Vous êtes sur la page 1sur 6

TP sur :

TP de Réseaux à fonction de base radiale


(RBF)
Module : Outils de l’intelligence artificiel

Djaber nesrine Labed Marwa


09/10/2020
Introduction :

L’informatique est la science du traitement automatique de l’information. Son


développement est souvent confondu avec celui des machines de traitement : les ordinateurs.
Depuis les débuts (ENIAC 1946) jusqu’à aujourd’hui, les ordinateurs sont devenus de plus en plus
puissants. Cependant, cette augmentation de puissance ne permet pas de toujours résoudre les
problèmes d’une application informatique dans un domaine particulier. L’idée s’est donc installée
que ce n’était peut être pas tant le matériel que le logiciel qui pêchait par manque de puissance. La
construction de logiciels s'appuie sur plusieurs approches. Deux parmi les plus utilisées sont
l'approche algorithmique et l'approche basée sur la connaissance.

Ces deux approches ne suffisent pas à répondre à tous les problèmes existants. Citons les
domaines de la reconnaissance de formes (images ou signaux), du diagnostic, du contrôle moteur,
de la traduction automatique, de la compréhension du langage, depuis longtemps explorés à l’aide
des approches algorithmiques et à base de connaissances, qui n'ont pas rencontré le succès
escompté.

Pourtant, des êtres vivants relativement simples sont capables de réaliser certaines de ces
opérations apparemment sans difficulté. Il suffit pour s’en rendre compte de lever les yeux, suivre le
vol de la mouche et essayer de la capturer. Que dire alors du déplacement au sonar de la chauve
souris, etc. Une troisième approche au traitement automatique de l’information semble donc s’offrir
à nous, où l’on cherche à s’inspirer du traitement de l'information effectué par le cerveau.

L’hypothèse principale, à la base de l'essor des réseaux de neurones artificiels, est que le
comportement intelligent est sous tendu par un ensemble de mécanismes mentaux. Ces
mécanismes étant basés sur des processus neurophysiologiques, nous supposons donc que la
structure du système nerveux central est à la base du développement d’un comportement
intelligent.

1. Le But du travail :
Le but de notre TP est de bien familiariser avec une la librairie « KERAS et SCIKAT-LEARN » de
python pour construire des RNA pour le but de classification.

Dans ce TP on va utiliser le python (jupterLab) comme langage de programmation, et Excel contient


les données utilisées.

Python

Python est un langage de programmation interprété, multi-paradigme et multiplateformes. Il


favorise la programmation impérative structurée, fonctionnelle et orientée objet.

2
2. L’environnement de travail :
Notre TP a été développé sous l’environnement JupyterLab est une application web utilisée pour
programmer dans plus de 40 langages de programmation, dont Python, Julia, Ruby, R, ou encore
Scala. Jupyter est une évolution du projet IPython, et il permet de réaliser des calepins ou
notebooks.

Figure -1- : Interface de l’environnement jupyter

3. Les Réseaux à fonction de base radiale (RBF):


Sont des modèles connexionnistes simples à mettre et œuvre et assez intelligibles, et sont très utilisé
pour la régression et la discrimination.

RBF fait partie des réseaux de neurones supervisé il consiste a trois couches(couche d’entre ,couche
caché ‘’des gaussiennes’’ et une couche de sortie dont les neurones sont généralement animés par
une fonction d’activation linéaire.

4. Les algorithmes d’apprentissage :


Dans les taches de classification dans notre TP ,le nombre et les centres des gaussiennes sont
choisis par des technique de regroupement de données de type K-means
Il permet d’analyser un jeu de données caractérisées par un ensemble de descripteurs, afin de
regrouper les données “similaires” en groupes (ou clusters).
Les largeurs des gaussiennes sont calculé par la valeur moyenne des distances séparent tous les
exemples au centre correspondant
Les K-means sont des méthodes itératives permettant de séparer une série de vecteur en
différents clusters est représenté par un centre.
Il se présente comme suit :
 Choisir au hasard le centre de chacun des K clusters

3
 Attribuer chaque objet au cluster dont le centre lui est le plus proche
 Recalculer les positions des nouveaux centres
 Répéter jusqu’à ce qu’un nombre d’itérations maximal soit atteint .

Une petite explication sur le code du TP :


1. Importation des librairies :
La couche d'importation de topologie tensorflow.keras

2. La création de la classe InitCentersRandom(Initializer) qui contient :


 initialiseur pour l’initialisation des centres du réseau RBF sous forme d’échantillons de
l’ensemble de données donné
 X Matrice ensemble de données à partir du quel choisir les centres (lignes aléatoire sont
considérés des centres)
3. La création de la classe InitCenters KMeans (Initializer) qui contient :
 initialiseur pour l’initialisation des centres du réseau RBF en regroupant
l’ensemble de données donné
4. La création de la classe RBFLayer(Layer):

Couche d'unités RBF gaussiennes

output_dim: nombre d'unités cachées (c'est-à-dire nombre de sorties du couche


initialiseur : instance d’initialiser pour initialise les centres

4
Conclusion :
A travers ce TP on a testé, intégré et utilisé un algorithme d’apprentissage de réseau de
neurone « K-mean » (qui programmer en langage python ) dans le but de comprendre le
fonctionnement du réseau a fonction de base radiale (RBF).qui a un taux de test meilleurs
qui a bien généralisé les données par ce que l’apprentissage du réseau RBF est plus rapide
que les autres modelés neuronaux et l’utilisation de ce modèle dans le domaine de la
classification s’est avérée intéressante et encourageante .

5
6

Vous aimerez peut-être aussi