pour les phrases contenant 5 syllabes (Aubergé et coll., 1997).