Vous êtes sur la page 1sur 3

Usually, a typical three-layer feed-forward model is used for forecasting purposes (Lingireddy and

Ormsbee, 1973). Hidden nodes (h in the next equation) with appropriate non-linear transfer
functions are used to process the information received by the p input nodes, each associated with
one of the predictors. Finally, the model can be written as (Zhang and Qi, 2005)herrera ,2010)

L’étape d’« apprentissage » d’un RNA consiste à calculer et optimiser le poids informatif de la
relation non linéaire entre entrée et sortie. Cette étape est itérative.

suivie par deux étapes de vérification "test" et "validation". Comme dans toute démarche de
modélisation, ces dernières étapes sont essentielles avant de passer à l’exploitation d’un RNA.

Les réseaux de neurones présentent une technique de traitement de données qui fera
bientôt partie de la boite à outils de tout ingénieur préoccupé de tirer le maximum
d’informations pertinentes des données qu’il possède, tel que faire des prévisions, élaborer
des modèles, reconnaître des formes ou des signaux, etc (Franck ELIE, 1997)

Et voilà, au cours des dernières années, les réseaux neuronaux artificiels (RNA) sont
devenus extrêmement populaires pour la prédiction et la prévision dans un certain nombre de
domaines, y compris les finances, le pouvoir génération, médecine, ressources en eau et
science de l’environnement (Maier, 2000).

D’ailleurs, l’idée de base de cette approche de RNA est que le réseau apprend à partir les
données d'entrée et les données de sortie associées, ce qui est communément connu comme la
capacité de généralisation de l'ANN (Junguo Liu, 2003).
La valeur de rayon (connue sous le nom de propagation) de la fonction et le nombre de neurones
sont variés pour la meilleure performance du réseau RBF. Fondamentalement, plus la valeur de
propagation est grande, plus l'approximation de la fonction sera lisse. Cependant, si la valeur de
propagation est trop grande, de nombreux neurones peuvent être nécessaires pour s'adapter à la
fonction en évolution rapide. D'un autre côté, de très petites valeurs de propagation nécessiteront
de nombreux neurones pour s'adapter à la fonction lisse et les réseaux ne peuvent pas être
généralisés (Beale et al, 2010). Dans cet article, la propagation sera variée entre 1 et 60 alors que le
nombre de neurones est changé entre 5 et 600 afin de trouver les modèles de prédiction ANN les
plus appropriés.

MATLAB est un environnement informatique numérique et aussi un langage de programmation. Il


permet une manipulation facile de la matrice, le traçage des fonctions et des données, la mise en
œuvre d'algorithmes, la création d'interfaces utilisateur et l'interfaçage avec des programmes dans
d'autres langues. Dans cet article MATLAB (R2010a) est utilisé pour écrire des fichiers de script pour
développer des modèles MLP et RBF ANN et des fonctions de performance pour calculer les
statistiques d'erreur de performance du modèle telles que R2, RMSE et MBE. La figure 7 montre les
étapes procédurales pour développer les modèles ANN

La fonction "newrb" est utilisée pour créer itérativement un réseau RBF en incluant un neurone à la
fois. Les neurones sont ajoutés au réseau jusqu'à ce que l'erreur quadratique soit très faible ou que
le nombre maximal de neurones soit atteint. L'appel pour cette fonction est: MyNetwork = newrb
(pn, tn, objectif, propagation, mn, df); où pn et tn sont l'entrée et la cible, respectivement.
L'argument "goal" indique l'objectif d'erreur carré moyen, défini ici à 0,01, et "spread" représente
l'étalement des fonctions de base radiales, changé entre 1 et 60 et désigné ici par "i". L'argument
"mn" est le nombre maximum de neurones, changé entre 5 et 600 et noté ici "j", alors que "df"
représente le nombre de neurones à ajouter entre les affichages et est mis à 50.

in RBF, the loop is controlled by spread and number of neurons. The stored results are checked and
compared for all tested models in order to find the optimal network structure which has highest R2
and lowest RMSE and MBE.( Maitha H. Al Shamisi)

Ensuite, tester le réseau de neurones et vérifier les performances de prédiction, illustré à la Figure 5.
Les codes MATLAB sont les suivants: y = sim (net, P_test)
**Les applications des modèles RBFN ont été largement utilisées pour la prévision et la prévision.

**La RBFN présente des avantages de conception facile, de bonne généralisation, de forte tolérance
au bruit d'entrée et de capacité d'apprentissage en ligne. Les propriétés de RBFN le rendent très
approprié pour concevoir des systèmes de contrôle fl exibles. Avec ces avantages de la RBFN, cet
article proposait une prévision du niveau d'eau de crue de 7 heures en utilisant la structure
RBFN(M.A. Abu Bakar et al.,2017)