Simulateur de réseau de neurones du type Perceptron Multi-Couches (MLP) avec possibilité de jointure entre des couches non contiguës. Ces types de réseaux agissent comme séparateurs non linéaires utilisables pour l'aide à la décision, la classification et le traitement d'images.

L'apprentissage se fait à l'aide de Backpropagation (GBP) dans sa version la plus simple (pas d'utilisation de bias ni momentum).

L'interface permet à l'utilisateur de créer ses propres réseaux à l'aide d'outils simples, d'effectuer l'apprentissage, puis de le tester. Ces deux dernières fonctionnalités se font avec des fichiers de données type CSV (Caractères séparés par des points virgules).

Téléchargez ANN

ANN a été développé en Java 1.4.1, ainsi les runtimes Java sont nécessaires au fonctionnement du programme : vous pouvez les télécharger ICI (éventuellement ici).

L'exécution se fait en double-cliquant sur ann.jar ou en tapant java -jar ann.jar

Vous pouvez télécharger l'exemple du xor qui a coûté la vie de Rosenblatt (Le Perceptron classique ne disposait pas de couches cachées et était incapable de résoudre des problèmes non linéairement séparables) :

• xor.ann : le réseau de neurones
• xor.csv : le fichier d'apprentissage (vous pouvez aussi l'utiliser pour tester le réseau une fois l'apprentissage effectué)

Ce projet à été réalisé dans le cadre d'un cours d'intelligence artificielle. Ainsi, l'utilisateur devra être indulgent car le temps imparti était restreint. Beaucoup d'améliorations seraient à faire, néanmoins, le programme est parfaitement fonctionnel et vous permettra de vous initier aux réseaux de neurones et plus si affinités.

Je prévois de faire une documentation (mais quand ?) dans le but de permettre à des programmeurs de réutiliser les réseaux dans leur code java. En effet, l'ensemble des fonctionnalités du réseau sont indépendantes de l'interface.

Pour ceux qui désirent intégrer un réseau sauvegardé avec ANN (*.ann) dans leur code, voici un rapide howto :

• plaçez ann.jar dans le CLASSPATH et chargez un réseau en appelant neuralnet.NeuralNetwork.load(String nomFichier), vous récupérez un objet de type NeuralNetwork.
• cet objet dispose d'une méthode test(double[] entrees), spécifiez un tableau de double contenant les valeurs en entrée que vous souhaitez tester, elle vous renverra un objet de type Example
• vous pouvez appeler la méthode getOutputs() de la classe Example, elle vous renvoie un double[] contenant les valeurs des neurones en sortie

Un grand merci à Alexandre Ksikes (!) qui m'a gracieusement prêté son code.