Optimisation dans les réseaux de neurones, cas de perceptron multicouche

Abstract

PMC, qui est l’un des classificateurs les plus couramment utilisés, est une topologie de réseau de neurones supervisée. L’algorithme de rétropropagation est utilisé pour minimiser l’erreur entre la sortie du réseau et la valeur cible. Selon le processus de classification, la structure PMC et les paramètres d’apprentissage, qui sont utilisés dans l’algorithme de rétropropagation, sont nécessaires pour décider d’augmenter la précision du test. Généralement, ces variables sont choisies au hasard, donc trouver les valeurs qui donnent une précision de test maximal est un processus qui prend du temps. Dans ce mémoire de master, les paramètres d’apprentissage de l’algorithme de rétropropagation et de la structure du réseau sont optimisés pour réussir un processus de mise à jour de poids plus rapide et efficace en utilisant trois algorithmes d’optimisation heuristiques différents, ABC, AG et RS. Les deux ensembles de données utilisées contiennent des données de capteurs d’activité humaine. Pour deux jeux de données, trois algorithmes sont comparés et des résultats de test détaillés sont fournis. Il est observé que, bien que RS soit l’algorithme le plus rapide parmi les algorithmes choisis, ABC affiche les performances les plus élevées pour la précision des tests du classificateur PMC.