TD 2

Université Virtuelle de Tunis
________________________________________________________
Mastère : IASRIA
Module : Les réseaux de neurones artificiels
TD 2
Exercice 1 :
(.) est la fonction signe.

Les entrées sont logiques 0 et 1.
1- calculer les valeurs de  pour que ce réseau résolve le OU exclusif.
2- Tracer les lignes de séparation de ce réseau pour   Z.
Exercice 2 : (algorithme de la rétropropagation)

On veut résoudre le problème du cercle dans le carré par un réseau de neurone
comportant une couche d’entrée, une couche cachée et une couche de sortie.
L’algorithme d’apprentissage utilisé est celui de la rétropropagation. Expliquer
comment doit-on procéder pour résoudre ce problème. Donner les différentes
étapes pour faire l’apprentissage
On conseille de suivre la démarche suivante :
1) choix des exemples pour l’apprentissage et des exemples pour la phase test
(préciser ces exemples)
2) choix d’une structure du réseau multicouche (nombre de neurones par couche)
3) montrer les étapes de l’apprentissage et le mode de présentation des exemples
4) à chaque itération que fait l’algorithme d’apprentissage
5) quand est ce qu’on arrête l’apprentissage et quel est le critère qu’on doit
adopter
6) comment tester que le réseau a été bien entraîné ?
7) tracer l’allure de cercle qu’on peut avoir dans les cas suivants :
a) réseau faiblement entraîné
b) réseau moyennement entraîné
c) réseau bien entraîné.
Exercice 3:
Considérer un réseau de neurones multicouches, tous ces neurones opèrent dans
leurs régions linéaires. Justifier que ce réseau est équivalent à un réseau de
neurone composé d'une seule couche.
Exercice 4 : ( rétropropagation)
-1
1.5
1 (.)
X1 -2
(.)
1
1
1
(.)
X2 0.5
1
0.5
-1
-1
1. Tracer les régions de classification de ce réseau de neurones les entrées sont
logiques 0 ou 1 , la fonction d’activation (.) est la fonction signe si son entrée est
strictement négative elle vaut zéro sinon elle vaut 1.
2. Montrer que celui- ci peut résoudre le problème du OU exclusif.
3. Supposons qu'on veut faire l'apprentissage d'un réseau de neurones de même
structure sauf que les coefficients synaptiques sont inconnues pour résoudre le
même problème. Donner la procédure qu'il faut adopter pour la phase
d'apprentissage et pour la phase de généralisation. Pour la phase
d'apprentissage donner une équation d'adaptation d'un paramètre de votre
choix sur la couche de sortie et un autre sur la couche cachée ainsi que la valeur
de ces paramètres à la convergence.
Exercice 5:
Considérons le schéma suivant:
+1
+1
On se propose de concevoir un réseau de neurones multicouches qui permet de

classifier en deux classes les points représentés sur le schéma connaissant leurs
coordonnés cartésiennes. Les points représentés par ▪ appartiennent à la classe
codée (+0.5). Les points représentés par • appartiennent à la classe codée (-0.5).
1. Combien d'entrées et de neurones de sortie le réseau doit contenir?
2. Comment choisir le nombre de couches cachées ainsi que le nombre de
neurones par ces couches?
3. Construire l'ensemble des patterns d'apprentissage. On vous rappelle que
chaque pattern est composé du vecteur de l'entrée et de la sortie
correspondante.
Existe t'il une surface de séparation linéaire (une droite, ou bien un plan etc) qui
permet la classification de ces patterns. Si oui donner une équation de cette
surface de séparation.
Exercice 6
1 − e− x
Soit le réseau de neurones suivant, on donne f ( x) = :
1 + e− x
1. Calculer les sorties s1 et s2 en fonction des poids synaptiques du réseau de

