Reconnaissance des caractères arabes imprimés par l'approche neuro-génétique.

CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

TABLE 4.2 - Paramètres finales de l'algorithme génétique

Paramètres de l'AG	Valeurs choisies
Codage du chromosome	Binaire
Taille du chromosome	27
Taile de population	100
Nombre de générations	1000
Initialisation de la population	Aléatoire
Technique de Sélection	Roulette Biaisé
Fonction Objectif	á f1 + 3 f2(voir-3.2.4)
Technique de Croisement	Croisement à 1-point de coupure
Probabilité de Croisement	Pcross = 0.65
Technique de Mutation	Opérateur d'échange réciproque
Probabilité de Mutation	Pmut = 0.03
Insertion	Elitisme
Critère d'arrêt	Nombre de générations maximales

Après le choix final des paramètres de l'AG, la sélection des primitives se lance. La figure suivante représente la répartition des individus, qui représentent les vecteurs de primitives, d'une population de taille 100 pour une première génération figure-4.14(a) et après 1000 générations figure-4.14(b).

FIGURE 4.14 - Distribution des individus dans l'espace de recherche

Nous observons que les individus deviennent de plus en plus ordonnés d'une génération

68

CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

à une autre. Le nombre de primitive sectionnée vari tend vers 20 après 1000 générations. L'objectif de la sélection des primitives pertinentes a été atteint car les résultats obtenus par l'approche de la sélection des primitives par les AGs sont satisfaisants. Nous avons pu supprimer 25% de nombre de primitives. En effet, le nombre de primitives a diminué de 7, passant de 27 à 20 primitives pertinentes.

4.2.5 Apprentissage

Puisque un caractère arabe peut avoir des différentes formes en fonction de sa position dans un sous-mot (un mot) , alors, les segments résultants du processus de segmentation ont également de différentes formes selon leurs positions dans le sous-mot. Ils existent quatre types de segments, illustrés à la figure-4.15 :

FIGURE 4.15 - Les positions possibles des caractères dans un mot

Les segments de caractères sont divisés en quatre ensembles en fonction de leurs positions dans le sous-mot (initiale, milieu, finale et isolée) comme mentionné dans l'annexe. Chaque segment de caractère est appris (puis reconnu) à l'aide d'un réseau de neurones distincts, d'où nous avons quatre réseaux de neurones (initiale - milieu - final - isolé) à former, pour être utilisées plus tard dans le processus de reconnaissance.

Il existe de nombreuses techniques pour déterminer le choix de des paramètres du réseau de neurone. Dans tous les cas, un nombre d'essai est nécessaire pour déterminer la structure optimale. Pour l'apprentissage du perceptron multicouche nous avons utilisé l'algorithme de rétropropagation du gradient. Le réseau contient une seule couche caché car la plupart des chercheurs disent qu'avec une couche cachée, le réseau est capable, avec un nombre suffisant de neurones, d'approximer toute fonction continue¹. Pour déterminer le nombre de noeuds dans cette couche nous avons utilisé l'heuristique suivante :

\/

H = M² + N² (4.1)

1. http :// cict.fr/~stpierre/reseaux-neuronaux/node17.html

69