• Aucun résultat trouvé

2006 — PSO pour l'apprentissage supervisé des réseaux neuronaux de type fuzzy ARTMAP

N/A
N/A
Protected

Academic year: 2021

Partager "2006 — PSO pour l'apprentissage supervisé des réseaux neuronaux de type fuzzy ARTMAP"

Copied!
260
0
0

Texte intégral

Loading

Figure

Figure 11  Performances  moyennes  du  F AM  en  fonction  de  la  taille  de  la  base  d'apprentissage avec la base DB 11 (25%)
Figure 13  Performances  moyennes  du  F AM  en  fonction  du  nombre  de  patrons  d'entraînement avec la base DBP2
Figure 15  Bornes  et  catégories  obtenues  lors  de  l'accroissement  de  la  taille  de  la  base d'apprentissage avec la base D Bcis,
Figure 22  Différence entre DBcis et DBp2 sur l'erreur en généralisation  (a) Une époque, (b) Convergence des patrons, (c) Convergence des poids synaptiques et
+7

Références

Documents relatifs

Nous avons ainsi estim´e la capacit´e maximale des r´eseaux POPI, E-POPI et POPI+, avec le format de modulation PAM 4 et 8, `a des d´ebits de 14, 28, 56 et 112 Gbit/s, pour les

D’après l’étude précédente, nous voyons bien que plus (respectivement moins) la capacité d’une classe de fonctions est grande, plus (respectivement moins) on a de

Le double obje tif que nous nous sommes xé dans ette thèse est d'une part l'adaptation des statégies d'é hantillonnage et de onstru tion de va- riables au problème des jeux

Nous reprenons le modèle I-RNN (Dinarelli & Tellier, 2016c) comme modèle de base pour concevoir des modèles profonds encore plus efficaces. Nous exploitons dans cet article

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des

Vu les résultats obtenus du régulateur de réseau de neurones pour le remplacement de la commande, nous pouvons dire que ce régulateur peut remplacer la commande conçue, en

 Différentes dispersions de groupe: Placez 20 poitns rouges (1) dans un très petit groupe (points fortement corrélés) et 5 points bleus (0) dans un très large groupe de manière

Dans cette partie, nous avons donc présenté comment l’utilisation des matrices d’auto- similarité peut être intéressante pour l’apprentissage d’un réseau de