Académique Documents
Professionnel Documents
Culture Documents
espèces de fleurs (Iris Setosa, Iris Virginica, Iris Versicolor). Les variables mesurées sont la
longueur et la largeur des sépales, la longueur et la largeur des pétales. Toutes ces variables
moyennant les RNs modulaires (1 réseaux pour chaque espèce de fleurs) de type MLP avec
• Nombre d'entrées= 4
• Nombre de sorties= 1.
On constate que le MSE(Mean Square Error) diminue lorsque le nombre d’itérations augmente.
Figure 2:Calcul de MSE
Mu=1
Validation=0
Figure 3:Les paramètres en fonction de nombre d'itérations
La relation entre les valeurs de test et de sortie est présentée par la figure suivante.
Figure 4:Courbe de classification
Code Source :
Tout =[
5.1 3.5 1.4 0.2 7.0 3.2 4.7 1.4 6.3 3.3 6.0 2.5 ;
4.9 3.0 1.4 0.2 6.4 3.2 4.5 1.5 5.8 2.7 5.1 1.9 ;
4.7 3.2 3.1 0.2 6.9 3.1 4.9 1.5 7.1 3.0 5.9 2.1 ;
4.6 3.1 1.5 0.2 5.5 2.3 4.0 1.3 6.3 2.9 5.6 1.8 ;
5.0 3.6 1.9 0.2 5.6 2.8 4.6 1.5 6.5 3.0 5.8 2.2 ;
5.4 3.9 1.7 0.4 5.7 2.8 4.5 1.3 6.7 3.0 6.6 2.1 ;
4.6 3.4 1.4 0.3 6.3 3.3 4.7 1.6 4.9 2.5 4.5 1.7 ;
5.0 3.4 1.5 0.2 4.9 2.5 3.3 1.0 7.3 2.9 6.3 1.8 ;
4.4 2.9 1.4 0.2 6.6 2.9 4.6 1.3 6.7 2.5 5.8 1.8 ;
4.9 3.1 1.5 0.1 5.2 2.7 3.9 1.4 7.2 3.6 6.1 2.5 ;
5.4 3.7 1.5 0.2 5.0 2.0 3.5 1.0 6.5 3.2 5.1 2.0 ;
4.8 3.4 1.6 0.2 5.9 3.0 4.2 1.5 6.4 2.7 5.3 1.9 ;
4.8 3.0 1.4 0.1 6.0 2.2 4.0 1.0 6.8 3.0 5.5 2.1 ;
4.3 3.0 1.1 0.1 6.1 2.9 4.7 1.4 5.7 2.5 5.0 2.0 ;
5.8 4.0 1.2 0.2 5.6 2.9 3.6 1.3 5.8 2.8 5.1 2.4;
5.7 4.4 1.5 0.4 6.7 3.1 4.4 1.4 6.4 3.2 5.3 2.3;
5.4 3.9 1.3 0.4 5.6 3.0 4.5 1.5 6.5 3.0 5.5 1.8;
5.1 3.5 1.4 0.3 5.8 2.7 4.1 1.0 7.7 3.8 6.7 2.2;
5.7 3.8 1.7 0.3 6.2 2.2 4.5 1.5 7.7 2.6 6.9 2.3;
5.1 3.8 1.5 0.3 5.6 2.5 3.9 1.1 6.0 2.2 5.6 1.5;
5.4 3.4 1.7 0.2 5.9 3.2 4.8 1.8 6.9 3.2 5.7 2.3;
5.1 3.7 1.5 0.4 6.1 2.8 4.0 1.3 5.6 2.8 4.9 2.0 ;
4.6 3.6 1.0 0.2 6.3 2.5 4.9 1.5 7.7 2.8 6.7 2.0 ;
5.1 3.3 1.7 0.5 6.1 2.8 4.7 1.2 6.3 2.7 4.9 1.8 ;
4.8 3.4 1.9 0.2 6.4 3.9 4.3 1.3 6.7 3.3 5.7 2.1 ;
5.0 3.0 1.6 0.2 6.6 3.0 4.4 1.4 7.2 3.2 6.0 1.8 ;
5.0 3.4 1.6 0.4 6.8 2.8 4.8 1.4 6.2 2.8 4.8 1.8 ;
5.2 3.5 1.5 0.2 6.7 3.0 5.0 1.7 6.1 3.0 4.9 1.8 ;
5.2 3.4 1.4 0.2 6.4 2.9 4.5 1.5 6.4 2.8 5.6 2.1 ;
4.7 3.2 1.6 0.2 5.7 2.6 3.5 1.0 7.2 3.0 5.8 1.6];
maxi = max(max(Tout))
mini = min(min(Tout))
%% calcul de matrice normalisées
for i=1:30
for j=1:12
end
end
Toutn;
iris1 = transpose(Toutn(:,1:4));
iris2 = transpose(Toutn(:,5:8));
iris3 = transpose(Toutn(:,9:12));
%A = Toutn(1:20,1:4);
A = iris1(:,1:20);
B = iris1(:,21:30);
C = iris2(:,1:20);
D = iris2(:,21:30);
E = iris3(:,1:20);
F = iris3(:,21:30);
E1 = E(:,1:10);
E2 = E(:,11:20);
C1 = C(:,1:10);
C2 = C(:,11:20);
A1 = A(:,1:10);
A2 = A(:,11:20);
%%%%Partie d'apprentissage%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
App_iris1=[A,C1,E1]
App_iris2=[C,A1,E2]
App_iris3=[E,A2,C2]
Test_iris1=[B,D,F];
Test_iris2=[D,B,F];
Test_iris3=[F,B,D];
%%%%%
[nbre_exempl,nbre_caract]=size(App_iris3);
nbre_caract;
nbre_exempl;
Nero_cache = 1;
T=[ones(1,20),(-1*ones(1,20))];
seuil = 0.5;
vect = sim(net_RN, Test_iris1);
vect (find(vect>=seuil))=1;
vect (find(vect < seuil)) = 0;
vect;