Discussion :

[christophe_halgand]

Bonjour à tous,

Je voudrais réaliser à l'aide de réseau de neurones artificiels la fonction suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
f       = (-9*A_dv)/T_rest - (36*V_dv)/(T_rest^2) + (60*(0+N_dv))/(T_rest^3);
A_dn    = A_dv + f;      % nouvelle acceleration
V_dn    = V_dv + A_dn;   % nouvelle vitesse

A partir de la norme du vecteur (N_dv), de la vitesse de cette norme (V_dv), de son accélération (A_dv) et du temps restant (T_rest) trouver la nouvelle vitesse et accélération à appliquer pour réduire cette norme.

Je me suis toujours arrêté au RDNa (Réseau De Neurones artificiels) où l'on donne un maximum de jeux entrées/sorties pour qu'il apprenne à approximer la fonction reliant les entrées/sorties.

Dans le cas suivant, je me demande qu'elle architecture je dois utiliser ? Comment dois-je procéder pour réaliser mon apprentissage ? Quel algorithme dois-je utiliser pour cet apprentissage ?

Le fait que le réseau doit apprendre à annuler la norme pendant un temps (ou nb d'itération) fixé me perturbe...

Auriez vous une idée pour m'aider ?

Merci

Christophe

[Clercq]

Bonjour,

Vu sous forme de "boite noir" je ne vois pas le problème posé par l'apprentissage de cette fonction ...

Le fait que le réseau doit apprendre à annuler la norme pendant un temps (ou nb d'itération) fixé me perturbe...

Le RdN "ne fait qu'apprendre" le mapping [N_dv, V_dv, A_dv, T_rest]:IN -> [f]:OUT.

Peut etre n'ai je pas saisi le fond de ta question ...

A priori un RdN a back-propagation réalise "bien" se genre d'apprentissage (plusieurs papier existe dans le cadre de l'apprentissage en robotique). Apres, si

quelle algorithme dois-je utiliser pour cet apprentissage ?

refaire a des algorithmes autre que les RdN, je te conseil LWPR (http://www.ipab.inf.ed.ac.uk/slmc/software/lwpr/). Je l'ai utilisé dans le cadre de l'apprentissage de model direct pour la robotique avec de très bon résultats.

Clercq

[christophe_halgand]

En effet, il n'y a aucun problème...

Merci

Christophe