Chapitre III - Technologie - Cognitive - 24

Chapitre III :
les réseaux de neurones sous matlab

1
Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024

3.1/
Le neural network toolbox ( boite a outils) offre un
environnement permettant de concevoir et d’
implémenter des réseaux de neurones avec des
algorithmes et des modèles pré-entrainés et des
applications.
La boite a outils englobe des fonctions prédéfinies
qui facilitent la programmation d’un réseau de
neurones sous matlab et permettent d’effectuer des
classifications des données, des images…, et de
créer des architectures de réseaux complexes.
Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 2
3.2/ Fonctions d’activations :
Plusieurs fonctions d’activation sont inclues dans cette
boite a outils, les plus utilisées sont :
i. Fonction seuil :
 La fonction prédéfinie dédiée a la création de la
fonction mathématique seuil est : hardlim
 La syntaxe est : a=hardlim(n)
Exemple :
n= -5:0.1:5; a= hardlim(n);plot(n, a,’c+’);
La fonction prédéfinie hardlim , limite la sortie du
neurone a zéro , si l’argument d’entrée n est inferieure a
zéro, ou a un si n est supérieure ou égale a zéro.
 toutes les fonctions de transfert mathématiques peuvent
être réalisées avec des fonctions du même nom dans la
boite a outils neural network toolbox.

ii. Fonction signe :
 Une fonction spécifique permettant la création de
la fonction d’activation signe est :
hardlims
 La syntaxe est : a=hardlims(n)
 Exemple :
n=-5:0.1:5
plot(n, hardlims(n),’r-’)

iii. Fonction linéaire:
 La fonction prédéfinie : purelin
 La syntaxe est : a=purelin(n)
 Exemple:
n=-5:0.1:5; a=purelin(n); plot(n, a,’c-’)
 les fonctions de transfert de ce type sont utilisées
pour les approximateurs linéaires dans les filtres
linéaires.

iv. Fonction sigmoïde:
 La fonction prédéfinie est : logsig
 Syntaxe est : a=logsig(n)
 Exemple:
n=-5:0.1:5; a=logsig(n); plot(n,a,’r-’);
 la fonction de transfert sigmoïde illustrée ci-dessus
prend l’entrée qui peut avoir n’importe quelle valeur
comprise entre plus et moins l’infini et borne la sortie
dans la plage 0 a 1.
v. Fonction tangente hyperbolique :
 La fonction d’activation la tangente hyperbolique est
décrite par l’ équation ci dessous :
 Une fonction prédéfinie dédiée a cette fonction

mathématique est définie par : tansig
 La syntaxe est : a=tansig(n)
Exemple :
n=-5:0.1:5; a=tansig(n); plot(n,a,’c-’)
3.3/ Calcul de la sortie d’un simple neurone :
 a fin de calculer la sortie d’un neurone, il suffit de saisir les
valeurs des poids synaptiques ainsi que le biais, et calculer par la
suite le potentiel d’activation et définir a la fin la fonction de
transfert. Dans ce qui suit un exemple illustratif:
 %définition des poids
w=[4 -2];
%le biais
b=0
%fonction d'activation( la fonction seuil)
func=@hardlim
%définition des entrées
p=[2 3];
%calcul du potentiel d'activation du neurone
potentiel=p*w'+b;
% calcul de la sortie
y=func(potentiel)

3.4/ Calcul de la sortie d’un réseau a une
couche:
i. Représentation matricielle :
La représentation sous forme matricielle est très utilisée
pour mettre en œuvre un réseau de neurone .
P
w n
R×1 S×1
S×R ∑ f
1
b
Cours_Technologie_Cognitive S×1 Enseignante: ben abdallah 1/3/2024 11
Avec :
p= ,
R= le nombre d’entrées

S= le nombre de neurones
 Notez que les indices des lignes sur les éléments de la
matrice W indiquent le neurone de destination du poids. Et
les indices des colonnes indiquent quelle entrée est la
source pour ce poids.
ii. Exemple d’application
a1
∑ f
w11
p1 b1
w21 a2
∑ f
w22
w12 b2
w31
p2 a3
∑ f
w32
b3
Figure. Réseau a une couche

iii.Programmation sous matlab:
%calcul de la sortie d'un réseau a une couche
%définir les entrées
p=[1 ;-1];
%définir la matrice des poids
w=[2 1 1;0 2 3];

%définir les biais
b=[1;2;3];
%calcul du potentiel d'activation
n=w'*p+b;
%calcul des sorties
a=logsig(n)

