//img.uscri.be/pth/712fc7a80b0a7a0f0c864174ef074bb23f115a11
Cette publication est accessible gratuitement
Lire

L'intelligence artificielle en automatique 2007 Génie Electrique et Systèmes de Commande Université de Technologie de Belfort Montbéliard

De
2 pages
Examen du Supérieur Université de Technologie de Belfort Montbéliard. Sujet de L'intelligence artificielle en automatique 2007. Retrouvez le corrigé L'intelligence artificielle en automatique 2007 sur Bankexam.fr.
Voir plus Voir moins
AT51 EXAMEN FINAL
22 janvier 2008 de 14h à 16h en salle P127 à Sévenans
EXERCICE 1 (8 POINTS)
Soit le réseau MLP donné ci-dessous :
Y
5
W
53
W
54
3
4
Tous les neurones ont la même fonction d’activation.
Question 1 :
Écrivez pour chaque neurone l’activation a
j
.
Question 2 :
Soit
la fonction d’erreur à minimiser. En cas d’apprentissage pattern, expliquez le
procédé pour évaluer les dérivées de la fonction
=
=
N
n
n
E
E
1
n
E
par
rapport aux poids du réseau et
calculez pour ce réseau
les
δ
j
. Justifiez les étapes des calculs.
Question 3
Comment les poids doivent-ils être modifiés avec l’apprentissage pattern? Quand utilise-t-on
ce type d’apprentissage ?
2
1
W
32
X
2
X
1
W
42
W
31
W
52
W
41
W
51
1
EXERCICE 2 (4POINTS)
Soit le réseau MLP donné ci-dessous, tous les neurones ont la même fonction d’activation:
Y
2
Y
3
2
3
W
25
W
34
W
24
W
35
Calculez
1
3
dx
dy
. Ce calcul doit-il être fait avant ou après l’apprentissage ?Appelez
a
sortie de chaque neurone de la couche cachée.
)
(
i
i
a
z
l
EXERCICE 3 (3POINTS)
Expliquez le phénomène de l’overfitting. Comment peut-on s’en apercevoir ? Par quoi est-il
causé ? Comment influence-t-il le choix du nombre des neurones cachés dans un MLP?
2) En quoi la GMR se distingue-t-elle de la MLP ? Quelles sont ses applications ? Expliquez.
EXERCICE 4 (3POINTS)
A quoi sert le test de validation pour un réseau de neurones ? Donnez au moins un exemple.
Comment l’emploie-t-on pour choisir le nombre des neurones cachés ?
EXERCICE 5 (facultatif, 4 POINTS)
Soit donnée la fonction dans le domaine temporel:
))
ln(cos(
)
(
ϕ
ω
+
=
t
dt
t
dy
ω
et
φ
sont des constantes réelles et t est le temps. Comment pourriez-vous employer un
réseau neuronal pour apprendre la fonction y(t) ? Quelle approche suivriez-vous ?
X
1
1
4
5
W
31
W
51
W
41
W
26
6
W
61
2