4.3. ENVIRONNEMENT SCIENTIFIQUE
Cette section présente le compilateur RNF PRO et le
tableur EXCEL qui ont servi au développement respectivement des
réseaux de neurones formels et du modèle GR2M.
4.3.1. Environnement du compilateur "RNF PRO"
Plusieurs environnements sont disponibles pour le
développement des Réseaux de neurones notamment Matlab,
Statistica, Scilab, RNF PRO, etc. Le compilateur "RNF PRO"
développé à l'Ecole des Mines d'Alès (France) sera
utilisé de préférence dans cette étude à
cause de son usage facile. Il faut préciser que ce compilateur est en
amélioration perpétuelle et que le langage de programmation
utilisé pour son développement est « Java »
à cause de sa flexibilité. En effet, cet environnement permet au
logiciel "RNF PRO" d'être utilisable sur plusieurs plates formes
(Windows, Unix, etc.) et sur plusieurs PC. Pour optimiser l'utilisation de
l'environnement de travail, les paramètres à faire varier sont
(Eurisouke, 2006) :
i. l'initialisation avec le choix de la suite aléatoire
;
ii. le choix de la méthode de minimisation de la fonction
coût qui est l'erreur quadratique moyenne ;
iii. le pas de gradient ;
iv. le nombre de présentation des
événements de l'apprentissage, qui est évalué en
fonction de l'allure de la courbe du critère de test. Si ce
critère se met à augmenter, l'apprentissage est
arrêté car il se spécialise (apprentissage par "coeur" sur
les exemples d'apprentissage et donc la qualité de test se
dégrade) ;
v. la période d'affichage, si cette période est
de p, le critère d'apprentissage est affiché toutes
les p présentations de l'ensemble d'apprentissage. Dans cette
étude, la période d'apprentissage est égale à 10
;
vi. le critère lambdaä , si on utilise
l'algorithme de Levenberg Marquarld (LM). Les modèles neuronaux
construits avec le logiciel "RNF PRO" se présente sous la forme
suivante (Figure 40).
Figure 40 : Présentation d'un
modèle Perceptron multicouche à cinq (5) neurones sur la
couche cachée La figure 40 représente un
modèle Perceptron Bouclé Dirigé, de prévision. La
variable
d'entrée est la pluie mensuelle et la variable cible,
le débit mensuel. Dans le compilateur RNF PRO, les entrées et les
sorties sont rangées dans une matrice. Cette matrice
représentée à la figure 41 contient
autant de colonnes et de lignes qu'il y a de données. La première
colonne porte le nom "action" et les lignes sont occupées par
les lettres A pour apprentissage et T pour test. Les autres colonnes portent
les noms des variables correspondantes et lorsqu'une colonne est
sélectionnée, elle prend la couleur rose.
Si les données ne sont pas déjà
normées, cette fenêtre permet leur normalisation en choisissant la
méthode dans le menu "normaliser" situé au bas de la matrice.
Figure 41 : Matrice d'entrée
des variables dans le logiciel "RNF PRO" Une fois les données
formatées et rangées dans la matrice ci-dessus
présentée, le programme
peut alors être « lancé ». Pendant ce
processus d'apprentissage, l'évolution des critères
d'apprentissage et de validation ou test sont visibles grâce aux
fenêtres, d'optimisation des paramètres,
représentées par les figures 42 et 43. Ces
figures sont respectivement les fenêtres d'optimisation utilisées
pour l'apprentissage par la méthode de la rétropropagation de
l'erreur et de celle de Levenberg Marquarld (LM).
Figure 42 : Fenêtre de saisie des
paramètres dans "RNF PRO" pour la retropropagation de l'erreur
Figure 43 : Fenêtre de saisie
des paramètres dans "RNF PRO" pour la Levenberg Marquarld
En plus des différents paramètres cités
plus haut, les fenêtres d'optimisation affichent également,
à la fin de l'apprentissage, les erreurs quadratiques moyennes (MSE) les
plus faibles des phases de calage et de validation (ou test). A la fin de cette
phase d'optimisation ou d'apprentissage, l'évolution des hydrogrammes
(hydrogrammes mesuré et calculé) en apprentissage et en
validation sont représentés respectivement par les
figures 44 et 45.
Figure 44 : Hydrogrammes mesuré
et calculé sous le logiciel "RNF PRO"en apprentissage
Figure 45 : Hydrogrammes mesuré
et calculé sous le logiciel "RNF PRO" en validation
Que se soit en apprentissage ou en validation, les modèles
développés sont meilleurs si et seulement si les hydrogrammes
calculés et les hydrogrammes mesurés se superposent.
|