Plan de travail
Introduction
Méthodologie
Tests et Résultats
Conclusion

Introduction
Le deep learning est l'une des branches de l'Intelligence artificielle qui devient populaire de nos jours, fondé sur des
algorithmes qui imitent les actions du cerveau humain à travers des réseaux de neurones artificiels.
Le présent travail vise a établir deux types d'approches de l'apprentissage profond : manuelle (réseaux de neurones
simple) et automatique (réseaux de neurones convolutifs), a fin d’aboutir a la meilleure architecture pour classifier 9
types de modulations données.
L’évaluation de performance de ces approches se fait en se basant sur la précision de classification (accuracy), l’erreur
et la perte globale (perte d’entropie croisée).
1

Méthodologie
• réseaux basés sur le fonctionnement du cerveau humain .
• processeurs élémentaire fonctionnants en parallèle (neurones).
• chaque neurone calcule une sortie unique sur la base des informations
qu’elle reçoi et les envoi aux sorties .
• On trouve deux types : monocouche et multicouche [1].
Approche Manuelle
• perceptrons multicouches empilés .
• prétraitement de petites quantités d'informations a fin de réduire les
calculs .
• ensemble de couches de traitement indépendantes.
• les couches sont : convolution, pooling, rectification, full connected,
perte [2].
Approche Automatique
Aperçu sur les deux approches adoptées dans ce travail :
2

Méthodologie
signal modulé
Model Sequantial
1 couche d’entrée et une
couche cachée avec fonction
Sigmoïde
•Couche de sortie avec
fonction d’activation Softmax
•Le nombre itérations = 2000.
Architecture de l’approche Manuelle
Figure 1. Architecture de l’approche manuelle
3

Méthodologie
Architecture de l’approche Automatique
signal modulé
4 couches de convolution
et de pooling
Formation du vecteur
caractéristique
•Couche cachée avec
fonction RELU
Couche de sortie avec 9
classes + fonction
d’activation Softmax
Le nombre d’itérations =
30
Figure 2. Architecture de l’approche automatique
4

Tests et Résultats
Les résultats de l’approche manuelle
Figure 3. l’entropie croisée binaire Figure 4. taux de précision des données test Figure 5. matrice de confusion
 A partir de la figure 3, la courbe
nous indique qu'on a un
sur-apprentissage.
 Taux de perte égale a 0,07.
 A partir de la figure 4, le taux de
précision calculé avec les données
test égale a 0,81.
 A partir de la figure 5, la matrice de
confusion présente des erreurs.
5

Tests et Résultats
Accuracy:
81%
Les résultats de l’approche manuelle
6
Erreur:
présente
Perte:
0,07
Mauvaise Architecture
sur
apprentissage

Tests et Résultats
Les résultats de l’approche automatique
Figure 6. entropie croisée binaire Figure 7. taux de précision des données test Figure 8. matrice de confusion
 A partir de la figure 6, la courbe
nous indique qu'on a un très bon
apprentissage.
 Taux de perte nul.
 A partir de la figure 7, le taux de
précision calculé avec les données
test égale a 1 donc un aux de
précision égale a 100%.
 A partir de la figure 8, la matrice de
confusion ne présente pas des
erreurs, ce qui confirme la fiabilité
des résultats calculés précédemment.
7

Tests et Résultats
Accuracy:
100%
Perte:
nulle
Meilleure Architecture
très bon
apprentissage
Les résultats de l’approche automatique
8
Erreur:
nulle

Conclusion
A fin de déterminer la meilleure architecture pour la classification des types de
modulations, on a adopté deux approches (manuelle et automatique).
Les expérimentations que nous avons effectuées révèlent que l'approche
manuelle nous donne un bon apprentissage mais en présence d'erreur,
contrairement à l'approche automatique qui présente un apprentissage optimal
sans présence d'erreur. Le choix du nombre d’itérations ainsi que la profondeur
du réseau ont une grande influence pour avoir une bonne architecture. Donc, on
peut conclure que l'approche automatique est plus performante que l'approche
manuelle .
9

Conclusion
Le Deep Learning nécessite des connaissances en neurosciences, en
mathématiques et en avancées technologiques, est désormais salué comme une
véritable révolution de l'intelligence artificielle. Il a déjà connu de grands
progrès et de multiples applications dans les domaines de la reconnaissance
faciale , vocale et de l'étiquetage d'images .C'est pour cette raison que
beaucoup d'efforts sont déployés pour élargir son applications afin de résoudre
de nombreux problèmes du monde réel. Toutefois nous envisageons d’explorer
davantage des applications plus complexes a fin de bien maitriser et
d’exploiter le deep Learning.
10

Bibliographie
[1] Touzet C (1992). Les réseaux de neurones artificiels. Introduction au
connexionnisme : cours, exercices et travaux pratiques. EC2, Collection
de l’EERIE. 130p.
[2] Mokri M.Z (2017). Classification des images avec les réseaux de
neurones convolutionnels. Mémoire de Master en informatique : Modele
Intelligent et Décision. Université Abou Bakr Belkaid Tlemcen. 53p.
11

Merci pour votre attention !