Réseaux de neurones et apprentissage

Table des matières

Table des figures
Résumé
Abstract
Introduction
1 système d’aide au diagnostic
1.1 Introduction
1.2 Les systèmes d’aide au diagnostic
1.2.1 Définition
1.2.2 L’intérêt d’automatisation d’un diagnostic
1.2.3 Caractéristiques des systèmes d’aide à la décision
1.2.3.1 Nature de l’aide à la décision
1.2.3.2 Mode d’intervention
1.2.4 Bases méthodologiques des systèmes d’aide à la décision
1.2.4.1 différents types de raisonnement
1.2.4.2 différents approches utilisés
1.2.5 Les problèmes des systèmes d’aide à la décision
1.2.6 Exemples de système d’aide à la décision
1.2.3 La classification dans les systèmes ADM
1.3.1 chaine de classification d’objets
1.3.1.1 Les principaux modules de classification d’objets
1.3.1.2 L’extraction des descripteurs
1.3.1.3 Procédure de résolution par apprentissage
1.4 Conclusion
2 réseaux de neurones et apprentissage
2.1 Introduction
2.2 Structure d’interconnexion
2.2.1 Réseaux bouclés
2.2.1.1 Le perceptron monocouche
2.2.1.2 Les perceptrons multicouches
2.2.1.3 Le réseau à fonction radiale
2.2.2 Les réseaux non bouclés
2.2.2.1 les réseaux à couche
2.2.2.2 Les réseaux à compétition
2.2.2.3 Réseau de Hopfield
2.2.3 Choix d’architecture
2.3 Apprentissage des réseaux de neurones
2.3.1 apprentissage supervisé
2.3.1.1 Minimisation itérative d’un critère de l’erreur en sortie
a- Règle de Hebb
b- La règle delta
c- Algorithme d’apprentissage par correction d’erreur ou règle du perceptron
d-règle de la rétro propagation
2.3.2 Apprentissage non supervisé (ou réseaux non bouclés
2.3.2 Apprentissage par renforcement
2.3.4 Apprentissage « en ligne » et apprentissage « hors-ligne
2.3.5 Problèmes d’apprentissage
2.3.5.1minima locaux
2.3.5.2choix d’architecture
2.3.5.3surapprentissage
2.4 Les étapes de conception d’un réseau
2.4.1 Choix d’échantillon
2.4.2 Élaboration de la structure de réseaux
2.4.3 Apprentissage
2.4.4 Validation et test
2.5 Conclusion
3 les algorithmes génétiques
3.1 Introduction
3.2 Les algorithmes génétiques
3.2.1 De la génétique à l’algorithmique
3.2.2 Définition
3.2.3 Les éléments d’un algorithme génétique
3.2.4 Fonctionnement des AGs
3.2.5 Codage et opérateur d’un algorithme génétiques
3.2.5.1 codages
3.2.5.2 initialisation de la population
3.2.5.3 principe de sélection
a-roulette
b-stochastique remaider
c-sélection par tournoi
d-sélection uniforme
e- sélection stochastique uniforme
3.2.5.4 opérateurs de croisement
a-croisement à un point
b-croisement multiple
c-croisement uniforme
d-croisement arithmétique
e croisement discret
f-croisement étendu
g-croisement linéaire
Croisement heuristique
Quel technique choisi
3.2.5.5 opérateurs de mutation
a-mutation uniforme
b-mutation non uniforme
c-mutation gaussien
d-mutation auto-adaptative
3.2.6 amélioration classique
3.2.6.1 introduction
3.2.6.2 Scaling
a-scaling rang
b-scaling linaire
c-scaling exponentielle
d-scaling proportionnel
e-scaling TOP
3.2.6.3 Introduction
3.2.6.4 Principe
3.2.7 choix des paramètres d’un algorithme génétique
3.2.7.1 choix de la taille de population
3.2.7.2 chois des probabilités des opérateurs génétiques
3.2.8 avantage des AGS
3.2.9 inconvenants des AGS
3.3 hybridation des AGs avec RNA
3.3.1 système neuro-genetique
3.3.2 apprentissage paramétrique
3.3.3 apprentissage structurel
3.4 conclusion
4-résultats et interprétation
4.1Introduction
4.2 Électrocardiographie
4.2.1 Caractéristique d’un signal ECG normal.
4.2.3 Anomalies d’un signal ECG
4.2.3.1. Extrasystole ventriculaire
4.2.3.2. Bloc de branches droites
4.2.3.3. Bloc de branches gouches
4.3 Classification des arythmies cardiaques
4.4 Réalisation des classifieurs pour les arythmies cardiaque pour 2 classes
4.4.1 Sélection de la base d’exemples
4.4.2 Sélection des descripteurs d’un cycle cardiaque
4.4.3. Architecture du classifieur neuronal
4.4.3.1 algorithmes d’apprentissage
4.4.3.2 dimensions des réseaux
4.4.4 Apprentissage neuronal
4.4.5 Apprentissage neuro-génétique
4.4.5.1. Choix de paramètres
4.4.5.2. Réalisations des classifieurs neuro-génétique en minimisant l’ERQ
4.4.5.3 .réalisations des classifieurs neuro-génétique en minimisant TCNC
4.4.5.4. Comparaison entre deux méthodes (TCNC te erq
4.4.5.5. Comparaisons entre apprentissage classique et génétique
4.5 Réalisation des classifieurs d’arythmies cardiaques pour 4 classes
4.5.1 Présentation de différentes descripteurs
4.5.2 Sélection de la base d’exemple
4.5.3 Architecture des classifieurs neuronaux
4.5.4 Apprentissage neuronal
4.5.5 Apprentissage génétique
4.5.6 comparaison entre génétique et neuronal
4.5.7 Conclusion
4.6 Apprentissage structurel
4.6.1 Expérimentation
4.6.2 Conclusion
4.7 Conclusion de chapitre
Conclusion
Annexes
Bibliographie