Travaux Pratique

Réseaux de Neurones Artificielles

Le but de ce TP est de mettre en œuvre les algorithmes décrits pour les réseaux de neurones
artificielles.

Neurone simple

TP 1 : Création d’un modèle de neurone simple

Donner la valeur de a en sortie sachant que Si p1 = 2,5; p2 = 3; w1 = 0,5; w2 = -0,7; b = 0,3.

Supposons que la fonction de transfert du neurone est hardlimit, où,

0 pour n < 0
1 ≥0
a = hardlim (n) =

Perceptron

TP 2 : Créer un Perceptron pour la classification

Nous pouvons former un réseau Perceptron à la classification de deux groupes de données,
comme illustré ci-dessous

Ecrire un programme Perceptron en Matlab. Simuler avec des valeurs non connues.

TP 3 : Modélisation de la fonction logique avec un Perceptron.

Donner un programme Matlab qui modélise la fonction logique ET

TP 4 : Création d’un Perceptron qui différencie entre deux groupes

d’images.

TP 5 : pattern classification du perceptron.

Ecrire un programme Matlab qui crée un perceptron qui différencie entre deux groupes
d’images.

Réseaux linéaires

TP 6 : création d’un réseau linéaire

Donner un programme Matlab qui crée un réseau linéaire.

TP 7 : Pattern classification de Perceptron. revisité

Revoir l’exercice 2 Pattern classification du Perceptron en créant un réseau linéaire pour
réaliser non seulement le pattern classification mais les tâches d’association.

TP 8 : Reconnaissance d’un caractère simple

Ecrire un programme Matlab qui crée un réseau linéaire qui différencie entre la letter U et T.
La lettre U et T sont représentés par une matrice 3x3.

Backpropagation (BP) Networks

TP 9: Fonction d’approximation avec Early Stopping

Ecrire un programme qui crée un réseau de neurone pour la function d’approximation avec
Early Stopping.

TP 10 : Prédiction avec les séries chronologiques

Créez un réseau de neurones capable de prédire la série chronologique sur 24 heures du jour
suivant sur la base des séries chronologiques sur 24 heures du jour actuel.