Robotique et vision artificielle

Université du Québec en Outaouais
–
Département d'informatique et d’ingénierie
–
C.P. 1250 -
Hull -
Québec
J8X 3X7
Téléphone: [phone]
Télécopieur: [phone]
Programme de Génie Informatique 7643
Cours
Robotique et vision
artificielle
Sigle du Cours
GEN15
9
3
Session - Groupe Hiver 2009 01
Professeur Marek Zaremba
Assistant Juba Bernou
UQO - Département d’Informatique et d’Ingénierie GEN1593 : Robotique et vision artificielle
Laboratoire 3 : Familiarisation avec les RNA (Réseaux de Neurones Artificiels)
Objectifs
Général
Le but de ce travail pratique est de se familiariser avec les réseaux de neurones
artificiels. La maîtrise de ces notions est nécessaire afin de pouvoir réaliser des
projets de synthèse.
Spécifiques
• Introduction aux réseaux de neurones.
• Utiliser « Neural Network Toolbox » de MATLAB.
Préalable
• Connaissance de MATLAB et Simulink.
Équipement
• Logiciel : MATLAB.

Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 2 / 16
Introduction
Le fonctionnement du cerveau humain est très compliqué, il capable de résoudre des problèmes très
complexes. Bien que nous ayons une bonne compréhension de certaines des opérations de base qui
conduisent le cerveau, nous sommes toujours loin de savoir le tout à propos du cerveau.
Figure 1 : Modèle de neurone biologique
Microsoft Encarta définit un réseau neurologique en tant que « réseau fortement interconnecté des
éléments de traitement de l'information qui imite la connectivité et le fonctionnement du cerveau
humain ». Ces réseaux neurologiques peuvent résoudre beaucoup de problèmes qui pourraient être
impossibles à résoudre avec des méthodes de programmation traditionnelles. Ils peuvent apprendre
d'une manière qui est beaucoup plus semblable à la méthode humaine d'étude, et sont donc
beaucoup plus pertinents dans certains domaines tels que la reconnaissance de la parole.
Il y a deux types de neurones artificiels :
• discrets
• continus.
Voici comment Encarta les définit :
Les neurones discrets envoient un signal de sortie de 1 si la somme de signaux reçus est au-dessus
d'une certaine valeur critique appelée une valeur seuil, autrement ils envoient un signal de sortie de 0.

Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 3 / 16
Des neurones continus ne sont pas limités à envoyer des valeurs de sortie de 1 et de 0 seulement; au
lieu de cela ils envoient une valeur de sortie entre 1 et 0 selon le montant total d'entrée qu'ils
reçoivent. Plus le signal reçu est fort, plus le signal envoyé du nœud est fort et vice-versa.
Les neurones continus sont le plus généralement utilisés dans les réseaux neurologiques artificiels
réels.
En conclusion les réseaux de neurones artificiels ont été conçus à la base du modèle du neurone
naturel. Ce dernier étant excité par un stimulus, il y répond selon sa fonction de transfert par une
sortie (réponse) qui peut être une atténuation ou une amplification de l'entrée. Dans le cadre de ce
cours on s’intéresse particulièrement à l’application des réseaux de neurones dans la prédiction de
séries temporelles, ou le contrôle de robots.
Figure 2 : Vue simplifiée d'un réseau artificiel de neurones
Réseaux de neurones avec Matlab
On distingue deux types de neurones avec ou sans biais d’entrée (bias input). Le poids w sert à
amplifier ou à atténuer l'effet du stimulus sur la réponse.
Figure 3 : Neurone avec ou sans biais d’entrée (bias input)

Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 4 / 16
Préparation
Donner les valeurs de sortie d’un neurone à 2 entrées si :
• le vecteur augmenté d’entrée x = [1, 4, -3]
et
• le vecteur de poids de pondération w = [-0.4, -0.5, 1],
Pour la fonction d’activation :
a) binaire à seuil,
b) linéaire à seuil.
Avant de se présenter au laboratoire vous devez remettre vos préparations par
courriel.

Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 5 / 16
Manipulations
Partie I : Utilisation de l’interface graphique « Neural Network Fitting Tool »
Dans la fenêtre de commande de Matlab exécuter les commandes suivantes :
load housing % Charger les données
nftool
Appuyer sur « Next » pour continuer, ensuite sélectionner p et t des menus déroulants :