29 lines
1.2 KiB
Matlab
29 lines
1.2 KiB
Matlab
function [net, rt] = 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 = sim(net, entree_test, [], [], sortie_test);
|
||
end
|
||
|