RESEAU DE NEURONE ARTIFICIEL

Télécharger le fichier pdf d’un mémoire de fin d’études

Le climat

Le climat d’Andekaleka est de type tropical humide avec une pluviosité annuelle moyenne de 1470,8 mm (1996-2013). Les pluies tombent durant l’été austral, du mois d’Octobre au mois de Mai ou Juin. Les températures ambiantes varient de 18°C à 27°C. La distribution de pluies est monomodale, centrée surla fin du mois de février, avec une saison de pluies de 7 à 9 mois.

Les données utilisées

Durant cette étude, nous utiliserons les données luviométriquesp. Ces données sont réelles et venant des pluviomètres locales du site d’Andekaleka. Les données sont des données brutes du pluviomètre journalier, c’est-à-dire la quantité pluviométrique du 1 Janvier 1994 au 31 Décembre 2013 et est une série ed données de 20 ans. L’unité de mesure pour la hauteur de pluies est le millimètre (mm).

RESEAU DE NEURONES ARTIFICIELS

Principe général

Dans les deux dernières decenies, le concept réseaude neurones artificiels s’interesse beaucaup les chercheurs scientifiques. Le terme reseau de neurones artificiels vient de la modélisation de la fonctionnement des cellules neurveuses[14][17].

Le perceptron multicouche (ou PMC)

Le perceptron multicouche (PMC) est un réseau composé de couches successives [10][13]. De manière générale, l’architecture d’unRNA compose une couche d’entrée, une couche cachée et une couche de sortie [15].
La formation de RNA se fait en trois phases. La première phase consiste l’apprentissage du réseau. Durant cette phase qu’on réajuste les poids synaptiques [16][20][23] selon l’algorithme plus performant comme l’algorithme de Levenberg-Marquardt [11][21] qui est un apprentissage supervisé. L’objectif de ce calcul est de minimiser l’erreur entre la sortie désirée et la sortie calculée du RNA. Comme l’algorithme de « rétro propagation » de l’architecture bouclé stime le gradient de la fonction d’erreur par rapport aux poids du modèle [3][22].
La seconde phase et la troisième phase se réalisentsur l’utilisation du modèle avec des autres données non utilisées durant la phase d’apprentissage. La performance du réseau est déterminée en fonction du nombre de succès et d’échecs dans la discrimination. Cette performance est mesurée par la moyenne d’erreur quadratique ou MEQ [18][26],

CHOIX DE L’ARCHITECTURE DU RNA

Le choix de l’architecture du RNA est un étude trèscomplexe. Il faut determiner d’abord le nombre de neurones dans la couche d’entr ée. Ensuite on doit calculer le nombre de neurones dans la couche cachée. Ce choix sera guidépar les valeurs des performances et de la valeurs des carrées de la regréssion linéaire de chaque test fait.

La régression linéaire simple

La régression linéaire simple est la liaison entredeux (02) variables quantitatives X et Y. Elle a pour rôle asymétrique [37] c’est-à dire la variable X désigne la variable explicative et la variable Y désigne la variable expliquée [38]. On peut dire aussi que X est variable indépendante et celle de Y est la variable dépendante et on ne peut pas permuter X et Y.

Nombre de neurones dans la couche d’entrée

Cette figure 9 represente en abscisse le nombre de neurones à l’entree du RNA et en ordonnée les erreurs. La moyenne d’erreur quadratique est obtenue par le carrée de toutes les erreurs entre chaque sortie désirée et sortie calculé. Notre étude consiste à chercher le MEQ minimale durant la phase test pour chaque nombre de neurone en entrée. La figure 9 exprime que le MEQ minimale se trouve à 1 qui est égale à 0 .00000967654. C’est-à-dire notre RNA doit avoir un seule neurone dans la couche d’entrée.
Dans la figure 10, on a en abscisse le nombre de neurones dans la couche d’entrée et en ordonnée le carré de la régression ou R². R² montre la variation de la pluie calculée ou estimée par le modèle de la régression linéaire. Les valeurs idéales pour R correspond à 1
[12]. Cette courbe a la valeur de R² maximale à 1 qui vaut à 0.99964033124 . Ainsi, la figure 10 confirme que le meilleur nombre de neurone en entrée est un (01).

