Version HTML de base
16
Apport des réseaux de neurones dans le maillage spatial des paysages sonores urbains
Puis les objets suivants sont présentés un à un et la
même opération est répétée jusqu’à ce que les poids
ne varient plus de façon significative.
Par opposition à une classification des «K-means» par
exemple, cette classification conserve la même topolo-
gie que l’espace des données (d’où le nom de «carte»).
Dans notre cas, cette méthode de classification est inté-
ressante car le passage continu d’un point de mesure à
un autre peut être représenté par l’activation de neuro-
nes voisins.
Résultats
Poids des neurones
Le poids final des neurones peut expliquer pourquoi ils ont
répondu à un lieu ou à un autre. Sur la figure 3, chaque
carré de couleur représente le poids entre un indicateur
et chaque neurone de la carte. Une couleur jaune caracté-
rise les valeurs fortes de l’indicateur alors qu’une couleur
noire caractérise des valeurs faibles. Les neurones sont
numérotés de 1 à partir du coin gauche en bas à 30 dans
le coin droit en haut (voir figure 6).
Sur la figure 3c, nous pouvons voir que le pourcentage
de temps de présence des véhicules légers caracté-
rise les neurones 1, 2, 3, 6 et 7 avec une valeur forte et
les neurones 13, 19, 25, …, 30 avec une valeur faible.
Cependant cette seconde série de neurones est divi -
sée en deux groupes si on regarde le pourcentage de
temps de présence des oiseaux (figure 3h). Les neuro-
nes 13, 19, 25 et 26, à gauche de la carte, ont un temps
de présence des oiseaux faible alors que les neurones
23, 24, 29 et 30 ont un temps de présence des oiseaux
élevé. Enfin, les trois neurones situés en bas à droite de
la carte (neurones 5, 6 et 12) sont caractérisés par un
temps de présence ou une émergence de nombreuses
sources différentes (véhicules légers/figure 3c, poids
lourds/figure 3d, cyclomoteurs/figure 3e, klaxons et sirè-
nes/figure 3f, voix/figure 3g, activités/figure 3i, …)
Carte de Kohonen et classification de Ward
Les résultats de la classification de Kohonen sont repor-
tés sur la figure 6. Sur cette figure, nous indiquons pour
chaque lieu de mesure le neurone qui a codé ce lieu. Par
exemple, les lieux 1 et 2 sont codés par le neurone 24.
En outre, pour regrouper les 30 neurones en un nombre
de classe plus restreint, nous avons eu recours à une
classification hiérarchique ascendante de Ward (figure 4).
L’avantage d’opérer cette classification sur les neurones
plutôt que sur les objets initiaux (dans notre cas les lieux
de mesures) est que, comme montré précédemment,
nous pouvons comprendre avec les poids des neurones
quelles variables sont responsables du regroupement en
différentes classes [7].
La classification de Ward propose 3 ou 4 classes (figure 5),
mais nous avons décidé d’en garder 4 (après le nœud 56)
afin de minimiser la perte d’information due à l’agrégation
des groupes. La représentation simplifiée du réseau de
Kohonen (figure 6) basée sur les 18 indicateurs présente
donc les 4 zones typiques établies.
La première zone (vert) correspond au parc. Les enregis-
trements dans le parc (lieux 1 à 12) sont regroupés dans
cette zone. Le point de mesure 47 (neurone 18) est égale-
ment regroupé dans cette zone bien qu’il se situe physi-
quement dans la rue de l’épée de bois. Cela peut être
expliqué par une forte présence d’oiseaux au moment de
l’enregistrement (figure 3h).
Fig. 4 : Dendrogramme de la classification de Ward sur les neurones