guillaume/miniprojet
1
0
Fork 0
Code Issues Pull requests Releases Wiki Activity

Merge branch 'dev' of gitlab.rezometz.org:guillaume/miniprojet into dev

Browse source
This commit is contained in:
Guillaume Courrier 2019-12-17 08:23:51 +01:00
commit dfe200f290
2 changed files with 55 additions and 1 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

29
learning/code/PMC_training.m Normal file
View file

@ -0,0 +1,29 @@
function [net, rt, errort, perft] = PMC_training(entree, sortie, n_cache, nb_apprentissage)
[n_entree, nb_echantillons] = size(entree);
[n_sortie, ~] = size(sortie);
% net = newff(entree, sortie, n_cache, {'tansig' 'tansig'}, 'trainscg');
net = feedforwardnet(n_cache, 'trainscg');
net.trainParam.epochs = 1000; % Le nombre de cycle d’apprentissage est fixé à 1000
net.trainParam.lr = 0.02; % Le pas d’apprentissage est égal à 0.02
net.trainParam.show = 100; % Des informations sur les performances du réseau sont affichées tous les 100 cycles d’apprentissage
net.trainParam.goal = 1e-10; % L’algorithme d’apprentissage s’arrête lorsque l’erreur quadratique moyenne est inférieure à 1e-10
net.trainParam.min_grad = 1e-10; % L’algorithme d’apprentissage s’arrête lorsque le module du gradient est inférieur à 1e-10
net.divideParam.trainRatio = nb_apprentissage / nb_echantillons;
net.divideParam.valRatio = 0; % On n'utilise pas d'ensemble de validation.
net.divideParam.testRatio = (nb_echantillons - nb_apprentissage) / nb_echantillons;
net = train(net, entree, sortie);
entree_test = entree((nb_apprentissage + 1): nb_echantillons,:);
sortie_test = sortie((nb_apprentissage + 1): nb_echantillons,:);
[rt, pf, af, errort, perft] = sim(net, entree_test, [], [], sortie_test);
end

27
learning/code/learning.m
View file

@ -13,6 +13,25 @@ dataset_size = length(dataset);
vecteurs=zeros(2*(cmax-cmin+1),dataset_size); %TODO: renommer en vectors
classes = []; %colonne [avance; arret; gauche; droite; rejet]
for k=1:dataset_size %instanciation des valeurs des classes pour le training
deb = dataset(k).name(1:2);
if deb == 'av'
classes = [classes , [1;0;0;0;0]];
elseif deb == 'ar'
classes = [classes , [0;1;0;0;0]];
elseif deb == 'ga'
classes = [classes , [0;0;1;0;0]];
elseif deb == 'dr'
classes = [classes , [0;0;0;1;0]];
elseif deb == 're'
classes = [classes , [0;0;0;0;1]];
end
end
% c'est lent
% s'assurer que l'on choisit toutes les images
%
@ -55,4 +74,10 @@ for n=1:n_classes
axis equal
axis ij
drawnow
end
end
% utilisation de l'algorithme du perceptron multicouches
[net, resultats_test, ecarts, erreur] = PMC_training(vecteurs, classes, 10, 900);