Nombre de neurones dans la couche cachée

La figure 11 presente en abscisse le nombre de neurone dans la couche cachée du RNA et en ordonnée les erreurs. La figure 11 exprim que le MEQ minimale se trouve au nombre de neurones égale 4 qui a la veleur de MEQ =0.0000087184. C’est-à-dire notre RNA doit avoir un seule couche cachée à quatre neurones.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela chatpfe.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION GENERALE
Partie I. CONTEXTE GENERAL
Chapitre I. NOTION DE LA PLUVIOMETRIE
I.1. Définition
I.2. Mécanismes de formation des précipitations
I.3. Types des précipitations
I.4. Mesure des précipitations
Chapitre II. PRESENTATION DE LA ZONE D’ETUDE
II. 1. Présentation de zone d’étude
II.1.1. Situation géographique
II.1.2. Le climat
II.2. Les données utilisées
Chapitre III. RESEAU DE NEURONE ARTIFICIEL
III.1. Principe général
III.2. Le perceptron multicouche (ou PMC)
Conclusion partielle de la première partie
Partie II. MISE EN OEUVRE DU MODELE ET LES PREVISIONS
Chapitre I. CHOIX DE L’ARCHITECTURE DU RNA
I.1. Nombre de neurones dans la couche d’entrée
I.2. Nombre de neurones dans la couche cachée
I.3. L’architecture du RNA utilisée
Chapitre II. MODELISATION DU RNA
II.1. Préparation des données
II.2. Phase d’apprentissage
II.2.1. L’algorithme d’apprentissage
II.2.2. Mise en oeuvre d’apprentissage
II.2.3. Le résultat d’apprentissage du RNA
II.2.4. La régression linéaire simple
Chapitre III. TEST DU RESEAU
III.1. Test du réseau avec de pluie cumulée de chaque année
III.1.1. Test du RNA avec l’année 1996
III.1.2 Test du RNA avec l’année 1997
III.1.3. Test du RNA avec l’année 1998
III.1.4. Test du RNA avec l’année 1999
III.1.5. Test du RNA avec l’année 2000
III.1.6. Test du RNA avec l’année 2001
III.1.7. Test du RNA avec l’année 2002
III.1.8. Test du RNA avec l’année 2003
III.1.9. Test du RNA avec l’année 2004
III.1.10. Test du RNA avec l’année 2005
III.1.11. Test du RNA avec l’année 2006
III.1.12. Test du RNA avec l’année 2007
III.1.13. Test du RNA avec l’année 2008
III.1.14. Test du RNA avec l’année 2009
III.1.15. Test du RNA avec l’année 2010
III.1.16. Test du RNA avec l’année 2011
III.1.17. Test du RNA avec l’année 2012
III.1.18. Test du RNA avec l’année 2013
III.2. Test du réseau avec le nombre de jours de pluie mensuelle
III.2.1. Préparation de données du nombre de jours de pluie mensuelle
III.2.2. Réapprentissage du RNA
a. La performance du réseau
b. Résultat de réapprentissage du réseau
III.2.3. Test avec le nombre de jours de pluie du 2004 à 2008
III.2.4. Test avec le nombre de jours de pluie du 2009 à 2013
III.3. Test du RNA avec de quantité moyenne de pluie mensuelle
III.3.1. Préparation de données de quantité moyenne de pluie mensuelle
III.3.2. Réapprentissage du RNA
a. La performance du réseau
b. Résultat de réapprentissage du réseau
III.3.3 Test avec la quantité moyenne de pluie mensuelle du 2004 à 200
III.3.4. Test avec la quantité moyenne de pluie mensuelle du 2009 à 2013
Chapitre IV. PREVISION PLUVIOMETRIQUE DU BARRAGE D’ANDEKALEKA
IV.1. Prévision journalière de pluviométrie
IV.2. Prévision de jour de pluie mensuelle
IV.3. Prévision de la moyenne de pluie mensuelle
Conclusion partielle de la deuxième partie
CONCLUSION GENERALE
REFERENCES BIBIOGRAPHIES ET WEBOGRAPHIES I
ANNEXES III
ANNEXES A: Code Matlab utilisé pour prévision de la moyenne de pluie mensuelle III
ANNEXES B : Code Matlab utilisé pour prévision du nombre de jours de pluie mensuelle III
ANNEXES C : Code Matlab utilisé pour la recherche de nombre des neurones