Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 107 vues

    TP 3 RN

    Transféré par

    Ilyes Khelifi
    Ce document présente cinq exercices sur la modélisation de fonctions logiques (AND, OR, XOR, NAND) à l'aide de perceptrons et de rétropropagation. Les exercices décrivent les étapes pour créer et entraîner les réseaux de neurones sur des jeux de données d'entrée-sortie.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TP 3 RN

    Transféré par

    Ilyes Khelifi
    107 vues2 pages
    Ce document présente cinq exercices sur la modélisation de fonctions logiques (AND, OR, XOR, NAND) à l'aide de perceptrons et de rétropropagation. Les exercices décrivent les étapes pour créer et entraîner les réseaux de neurones sur des jeux de données d'entrée-sortie.

    Description originale:

    kvlyu

    Titre original

    TP_3_RN

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente cinq exercices sur la modélisation de fonctions logiques (AND, OR, XOR, NAND) à l'aide de perceptrons et de rétropropagation. Les exercices décrivent les étapes pour créer et entraîner les réseaux de neurones sur des jeux de données d'entrée-sortie.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    107 vues2 pages

    TP 3 RN

    Transféré par

    Ilyes Khelifi
    Ce document présente cinq exercices sur la modélisation de fonctions logiques (AND, OR, XOR, NAND) à l'aide de perceptrons et de rétropropagation. Les exercices décrivent les étapes pour créer et entraîner les réseaux de neurones sur des jeux de données d'entrée-sortie.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 2

    TP 3 Réseau de neurones

    Exercice 1 Notre but est de créer un perceptron permettant de modéliser de la fonction


    logique AND
    1er étape : taper nntool

    2ème étape : Déclarer les vecteurs des entrées x = [ 0 0 1 1; 0 1 0 1] et la sortie

    d = [1 1 1 0] - New/data- n’oublier pas de mentioner le type des vecteurs (inputs ou

    targets) et de taper sur le bouton create pour confirmation.

    Dans Network, déclarer le nom du RN (perceptron), son type (percetron) et de choisir ces
    entrées sortie. Taper sur View pour voir le RN

    3ème étape : phase d’apprentissage Aller à train, entrer les vecteurs d’entrée et de sortie
    puis lancer l’apprentissage en appuiant sur train network.

    Commenter le resultat (l’erreur entre la sortie du Rn et la sortie désirée, le nombre


    d’ittérations). Trouver les valeurs des poids et du biais du RN.

    Exercice 2 Modéliser par un preceptron de la fonction logique OR en suivant les mêmes


    étapes (refaire l’exercice 1 pour la foncion OR).
    Exercice 3 Modéliser par un preceptron de la fonction logique XOR en suivant les mêmes
    étapes (refaire l’exercice 1 pour la foncion XOR, varier les paramétres d’apprentissage)
    Quelles sont vos remarques ?
    Exercice 4 Modéliser par un RN perceptron sur un fichier -.m du matlab de la fonction
    logique NAND
    Entrer les vecteurs d’entrées-sortie x = [ 0 0 1 1; 0 1 0 1] d = [ 0 0 0 1]
    Utiliser la commande plotpv pour tracer les entrées sorties de perceptron
    Créer un nouveau perceptron en utilisant newp exemple red=newp([0 1;0 1],1)

    Initialiser les poids à 1 et le biais à 0.5

    Tracer la ligne de classification de perceptron en utilisat la commande plotpc

    Faite l’apprentissage du perceptron en utiliser la commande train

    Retracer la ligne de classification de perceptron après l’apprentissage. Quelles sont vos


    remarques.

    Utiliser la commande sim pour tester l’efficacité du perceptron.


    Exercice 5 l’exercice suivat consiste à établir la fonction XOR en utlisant, sur un fichier -.m
    du matlab l’algorithme de Rétropropagtion commenter le
    input = [0 0; 0 1; 1 0; 1 1];
    output = [0;1;1;0];
    bias = [-1 -1 -1];
    coeff = 0.7;
    iterations = 10000;
    rand('state',sum(100*clock));
    weights = -1 +2.*rand(3,3);
    for i = 1:iterations
    out = zeros(4,1);
    numIn = length (input(:,1));
    for j = 1:numIn
    H1=bias(1,1)*weights(1,1)+input(j,1)*weights(1,2)+input(j,2)*weights(1,3);
    x2(1) = 1/(1+exp(-H1));
    H2=bias(1,2)*weights(2,1)+input(j,1)*weights(2,2)+input(j,2)*weights(2,3);
    x2(2) = 1/(1+exp(-H2));
    x3_1=bias(1,3)*weights(3,1)+x2(1)*weights(3,2)+x2(2)*weights(3,3);
    out(j) = 1/(1+exp(-x3_1));
    delta3_1 = out(j)*(1-out(j))*(output(j)-out(j));
    delta2_1 = x2(1)*(1-x2(1))*weights(3,2)*delta3_1;
    delta2_2 = x2(2)*(1-x2(2))*weights(3,3)*delta3_1;
    for k = 1:3
    if k == 1
    weights(1,k)=weights(1,k)+coeff*bias(1,1)*delta2_1;
    weights(2,k)=weights(2,k)+coeff*bias(1,2)*delta2_2;
    weights(3,k)=weights(3,k)+coeff*bias(1,3)*delta3_1;
    else
    weights(1,k)=weights(1,k)+coeff*input(j,1)*delta2_1;
    weights(2,k)=weights(2,k)+coeff*input(j,2)*delta2_2;
    weights(3,k)=weights(3,k)+coeff*x2(k-1)*delta3_1;
    end
    end
    end
    end

    Vous aimerez peut-être aussi