La prise en compte des phénomènes temporels est fondamentale dans l'appréhension des problèmes réels et une des limitations du connexionnisme tient dans le fait qu'il ne prend pas en compte la dimension du temps. Pour dépasser la perception statique, il convient de développer le traitement du temps dans les réseaux de neurones.
Dans cette optique, nous avons développé un modèle neuromimétique de traitement de séquences sur la base d'une représentation externe et explicite du temps. Cette représentation s'insère dans la classification générale des modèles connexionnistes que nous avons proposée (modèles à représentation externe, interne implicite, interne explicite).
Notre modèle TOM (Temporal Organization Map) est une carte de super-unités connexionnistes contenant des unités neuronales qui s'activent pour des contextes temporels distincts et qui transmettent de l'information de proche en proche. Les connexions entres ces dernières unités matérialisent des chemins de propagation qui caractérisent des formes dynamiques. Une propriété importante du modèle est sa tolérance aux distorsions temporelles. Pour cela, les unités qui font propager une activité ont une mémoire à court terme de leur activité. Ainsi, lorsqu'une unité est déclenchée son activité ne s'annule pas au pas de temps suivant mais décroît [12].
Nous avons testé le modèle en reconnaissance de chiffres
parlés issus de la base de données américaine TIDIGIT. En
particulier, une carte TOM entraînée avec 10 locuteurs prononçant
chacun 10 chiffres ne donne aucune erreur avec les mêmes
locuteurs prononçant chacun 10 autres chiffres. Une carte
entraînée avec 55 locuteurs prononçant chacun 20 chiffres donne
environ 
de
reconnaissance correcte avec un corpus de test comportant 10
autres locuteurs.