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