neurones. Application numérique : tous les coefficients synaptiques sont
égaux à 1.
2. En adoptant une approximation de Taylor à l’ordre 1 de e − x , déterminer les
relations entre les coefficients synaptiques afin que les deux sorties
vérifient s1 = s2 = 0 pour x1 = x2 = 1 .
Exercice 7: Reconnaissance de formes
On se propose de concevoir un réseau de neurones multicouches permettant de
reconnaître les différentes formes suivantes:
Formes
Code
-0.6 -0.2 0 0.2 0.6
associé
Pour cela, on doit apprendre au réseau les caractéristiques de ces formes telles
que par exemple: le périmètre, l'aire de la surface etc…
Le schéma d'apprentissage est le suivant:
 Vecteur 
 
 de 
  Réseau
 caractéris tiques 
  de
 des  Neurones
 
 
 f ormes 
_ Code de
A lgorithme + la forme
désirée
1. On suppose que le vecteur des caractéristiques contient un seul paramètre:

aire de la surface de la forme. Est ce que le réseau peut distinguer entre ces
formes? Pourquoi?
2. Le vecteur caractéristique de chaque forme est choisi le suivant:
 − Aire 
 
 − Périmètre 
 

Vi = − Rayon du 
 cercle circonscrit 
 
 
 − Rayon du 
 cercle inscrit 
déterminer les différents vecteurs caractéristiques de chaque forme.

3. Est ce que le réseau peut distinguer entre ces formes? Pourquoi?
4. Quel est le nombre d'entrées du réseau ainsi que le nombre de neurones de
sortie?
Cercle de rayon=5
Rectangle: longeur=10 Les cercles inscrit et cironscrit
largeur=2.5 sont confondus au cercle
R=5.5
Trapèze: petite base=5

grande base=10
hauteur=5 Triangle équilatéral:coté=8
Exercice 8
1 1
x1 w1
w0
v0
x2 w2
v1
u1 f () y1 f ()
x3 w3 u2 y2
x4 w4
1 − exp( −u )
1. La fonction d'activation est : f (u ) = .
1 + exp( +u )
Les coefficients synaptiques sont : pour la couche de sortie : v0, v1,

pour la couche cachée : w0…w4
Calculer : u1, y1, u2 et y2.
2. Donner les équations d'adaptation de v1 puis w1 suivant l'algorithme de la
rétropropagation.
Exercice 9 :
On veut utiliser l’algorithme de la rétropropagation, pour l’apprentissage d’un
réseau de neurones multicouches, pour modéliser la fonction non linéaire donnée
par le tableau suivant :
x yd
-0.5 -0.5
-0.4 0
-0.2 0.5
0.1 0.9
0.3 0.9
Parmi les fonctions suivantes quelle est la fonction d’activation adéquate à ce

problème ? Justifier votre réponse ?
Exercice 10
Considérons le réseau suivant :
Les entrées de ce réseau de neurones sont logiques 0 ou 1 , la fonction d’activation
(.) est la fonction signe si son entrée est strictement négative elle vaut zéro sinon
elle vaut 1.
1. Quelles doivent être les valeurs de  et de  pour que celui- ci résolve le
problème du OU exclusif.
Tracer les régions de classification de ce réseau pour des valeurs de  et de 
choisies au milieu de chaque intervalle.

TD 2

Transféré par

Droits d'auteur :

Formats disponibles

TD 2

Transféré par

Informations du document

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

TD 2

Transféré par

Droits d'auteur :

Formats disponibles

Université Virtuelle de Tunis

(.) est la fonction signe.

Exercice 2 : (algorithme de la rétropropagation)

On se propose de concevoir un réseau de neurones multicouches qui permet de

1. Calculer les sorties s1 et s2 en fonction des poids synaptiques du réseau de

1. On suppose que le vecteur des caractéristiques contient un seul paramètre:

déterminer les différents vecteurs caractéristiques de chaque forme.

Trapèze: petite base=5

Les coefficients synaptiques sont : pour la couche de sortie : v0, v1,

Parmi les fonctions suivantes quelle est la fonction d’activation adéquate à ce

Vous aimerez peut-être aussi