3.5/ Calcul de la sortie d’un réseau
multicouche : Un réseau peut avoir plusieurs couches ,
chaque couche possède une matrice de poids synaptiques
W et un vecteur de biais b et un vecteur de sortie a.
i. Exemple :
∑ f w14
w11
p1 b1
∑ f
w21 w46
w24 y
∑ f b4
∑ f
w22 w25
w12 w56
b2
p2 w31
w35 ∑ f b6
w32 ∑ f b5
Cours_Technologie_Cognitive b3
Enseignante: Figure . Réseau multicouche
ben abdallah 1/3/2024 16
les couches d’un réseau multicouche jouent des rôles
différents. Les réseaux a plusieurs couches sont assez
puissants.
Par exemple un réseaux de deux couches ou la première
couche intègre des fonctions d’activations sigmoïde et la
deuxième couche intègre des fonctions d’activations linéaire
peut être entrainer pour se rapprocher de n’importe quelle
fonction.

ii. Programmation sous matlab:
%calcul de la sortie d'un réseau multicouche
p=[1 ;-1];
%définir les poids de la couche1
w1=[2 0;1 2 ;1 3];
%définir les biais de la couche 1
b1=[1;2;3];

w2=[2 0 1;1 2 1];
b2=[0;0];
w3=[2 0];

b3=[1];
%calcule de la sortie
a=purelin(w3*(logsig(w2*(logsig(w1*p+b1))+b2))+b3)

3.6/ Création d’un simple perceptron :
i. Fonction prédéfinie : perceptron
Les réseaux de perceptron peuvent être créés avec la
fonction prédéfinie : perceptron
Ces réseaux peuvent être initialisés et entrainés. La
fonction intègre l’algorithme du perceptron et la
fonction d’activation par défaut est la fonction seuil.

syntaxe : net = perceptron
Exemple :
%création du perceptron
net=perceptron;
%configuration du perceptron
net=configure(net,[0;0],0);
%définir les poids et le biais
net.b{1}=0
net.IW{1,1}=[1 -0.8]
p=[1;2];
%définir la sortie désirée
t=[1];
% calcul de la sortie réelle
a=net(p);
%calcul de l'erreur
e=t-a;

 la fonction d’activation seuil donne a un perceptron la
capacité de classer les vecteurs d’entrée en divisant
l’espace d’entrées en deux régions, une région ou le
perceptron est actif et une autre ou le perceptron est
inactif.
%saisie des entrées –sorties
x=[0 1 0 1;0 0 1 1];y=[0 0 0 1];
% classification des entrées dans l’espace des entrées
plotpv(x,y)

ii. Création d’un simple perceptron avec la fonction
d’activation linéaire.
Fonction : newlin
 la fonction prédéfinie qui permet de créer un simple
perceptron avec une fonction d’activation linéaire : newlin
Syntaxe : net=newlin(P,T)
Avec : P :Une matrice qui contient la valeur minimale et la
valeur maximale des éléments d’ entrée
T : Nombre de neurones

exemple :
%fonction newlin
net=newlin([1 3;1 3],1)
net.IW{1,1}=[1 2];
net.b{1}=0;

P=[1 2 2 3;2 1 3 1];
%calcul de la sotie
sortie=sim(net,P)
%calcul de la sortie avec net
y=net(P)

iii. Fonction prédéfinie : newp
Un perceptron peut être crée avec la fonction :newp
La règle d’apprentissage par défaut étant la règle du
perceptron.
La fonction d’initialisation par défaut initzero, est utilisée
pour remettre les valeurs initiales des poids a zéro.
 La syntaxe est la suivante :
net = newp(P,T,TF,LF)

avec :
P :Une matrice qui contient la valeur minimale et la valeur
maximale des éléments d’ entrées
T : Nombre de neurones
TF :Fonction de transfert , (default = 'hardlim’).
LF :Règle d’apprentissage, (default = 'learnp’).

 La règle d’apprentissage du perceptron n’est capable
d’entrainer qu’une seule couche de neurones. Ainsi on ne
considère normalement qu’un seul réseau de couches . Cette
restriction impose des limites au calcul qu’un perceptron
peut effectuer.

iv. Règle d’apprentissage du perceptron :
 La règle d’apprentissage du perceptron est réalisée par la
fonction prédéfinie : learnp
La règle d’apprentissage du perceptron learnp calcule les
modifications souhaitées des poids et des biais en fonction du
vecteur d’ entrée et de l’erreur associée.
Syntaxe de la fonction :
dw= learnp(W,P,[],[],[],[],E,[],[],[],[],[])

