Discussion :

[datydree]

Je travaille sur un projet de classification de n spectres de dimension d en k classes. J'aimerai utiliser les réseaux de neurones. Je solliciterai votre aide. Je vous remercie de vos réponses.

[Alikendarfen]

En fait, c'est quoi ta question ?

[thinkbig]

personnellement, j'opterais pour l'HCA !! c'est l’évidence pour ce genre de problème.
http://asi.insa-rouen.fr/enseignemen...clustering.pdf

[ToTo13]

personnellement, j'opterais pour l'HCA !! c'est l’évidence pour ce genre de problème.
http://asi.insa-rouen.fr/enseignemen...clustering.pdf

Il y a une différence entre le classement (réseaux de neurones) et la classification (clustering).

+1 avec Alikendarfen. Où est ce que tu bloques ?

[datydree]

Merci pour vos réponses...je vais etre plus clair.

Au fait je travaille sur des images hyperspectrales ou chaque pixel admet un spectre. Je dois faire une classification des spectres des pixels sachant que je dispose des spectres de références(spectres moyens des zones homogènes de mes images). Je voudrais ainsi utiliser les réseaux de neurones pour classifier mes spectres. Je pourais ainsi construire un mlp à d neurones d'entrées, u neurones cachées et k neurones de sortie.
Je voudrais demander s'il existe une toolbox qui contient le perceptron multi-couche et un rétro-propagation du gradient.

[Franck Dernoncourt]

Je voudrais demander s'il existe une toolbox qui contient le perceptron multi-couche et un rétro-propagation du gradient.

Les deux toolboxes MATLAB les plus utilisées sont :

• Neural Network Toolbox (http://www.mathworks.com/help/toolbox/nnet/ - payant) : newff()
• NetLab (http://www1.aston.ac.uk/eas/research...ources/netlab/ - gratuit) : mlp()

[datydree]

Merci beaucoup Franck Dernoncourt pour les liens.
Je dispose le toolbox nnt sur mon matlab.Je vais regarder la documentation matlab pour voir comment ça marche.

[datydree]

J'ai une autre question concernant l'apprentissage d'un réseau à n entrées de dimension m et k sorties(nombres de classes):
Comment choisir les valeurs d'entrées et de sorties du réseau de neurones?
J'ai pensé utiliser :
-Pour choisir les entrées xi,i=1 à n: Pour chaque zone homogène de mon image hyperspectrale, je choisis des pixels (ces pixels appartiennent ainsi à la même classe).
-Pour les sorties : j'attribue à tous les pixels appartenant à la classe i une sortie y tel que y vecteur à m composantes nulles sauf la ième composante.
Ainsi j'obtiens une n*m-matrice entrée X et une k*m-matrice sortie Y.
Je vous remercie de vos réponses.

[ToTo13]

Bonjour,

utiliser les pixels comme valeur d'entrée du rdn est très souvent une très mauvaise chose.
En général on utilise plutôt des descripteurs qui caractérisent correctement l'image ou le pixel et ceux sont eux qui alimente le rdn.

Dans les librairies, tu trouveras aussi weka.

[datydree]

Merci pour le conseil mais est ce que vous pourriez me donner de le documentation sur les descripteurs car je les connais pas.

[ToTo13]

Google :
- Pattern recognition (shape and texture)
- Texture characterization (méthodes simples : matrices de cooccurrences, run lenght matrix, size zone matrix, histogrammes, etc.)
- Content Base Image Retrievial (CBIR)
- etc.
Il y a plus de 30 années de recherche sur le domaine...
Voir dans le forum traitement d'images, on a souvent traité des méthodes de reconnaissance de forme.

[datydree]

Pensez vous que je peux utiliser ces méthodes vu que je travaille sur des images hyperspectrales? J'ai regardé un peu les documentations mais apparemmment ces méthodes travaillent sur des images 2D.

