Programmer reseaux de neurones

Bonjours chers membres de la communauté informatique. Je voudrais programmer un réseau de neurones pour mon mémoire et je voudrais votre aide.

1) Il s'agit d’écrire un programme en java basé sur les réseaux de neurones permettant la détection d'intrusion dans un réseau informatique (précisément un intranet).
2) Le type d'intrusion à déterminer est un H-IDS(Host Based Intrusion Detection System) ie une intrusion basée sur les hôtes. L'intrusion particulière à identifier est le contournement d'identité qui fait partie des H-IDS.
3) Le type de réseau de neurones à utiliser est le perceptron multicouches avec comme algorithme celui de la rétropropagation du gradient(qui consiste à modifier le poids de chaque couche en retropropageant l’erreur commise de la sortie vers l’entrée) pour le programme à écrire.
4)Système d’exploitation : Windows XP
J’ai étudié la partie théorique portant sur les réseaux de neurones et aussi celle portant sur la détection d’intrusion dans un réseau informatique pour en savoir un peu plus.
J’ai eu aussi à étudier le principe sur lequel repose l’algorithme de la rétropropagation du gradient mais mon véritable problème consiste à comment élaborer la structure du réseau en fonction de l’application que je souhaiterais obtenir à savoir la détection d’intrusions. ?
En effet utilisant ce type d’algorithme comment choisir :
• Le nombre de couches d’entrées
• Le nombre de couches de sorties
• Le nombre de couches cachées
Etant donné qu’on utilise le perceptron multicouches on utilisera la fonction sigmoïde (ou fonction seuil) comme fonction d’activation

Si quelqu’un pourrait m’envoyer un code source ou me donner la démarche à suivre cela m’aiderait beaucoup car il ne me reste plus que trois semaines pour tout finaliser. Alors chers membres j’attends impatiemment vos directives .

Ci-dessous je vous donne l’algorithme de la rétropropagation au cas ou cela aiderait……
***************************************************************************
Cet algorithme utilise la même règle de modification des poids ("delta rule") que l'algorithme de Widrow-Hoff.


L'algorithme va être donné dans sa version la plus générale, c'est à dire avec plusieurs couches cachées. On notera g la fonction d'activation.
Une démonstration de l'efficacité de cet algorithme exige de la fonction d'activation qu'elle soit indéfiniment dérivable.
On notera s i la sortie du neurone i de la couche de sortie et y i la sortie attendue pour ce même neurone. Enfin, pour des neurones d'une couche cachée, on notera o i la sortie calculée du neurone.

Entrée : un exemple, sous la forme (vecteur_x,vecteur_y);
epsilon le taux d'apprentissage
un Perceptron Multicouches avec q-1 couches cachées C1, ..., Cq-1,
une couche de sortie Cq.
Répéter
Prendre un exemple (vecteur_x,vecteur_y) et calculer g(vecteur_x)
Pour toute cellule de sortie i di <- si(1-si)(yi-si) finPour
Pour chaque couche de q-1 à 1
Pour chaque cellule i de la couche courante
di = oi(1-oi) * Somme [pour k appartenant aux indices des neurones
prenant en entrée la sortie du neurone i] de dk*w_ki
finPour
finPour
Pour tout poids w_ij <- w_ij + epsilon*di*x_ij finPour
finRépéter
La variable "di" apparaît deux fois dans le code. Il s'agit de deux variables différentes, car en fait on suppose que les neurones sont numérotés de sorte que l'on puisse associer à un identifiant un neurone et réciproquement.
Par conséquent, le 'i' de "di" identifie un neurone et ainsi on peut effectuer la dernière boucle de manière uniforme sans différencier pour la couche de sortie et les couches cachées.

PS :Si Francky peut m’apporter son aide alors cela m’aiderais beaucoup car j’ai eu à lire sur le forum que t’en connais un max sur ce domaine.

Toute personne pouvant m’aider est le bienvenu. Merci d’avance