%fonction learnp
net=newp([-2 2;-2 2],1)
%définir les poids et le biais
w=[1 -0.8];
net.IW{1,1}=w;
net.b{1,1}=0;

%définir les entrées et la sortie cible
p=[1;2];
t=[1]
%simulation de la sortie
a=sim(net,p)
%calcul de l'erreur
e=t-a
%calcul de dw
dw=learnp(w,p,[],[],[],[],e,[],[],[],[],[])
w=w+dw

v. La simulation du comportement d’un réseau: la
fonction sim
Pour montrer comment fonctionne la simulation nous
allons examiner un exemple simple :
Supposons que nous prenons un perceptron avec un seul
vecteur d’ entrée a deux éléments on définit le réseau comme
suit :

Exemple 1 :
net=newp([-2 2;-2 2], 1)
net.IW{1,1}=[-1 1]
net.b{1}=[1]
p=[1;1]
a=sim(net,p)

Exemple 2 :
%new perceptron exemple
net=newp([-2 2 ;-2 2],1);
%initialisation des poids et du biais
net.IW{1,1}=[-1 1];
net.b{1}=1;
p=[1;1]
%calcul de la sortie
a=sim(net,p)
Exemple 3 :
%définir la base d'apprentissage
x=[[1;1] [0;1] [0;0]]; y=[1 -1 -1];
%définir le perceptron avec la fonction
%d'activation et la règle
%d'apprentissage
net=newp(x,y, 'hardlims','learnp')

%définir le nombre d‘ itérations
net.trainParam.epochs=5;
%définir les valeurs initiales des poids
w=[0.2 0.2];
net.IW{1,1}=w
%définir le biais
net.b{1}=[-0.5]

%apprentissage
net=train(net,x,y)
%affichage des nouvelles valeurs mis a jour
w1=net.IW{1,1}
net.b{1}
view(net)

Si la fonction sim et la fonction learnp sont utilisées a
plusieurs reprises pour présenter des entrées au
perceptron et pour modifier les poids et les biais en
fonction de l’erreur , le perceptron finira par trouver des
valeurs de poids et de biais qui résolvent le problème.
Chaque traversée a travers tous les vecteurs d’entrées et
cibles d’entrainement est appelée une passe.

La fonction train réalise une telle boucle de calcul, a
chaque passage, la fonction parcourt la séquence spécifiée
d’entrées calculant la sortie , l’erreur et l ’ajustement du
réseau pour chaque vecteur d’ entrée dans la séquence, au
fur et a mesure que les entrées sont présentées.

3.7/ Fonctions d’apprentissage :
i. La fonction prédéfinie : train
 Une fonction prédéfinie permettant de faire apprendre
au réseau une base d’apprentissage selon une règle pré-
choisie .

Syntaxe :
[NET] = train(NET,X,T)
Avec :
NET : l’architecture choisie du réseau
X: vecteur entrée
T: vecteur sortie désirée

Exemple :
net=newp([-2 2;-2 2],1);
%choix du nombre d‘ itérations
net.trainParam.epchos=10;
%vecteur d'entrée
P=[[2;2] [1;-2] [-2;2] [-1;1]]

%vecteur sortie désirée
T=[0 1 0 1]
% apprentissage
net = train(net, P,T);
% les nouvelles valeurs des poids
net.IW{1,1}
net.b{1,1}

La fonction train ne garantie pas toujours que le
réseau résultant fait son travail.
Les nouvelles valeurs des poids et des biais doivent
être vérifiées en calculant la sortie du réseau pour
chaque vecteur d’entrée, pour voir si toutes les cibles
sont atteintes .
Si un réseau ne fonctionne pas correctement , il peut
être entrainé davantage.

ii. La fonction prédéfinie : adapt
 Permet d’adapter un réseau linéaire a une base
d’apprentissage et calcule l’erreur a la sortie.
 Syntaxe [net, a, e]=adapt(net,P,T)
avec: P: vecteur d’entrée, T: sortie cible
a: sortie du réseau .
e: erreur a la sortie .

L’adaptation d’un réseau linéaire peut être effectuée
en utilisant la fonction train ou adapt , bien que train
soit généralement la meilleure option, car elle a accès
a des algorithmes d’apprentissage plus large.
La fonction adapt fait appel a la fonction train et la
règle de l’adaline qui est la règle d’apprentissage par
défaut des poids et des biais.