[rosali87]

Au fait, j'ai un problème similaire. Je dispose d'une matrice V (NxM) de concentration de gènes. Chaque ligne de la matrice représente la concentration d'un gène pendant M périodes. J'ai factorisé cette matrice de la manière suivante V~W*H; W(NxK) et H(KxM) avec K le nombre de classe que je veux l'avoir mais cette factorisation me donne juste le comportement de chaque classe et ne me donne pas chaque gène appartient à quelle classe et ceci par la matrice H puisque chaque ligne représente l'expression d'une classe sur M périodes.. Donc j'ai trouvé un article qui parle de la classification des gène par le réseau de neurones gradient décent en se basant sur le résultat trouvé par la factorisation que je viens de faire mais il n'explique aucun détail. Est ce que vous avez une idée sur ceci et d'après vous comment je dois procéder. Merci d'avance.

[ToTo13]

Pensez vous que je peux utiliser ces méthodes vu que je travaille sur des images hyperspectrales? J'ai regardé un peu les documentations mais apparemmment ces méthodes travaillent sur des images 2D.

Il suffirait de les appliquer à chaque spectre.

[datydree]

Salut Toto13,
J'ai essayé d'utiliser le toolbox de matlab avec newff,train et adapt avec les spectres tout court c'est à dire que je crée mon échantillon d'apprentissage avec les spectres de mes zones d'intéret(les différentes phases de mon image ici 4).
Mais les résultats sont apparemment bons!!!
Je voudrais vous poser une question aussi par rapport aux sorties du réseau de neurones?
Pour faire l'apprentissage je procède ainsi:j'affecte à chaque sortie du neuronne soit 1,soit 2,soit 3,soit 4.
spectre1----->1
spectre2----->1
........
spectrei------>2
........
spectrek------>3
........
........
spectren------>4

Je voulais vous demander si ce que j'ai fais parais juste.
Je vous remercie de votre réponse.

[datydree]

Salut rosali87,
C'est vrai qu'on a les même problèmes . Mais si je comprends bien ta question,en faisant ta factorisation ,les lignes de la matrice H représentent tes différentes classes. Ta procédure est une technique de classification non supervisée.Elle te permet d'obtenir les différentes classes de ta matrice de concentration. J'ai déja utilisé ces genres de techniques mais ils ne marchent pas pour mon problème du coup j'ai recours aux méthodes de classification supervisée(PLS, réseaux de neurones,svm...).
Mais si tu veux utiliser les réseaux de neurones ( algorithme de classification supervisée) tu dois :

-D'une part créer une base d'apprentissage : prendre une partie de ton échantillon de concentrations sur les M périodes et les attribuer leur classe respectifs.
-Une fois ton modèle crée et validé , tu pourra ainsi faire des prédictions sur ta matrice globale...

[ToTo13]

Salut Toto13,
J'ai essayé d'utiliser le toolbox de matlab avec newff,train et adapt avec les spectres tout court c'est à dire que je crée mon échantillon d'apprentissage avec les spectres de mes zones d'intéret(les différentes phases de mon image ici 4).
Mais les résultats sont apparemment bons!!!
Je voudrais vous poser une question aussi par rapport aux sorties du réseau de neurones?
Pour faire l'apprentissage je procède ainsi:j'affecte à chaque sortie du neuronne soit 1,soit 2,soit 3,soit 4.
spectre1----->1
spectre2----->1
........
spectrei------>2
........
spectrek------>3
........
........
spectren------>4

Je voulais vous demander si ce que j'ai fais parais juste.
Je vous remercie de votre réponse.

Mmm... je n'utilise pas MatLab, donc je ne sais pas comment il affecte les sorties en fonction des classes d'appartenance des individus d'entrées.
En général les bibliothèques affectent dans l'ordre des classes rencontrées.
De toute façon, cela se verra en analysant les probabilités de sortie : si chaque fois (ou au moins majoritairement) qu'un individu appartenant à la classe C, la sortie S du RdN est supérieure à 0.5, alors tu peux en déduire la corrélation.

[datydree]

Merci pour votre réponse...

[appo7]

Salut à vous,

Je travaille aussi avec un réseau de neurones,
Mais j'ai une préoccupation,
lorsque je fais l'apprentissage, j'ai un résultat avec une régression donnée,
si je fais encore l'apprentissage, les résultats changent ainsi que le coefficient de régression (plus petite).
Comment exploiter ces résultats car je pense que c'est lorsque le coefficient de régression tend vers 1 que le résultat est bon.
Si oui, comment modifier les paramètres pour obtenir une bonne régression ?

Merci