Autor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com E-mail: edroaldo@gmail.

com Esse tutorial visa demonstrar de forma prtica o processo de ajuste dos pesos sinpticos de uma rede neural artificial. Abaixo segue uma explicao sucinta sobre o neurnio artificial e suas funes bsicas. O neurnio artificial O neurnio artificial composto, basicamente, por um conjunto de entradas x1, x2, xn, uma sada y, uma funo responsvel pelo clculo da entrada efetiva para o neurnio () denominada funo soma, uma funo de ativao e uma funo de transferncia. As entradas so conectadas ao corpo do neurnio atravs de conexes, denominadas conexes sinpticas, sendo que cada uma possui um peso associado. Os pesos representam o conhecimento da rede e determinam a importncia que determinada entrada possui. Quanto mais estimulada uma conexo sinptica, mais freqente a atualizao do respectivo peso e, consequentemente, maior a influncia desta entrada na produo da sada. Uma vez que a entrada para um determinado neurnio calculada, o valor resultante comparado ao um limiar (valor estipulado) que, uma vez atingido, propaga a sada para os neurnios da cama seguinte. A propagao da sada para os demais neurnios realizada pela funo de transferncia. Existem diversas funes de transferncia e sua escolha depende do problema a ser resolvido que, por sua vez determina que arquitetura de rede neural deve ser utilizada. Entrada = soma de todas as entradas * pesos, ou usando uma notao mais formal: n E = xi * wi i=0 y = T(E)

x1

w1 w2 wn y

x2 . . . xn

Modelo simplificado de um neurnio artificial, onde a funo de soma e T, a funo de transferncia.

Mtodos de aprendizado O processo de aprendizado de uma rede neural artificial acontece, basicamente, de duas formas: aprendizado supervisionado e aprendizado no-supervisionado. - Aprendizado supervisionado:

Durante o aprendizado supervisionado, pares de entrada e sada so apresentados a RNA (Rede Neural Artificial). Esses pares consistem em um conjunto de entradas e um conjunto com as sadas desejadas para cada entrada. Quando uma entrada apresentada rede, uma sada ser produzida e posteriormente comparada com a sada desejada. Se a sada produzida for diferente da sada desejada, um ajuste de pesos sinpticos dever ser realizado de forma que a rede armazene o conhecimento desejado e, consequentemente, reflita o aprendizado das funes para as quais ela projetada. Com base no que foi escrito acima, podemos concluir que o aprendizado consiste em um processo iterativo de atualizao dos pesos sinpticos e, devido a esse processo que uma RNA capaz de aprender e generalizar. O ajuste sinptico O ajuste sinptico representa o aprendizado de cada neurnio. O conhecimento de uma RNA est distribudo por toda a rede, ou seja, nenhum neurnio retm em si todo o conhecimento, mas sua operao em conjunto permite s RNAs resolver problemas complexos, que no podem ser resolvidos usando tcnicas computacionais convencionais. Tal ajuste realizado atravs de um clculo que procura promover o ajuste dos pesos sinpticos de forma a minimizar a diferena entre a sada produzida e a sada desejada at que, para determinada entrada, a respectiva sada seja produzida. O clculo abaixo visa somar ao peso atual, o erro gerado pela rede e, dessa forma, corrigir o valor do peso. Existem inmeros clculos para este fim, ns utilizaremos aqui a conhecida Regra Delta, descrita abaixo: wi(n + 1) = wi(n) + i i = c * g * xi Onde: wi(n + 1): Novo peso wi(n): peso atual i: correo associada a entrada i c: taxa de aprendizado (normalmente 1 quando a rede opera com valores binrios) g = sada desejada sada obtida Tendo a teoria bsica j compreendida, podemos partir para um exemplo prtico, com direito a cdigo-fonte e tudo. Exemplo de ajuste sinptico Vamos utilizar um exemplo simples para entender quando, onde e como aplicar a regra delta. Uma RNA opera recebendo uma entrada X, a partir da qual uma sada Y gerada. A resposta considerada correta se a sada produzida for igual sada desejada, caso contrrio, um ajuste de pesos se faz necessrio. Vamos calcular o erro da seguinte forma: taxa de aprendizado = 1

erro = sada desejada sada produzida novo peso = peso antigo + (erro*entrada*taxa de aprendizado) Bom, nossa rede neural ser formada por apenas um neurnio, com duas entradas, e queremos que ela aprenda o seguinte: Entrada {1,1} dever produzir sada = {1} Entrada {0, 0} dever produzir sada = {0} Os pesos so inicializados com {0, 0} A funo de transferncia utilizada : Se resultado <= 0 Resultado = 0 Se resultado > 0 Resultado = 1

x1

0 T
y

x2

Iniciaremos o treinamento do fato {1,1} e, como mostrado abaixo, a sada resultante para esta entrada 0. Note que, como 0 no sada desejada, um ajuste sinptico se faz necessrio. Transferncia: 1

Soma = 0, Sada=0 Soma = 1* 0 + 1 * 0 = 0

Ajuste para o peso 1 Erro = 1 0 = 1 Novo peso = 0 + (1*1*1) = 1 Ajuste para o peso 2

Erro 1 0 = 1 Novo peso = 0 + (1*1*1) = 1 Apresentamos agora o segundo fato {0, 0}. Observe que os pesos sinpticos foram atualizados. Transferncia: 0 1 Soma = 0*1 + 0*1 = 0 Soma = 0, Sada=0

Como a sada produzida igual sada desejada, nenhum ajuste se faz necessrio, pois os pesos como esto, representam corretamente a informao. O prximo passo realizar novamente o teste com o conjunto de treinamento, j que no primeiro passo, um ajuste sinptico foi realizado. O funcionamento bsico do processo de aprendizado pode ser resumido em: ajustar os pesos para todo o conjunto de treinamento at que no haja mais a necessidade de faz-lo, ou seja, at a RNA aprender. Passando novamente peso conjunto de treinamento, obtemos o resultado correto: Transferncia: 1 1 Soma = 2, Sada=1 Soma = 1*1 + 1*1 = 1

Como o resultado obtido est correto, nenhum ajuste necessrio e podemos ir para o prximo fato do conjunto de treinamento:

Transferncia: 0 1 Soma = 0*1 + 0*1 = 0 Soma = 0, Sada=0

Como o resultado obtido, tambm est de acordo, nenhum ajuste necessrio e podemos considerar a rede treinada para reconhecer os conjuntos {1, 1} {0, 0}. Evidentemente, o exemplo extremamente simples, porm, acredito demonstrar de forma clara e precisa o processo de ajuste dos pesos sinpticos, etapa fundamental para a obteno de resultados satisfatrios utilizando redes neurais artificiais.