Exemple :
%fonction adapt
net=newlin([-1 1;-1 1],1)
%definir les poids et le biais
net.IW{1,1}=[0 0];
net.b{1}=0;

P=[[1;2] [2;1] [2;3] [3;1] ];
%définir la sortie cible
T=[4 5 7 7]
%adaptation du réseau
[net,a,e]=adapt(net,P,T)
%affichage de la sortie réelle
disp(['a= ',num2str(a) ,' e= ',num2str(e) ])

3.8/ Création et apprentissage d’un réseau
multicouche:
i. Initialisation des poids d’un réseau :
 La fonction prédéfinie init permet d’initialiser les
valeurs du biais et des poids.
 Elle est utilisée pour mettre les pondérations et les biais
du réseau a leurs valeurs d’origine.

Syntaxe : net=init(net)
Exemple :
% entrées
x = [0 1 0 1; 0 0 1 1];
% Sortie cible
t = [0 0 0 1];
%creation du perceptron
net = perceptron;

%configuration du perceptron
net = configure(net,x,t);
%initialisation des poids et du biais
net.IW{1,1}=[1 .2]
net.b{1}=.5
% apprentissage du réseau
net = train(net,x,t);

%Affichage des nouvelles valeurs des poids
net.IW{1,1}
net.b{1}
%mise a zero des poids et du biais
net = init(net);
%affichage des nouvelles valeurs
net.IW{1,1}
net.b{1}

ii. Apprentissage d’un réseau multicouche :
 la première étape de l’ apprentissage d’un réseau de
rétroaction consiste a créer l’objet réseau. La fonction
newff Crée un réseau de rétroaction, elle nécessite quatre
entrées et renvoie l’objet réseau.
Syntaxe : net = newff(P,S,TF, BTF)

La première entrée est la matrice des valeurs minimales et
maximales de chacun des éléments du vecteur d’entrée.
La deuxième entrée est un vecteur qui contient les tailles
de chaque couche.
La troisième entrée est une matrice de cellules contenant
les noms des fonction de transfert a utiliser dans chaque
couche.
Le quatrième argument contient le nom de la fonction
d’apprentissage a utiliser.

Exemple 1:
%fonction newff
net=newff([-1 2;0 5],[3,1],{'tansig','purelin'},'traingd');
%initialisation du réseau
net=init(net)

%définition du vecteur entrée
p=[1;2];
a=sim(net,p)

La commande précédente crée un réseau a deux couches.
Il y a un vecteur d’ entrée avec deux éléments. Les
valeurs du premier élément d’entrée sont comprises entre
-1 et 2. les valeurs du deuxième élément du vecteur
d’entrée sont comprises entre 0 et 5.il y a 3 neurones
dans la première couche et un neurone dans la deuxième
couche ( couche de sortie). La fonction de transfert dans
la première couche étant la tangente hyperbolique et la
fonction de transfert de la couche de sortie est linéaire.
La fonction d’apprentissage étant la descente du
gradient.
Exemple 2:
%fonction newff
p=[-1 -1 2 2 ;0 5 0 5];
%sortie cible
T=[-1 -1 1 1];
%création du réseau
net=newff(minmax(p),[3,1],{'tansig','purelin'},'traingd');

%visualisation du réseau
view(net)
net=init(net)
%définition des paramètres d'apprentissage
net.trainParam.lr=0.05;

%apprentissage du réseau
[net,tr]=train(net,p,T)
a=sim(net,p)

Exemple 3:
%fonction newff
p=[-1 -1 2 2 ;0 5 0 5];
%sortie cible
T=[1 1 -1 -1];
%création du réseau
net=newff(minmax(p),[3,1],{'tansig','purelin'},'trainbfg');

%visualisation du réseau
view(net)
net=init(net)
%définition des paramètres d'apprentissage
net.trainParam.lr=0.05;

%apprentissage du réseau
[net,tr]=train(net,p,T)
%calcul de la sortie
a=sim(net,p)

Chapitre III - Technologie - Cognitive - 24

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre III - Technologie - Cognitive - 24

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre III :

les réseaux de neurones sous matlab

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 4

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 5

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 6

 Une fonction prédéfinie dédiée a cette fonction

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 10

R= le nombre d’entrées

Figure. Réseau a une couche

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 14

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 15

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 17

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 18

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 19

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 20

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 21

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 23

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 24

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 25

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 26

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 27

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 28

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 29

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 30

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 31

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 32

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 33

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 34

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 35

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 37

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 38

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 39

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 40

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 41

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 42

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 43

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 44

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 45

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 46

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 47

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 48

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 49

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 50

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 51

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 52

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 53

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 54

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 55

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 56

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 57

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 58

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 60

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 61

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 62

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 63

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 64

Cours_Technologie_Cognitive Enseignante: ben abdallah 1/3/2024 65

Vous aimerez peut-être aussi