MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

20 Figure 15 Comparaison de modèles d’un capteur selon le no mbre d’unités cachées . Il apparaît alors que : - Pour un nombre trop faible d’unités cachées , les modèles obtenus ne sont pas pertinents (visiblement, le nombre est trop faible pour permettre un bon fonctionnement des LSTM), - L ’utilisation de valeurs plus élevées augmente la précision pouvant être atteinte pour le modèle. Dans cette étude, il a été remarqué que les écarts en performances sont d’autant plus notables sur les scénarios où les données modélisées sont complexes (au sens de profils de courbes non sinusoïdaux, avec de grandes variations des comportements quotidiens et saisonniers), comme c’est le cas pour les cordes vibrantes. Pour les tests suivants (Figures 16 et 17), une architecture à deux couches LSTM a été testée, chaque couche comportant 200 unités cachées (notée 200 200). Figure 16 Performance (RMSE) des LSTM obtenus sur les cordes vibrantes.