diff --git a/learning/code/PMC_training.m b/learning/code/PMC_training.m
new file mode 100644
index 0000000..699aecb
--- /dev/null
+++ b/learning/code/PMC_training.m
@@ -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
+
diff --git a/learning/code/learning.m b/learning/code/learning.m
index a4f5ac1..41b853f 100644
--- a/learning/code/learning.m
+++ b/learning/code/learning.m
@@ -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
\ No newline at end of file
+end
+
+% utilisation de l'algorithme du perceptron multicouches
+
+[net, resultats_test, ecarts, erreur] = PMC_training(vecteurs, classes, 10, 900);
+
+