Documente Academic
Documente Profesional
Documente Cultură
Introduction
État de l’art
Reconnaissance des caractères
Réseaux de neurones
Algorithmes Génétiques
Méthodologie
Expériences et Résultats
Discussion
Conclusion
Introduction
- Projet exploratoire
- Objectifs
Document papier
SCANNING
Image Binaire
PRÉ-TRAITEMENT
Image binaire
nettoyée
EXTRACTION DES
PRIMITIVES
CLASSIFICATION
Forme classée
Génération des
primitives
Algorithme
d’apprentissage primitives évaluation
Algorithme Primitives
Performance d’apprentissage optimales
Performance
w021 1 wr21
z2 1
o2
w0k1 2 2
o3
Caractéristiques sur
la couche d’entrée
w0n1 wrk’1
w0n2 Un neurone par
classe dans la
k k’ couche de sortie
w0nk
zn Couche 1 Couche (r+1) om
net i = ∑ w ij o j
Étape 2: Insérer un vecteur de primitives à l’entrée du réseau et j
1
évaluer la sortie f ( neti ) =
1 + e − net i
Étape 3: Évaluer le signal d’erreur des sorties du réseau δ j = (d j − oj )oj (1− oj )
Étape 4:
Ajuster les poids de chaque connexions ∆ w ij = ηδ j o i
δ j = o j (1 − o j ) ∑ w jk δ k
Étape 5: Évaluer le signal d’erreur de chaque couche cachée k
¾ Les AG ont été proposés par Holland au milieu des années 1970.
Sélection P’i+1
Croisement P’’i+1
Mutation
Nouvelle génération Pi+1
non
Arrêt ?
oui
Fin
Structure d’un AG simple
État de l’art
Algorithmes Génétiques (3)
Initialisation de la population :
¾ Insertion aléatoire des chromosomes
¾ Insertion non aléatoire des chromosomes
Fonction d’adaptation :
¾ Objectif unique (mono-critère)
¾ Objectif multiple (multi-critère)
État de l’art
Algorithmes Génétiques (4)
Méthodes de sélection :
¾ Rank selection
Chaque individu de la population Pi occupe une
¾ Roulette wheel selection section de la roue proportionnelle à son adaptation
¾ Tounament selection
¾ Uniform selection
14.4%
31%
5.5%
49.1%
État de l’art
Algorithmes Génétiques (5)
Croisement :
¾ Un point de coupure
¾ Croisement multiple
Point de coupure
¾ Croisement uniforme Parent 1 Enfant 1
¾ Croisement BLX-α c1 1 c1 2 c1 3 c1 4 c1 5 c1 1 c1 2 c2 3 c2 4 c2 5
Parent 2 Enfant 2
¾ Croisement linéaire c2 1 c2 2 c2 3 c2 4 c2 5 c2 1 c2 2 c1 3 c1 4 c1 5
¾ Croisement discret
¾ Croisement étendu
¾ Croisement arithmétique
État de l’art
Algorithmes Génétiques (6)
Mutation :
¾ mutation aléatoire
1 1 1 1 0 1 1 0 1 1 1 1 1 1
¾ mutation non uniforme
Technique d’Élitisme :
Critère d’arrêt :
¾ Le nombre de génération fixé initialement a été atteint.
¾ La valeur de la fonction d’adaptation a atteint une valeur fixée a priori.
¾ L’absence d’évolution de la valeur de la fonction d’adaptation des
individus d’une population à une autre.
¾ Les chromosomes ont atteint un certain degré d’homogénéité.
Population résultante
Mutation
Base de données
- NIST-SD19
- Chiffres isolés manuscrits
- 10 classes
- Base d’apprentissage = 223123
* Base A = 195000
* Base B = 28123
- Base de validation = Base C = 60089
- Base de test = Base D = 58646
Méthodologie (2)
Z1 Chromosome 1 1 0 …………….. 0
Z2
Zr
Moyenne
Méthodologie (5)
Pondération des primitives
Objectif : Classer les primitives par ordre d’importance.
Base B + Base C
Vecteur de primitives 10 Réplications
Classification
Base A + Base B (Analyse de sensibilité)
Apprentissage du réseau
Taux de performance en
validation
Matrice des poids Vecteur Moyenne des
primitives
Test final (Base D)
60
Fitness
50
40
30
20
10
0
0 100 200 300 400 500 600 700 800 900 1000
Générations
pmut = 1/L
Expériences et Résultats (3)
60
Fitness
50
40
30
20
10
0 100 200 300 400 500 600 700 800 900 1000
Générations
pmut = 10/L
Expériences et Résultats (5)
Croisement à Croisement à
Croisement
un point de deux point de
uniforme
coupure coupure
80
70
Fitness
60
50
40
30
20
10
0
0 100 200 300 400 500 600 700 800 900 1000
Générations
Expériences et Résultats (8)
* Sélection des primitives
Les paramètres utilisés sont :
¾ Technique de sélection = Roulette wheel
¾ Technique d’élitisme = Vraie
¾ Taille de la population = 32
¾ Nombre de générations = 1000
¾ Nombre de réplications = 10
¾ Méthode de mutation = Aléatoire
¾ Probabilité de mutation = 1/L
¾ Méthode de croisement = Un point de coupure
¾ Probabilité de croisement = 0.8
¾ Taille du chromosome = 132
¾ Codage = Binaire
¾ Fonction d’adaptation = Minimiser(α f1 + β f2 )
Expériences et Résultats (9)
% erreur
Solution in itia le
Solution optimale
AGI vs AGS
960 AGS
AGI
950
940
Fitness
930
920
910
900
0 100 200 300 400 500 600 700 800 900 1000
Générations (10 Itérations)
Expériences et Résultats (12)
% % %
Base Primitives Primitives Primitives
Erreur Erreur Erreur
Résultats de la pondération des primitives par les AGS de toutes les expériences
Expériences et Résultats (16)
* Sélection puis Pondération des primitives
Apprentissage du réseau
Primitives pondérées
Expériences et Résultats (17)
Avant Après
pondération pondération
(100 primitives) (100 primitives)
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131
Conclusion
• Sélection des primitives
⇒ Réduction de 25% des primitives
passant de 132 à 100 primitives sélectionnées
Questions et
Commentaires