VIII. Exemple

Cette section montre une simple demonstration de la bibliotheque de rn, en utilisant une reconnaissance de caracteres qui vient du code source.
Ce type de reconnaissance est tres simple - on va essayer de trouver le meilleur choix, a partir d'une poignee d'images connus, afin de reconnaitre un image noyee dans le bruit. Le bruit dans ce cas est modelise d'une facon tres simpliste, a savoir en ajoutant un nombre situe entre -MAX et +MAX qui sera ajoute a chaque echantillon de l'image.
L'image est un tableau lineaire de nombres flottants qui represente une ligne concatenee d'une matrice 5x7. Si une entree est +1, elle est de couleur noire, par contre si elle est egale a -1, elle est blanche.

Le rn contient 35 entrees (une pour chaque pixel), 60 neurones dans la couche cachee et 26 neurones a la sortie (une pour chaque lettre de l'alphabet). Quand le rn est utilise (i.e apres l'apprentissage), le rn va etre fournie avec une image corrompu (noyee dans le bruit). avec un pixel allant sur chaque neurone de l'entree.
Sur la sortie, seulement un neurone doit produire une sortie proche de 1 (en faite 0.95) qui represente le caractere en question. Un autre shema va avoir 7 neurones en sortie qui vont representer le code ascii binaire du caractere detecte. D'autres shemas sont aussi possible mais tout depends de la maniere dont vous faites l'apprentissage du rn.

Bien sur, un rn n'est pas le moyen le plus efficace ni le plus precis pour resoudre ce genre de probleme. Calculez simple la covariance entre les images testees et l'image de reference, et identifiez ensuite le meilleur resultat. Cette technique va avoir de meilleures resultats quelques soit la maniere dont vous calculez les choses. Cependant, l'avantage du rn c'est que l'on a pas besoin de connaitre comment calculer une covariance - en fait nous avons uniquement besoin de lui montrer des exemples de ce que nous voulons que notre rn sache faire.

Pour vous donner un ordre d'idee de la maniere dont le rn se comporte en fonction des differents parametres du reseau, jeter un coup d'oeil aux figures suivante:

Cela montre les performances du rn (Mesurees en tant que probabilite d'erreur en fonction du rapport signal sur bruit) avec differents nombres de neurones dans la couche du milieu. Comme vous pouvez le constater, plus il y a de neurones dans la couche du milieu et plus les performances du rn sont grandes (jusqu'a un certain point).

Ce second graphique montre les performances du reseau avec un nombre fixe de neurones dans la couche du milieu, et un nombre variable de cycles d'entrainement. Encore, comme vous pouvez le constater, les performances augmentent (jusqu'a un certain point) quand le nombre d'entrainement augmente.

Finallement, il est bon de comparer le meilleur rn (beaucoup de neurones dans la couche cachee, et beaucoup de cycles d'entrainement) avec la meilleur approche statistique du probleme. Comme vous pouvez le constater, les performances sont similairent (mais un peut moins bonnes).
Bien que, le nombre de cacluls soit un peu plus important lors d'une utilisation normale (on ignore ici la phase d'apprentissage). C'est le prix a payer pour une plus grande flexibilite du rn.