Apprentissage structurel

Dans cette partie, nous avons utilisé les AG non pas pour un apprentissage paramétrique, mais pour développer l’architecture de RNA qui présente un des problèmes major dans les réseaux de neurones artificiels.

L’algorithme génétique va choisi et optimisé dans une population d’architecture, une architecture meilleure, bien sur après codage (voir chapitre 3)

Nous utilisons un PMC et la génétique va choisir les liaisons entre les neurones, on passant par les étapes présentées dans chapitre3.

IV.6.1 Expérimentations

Nous avons réalisé un classifieur neuro-genetique pour la classification 2 class (N et V) avec un PMC et une taille de population =20 et les paramètres fixé dans les parties précédentes.

Puis, nous avons utilisé le même réseau mais nous avons laissé aux AG le choix de connexion entre les neurones.

1^er classifieurs : c’est le classifieur CLS3.1 qui présente 2 paramètres aux vecteurs d’entrée (RRs/RRp,LQRS) etb2 neurone a la couche caché .

Le tableau suivant présente les performances moyennes après 10 phases d’apprentissage

classifieur e(moy) SE(moy)(%) SP(moy)(%) class(moy)(%)

CLS3.1 0.10 87.7745 83.3625 83.92

Tableau4.24 :performances de classifiueurs CLS3.1en utilisant PMC classique

Puis sur ce réseau nous appliquons un apprentissage structurel pour le chois de liaison entre les neurones tel que « 1 »présente une liaison et « o » pas de liaison (voir chapitre3) Les résultats obtenus [1, 1, 1, 1, 1, 1, 1,1]

152 Figure4.41 :La structure de CLS3.1choisie par AG

Puis avec cette structure nous réalisons des apprentissages paramétriques que avec la structure classique et avec les mêmes paramètres.

individu E(moy) SE(moy)(%) SP(moy)(%) class(moy)(%)

moyenne 0.0814 95.6656 98.0681 97.7619

Tableau4.25 :performances de classifiueurs CLS3.1en utilisant la structure choisie par AG

On remarque que les résultats de la nouvelle architecture sont meilleurs par rapport à l’architecture classique .pour la structure développé par AG on a attient un class moyen égale 97.76%, par contre pour la structure classiqueclass moyenne égale à 83.92%

2^er classifieurs : c’est le classifieur CLS2.1 qui présente 3paramètres aux vecteurs

d’entrée (RRs,RRp,LQRS) et2 neurone à la couche cachée .

classifieur e(moy) SE(moy)(%) SP(moy)(%) class(moy)(%)

CLS2.1 0.1313 67.7819 97.1660 93.3957

Tableau4.26 :performance de classifiueurs CLS2.1en utilisantun PMC classique

Puis ce sur ce réseau nous appliquons un apprentissage structurelle pour le choix des liaisons entre les neurones.

153 Figure4.42 : La structure de CLS2.2choisie par AG

Puis avec cette structure nous réalisons des apprentissages paramétriques que le premier et avec les mêmes paramètres

classifieur e(moy) SE(moy)(%) SP(moy)(%) class(moy)(%)

CLS2.1 0.0596 98.0085 96.2158 96.4460

Tableau4.61 :performance de classifiueurs CLS3.1en utilisant structure choisie par AG

IV.6.2 Conclusion

Malgré qu’avec une taille de population égale à20 les classifieurs donnent des résultats insuffisants avec un temps de convergence réduit, on peut voir des résultats meilleurs si on utilise les AGs pour choisir la structure des réseaux neuronaux (la connexion entre les neurones).donc d’après nos * résultats les AGs donnent le bons choixd’architecture de RNA.

154

IV.6 Conclusion de chapitre

L’objectif de ce chapitre est d’hybridé les algorithmes génétiques avec les réseaux de neurones pour réaliser des classifieurs des signaux bio médicaux (application était sur l’ECG), pour voir est ce qu’on peut éviter les problèmes major des classifieurs neuronaux classiques : minima locaux, choix d’architecture.

Et après plusieurs expérimentations classiques et neuro-génétiques nous concluons que dans les cas ou le nombre de neurones cachés est réduit ou il y a un manque de caractéristiques informatives de signal les classifieurs neuro-génétiques donnent des résultats meilleurs par rapport aux cas classiques.

Nous voyons l’intérêt de l’approche neuro-génétiques dans les cas où des donnés médicaux ont besoin d’un grand réseau pour les classifier et dans une extraction de paramètres difficile. Le seul inconvenant de classifieur neuro-génétiques est la consommation énorme du temps.

Aussi nous avons utilisé les algorithmes génériques pour une autre approche ; le choix d’architecture. Nous avons laissé pour ce dernier le choix de liaisons entre les neurones d’un PMC et nous avons conclue que l’algorithme génétique propose une architecture optimale.

155

Conclusion générale

La classification des différents signaux biomédicaux, (de deux dimensions ou trois), est une tâche essentielle des systèmes aide au diagnostic médical (ADM).

Dans ce travail, nous avons présenté une méthode pour classifier ces signaux dite :neuro génétique . Cette technique qui combine les réseaux de neurones artificiels avec la technique d’optimisation globale (algorithmes génétiques), pour améliorer la performance par rapport aux classifieurs classiques qui utilisent la rétro propagation (descente de gradient). Le Modèle neuro-genetique implémenté appliqué sur le signal (ECG), a un indice de succès par rapport au modèle classique dans les deux cas : nombre de neurones cachées réduits ou manques de caractéristiques informatives au vecteur d’entrée. Et ceci montre la puissance des AGs pour avoir des solutions optimales menées dans des casdifficiles

L’importance des AGS, est vue dans le cas des signaux biomédicaux qui ont besoin d’un grand réseau pour les classifier, où l’extraction des paramètres (caractéristiques) est difficile (EEG). Mais ce modèle a deux inconvenants : non explicites (boite noir), et le temps de convergence important (consommateur de temps).

Aussi dans ce travail, nous avons utilisé les AGs pour choisir l’architecture des RNAs, cette structure a donné des meilleurs résultats par rapport aux architectures neuronales classiques.

156

Perspectives

Comme perspective a ce travail, nous proposons :

- D’appliquer ce modèle sur différents signaux biomédicaux : EEG, EMG et les différentes images médicales.

- Hybridé ce modèle, avec la logique flou c.à.d. réalisation d’un modèle neuro-flou-génétique pour assurer l’explicité et l’interprétabilité des résultats.

158

Annexe A