Introduo

Ocrebrohumano
compostopor
aproximadamente86
bilhesdeneurnios,
cujofuncionamento
estrelacionado
todasasfunese
movimentosdo
organismo.Isso
ocorredemaneira
queainformao
obtidaporreceptores
sensoriaisseja
transmitida,atravsdosneurnios,paraumaregioqueanaliseeprocessecorretamenteesta
informao,garantindoqueoorganismodesenvolvaumarespostaapropriadaparadeterminado
estmulo.
AestruturadeumneurniotpicosimilarFigura1.Osdendritosconduzemsinaiscaptados
deoutrosneurniosatravsdasextremidadesparaocorpocelular(tambmconhecidocomo
soma),queporsuavezresponsvelporcoletarecombinarasinformaesrecebidas.Jo
axniotransmiteasinformaesdocorpocelularparaoutrasclulas.Osneurniosesto
conectadosentresiatravsdesinapsesouseja,impulsonervosotransmitidodeumneurnio
paraooutroatravsdeneurotransmissoresformandoumagranderedechamadaRede
Neural,queproporcionaumagrandecapacidadedeprocessamentoearmazenamentode
informao.
Paraamodelagemquefaremos,etambmnasaplicaescitadasabaixo,utilizaremosas
redesneuraisartificiais.Podesedizerqueredesartificiaisconsistememummodode
abordarasoluodeproblemasdeinteligenciaartificia.
QuandofalamosemRedesNeuraisArticiais(RNA's),podemosdistinguirpelo
menosdoiscomponentesfsicos:conexeseelementosdeprocessamento.
AcombinaodessesdoiselementoscriaumaRNA.Podemosfazerumaanalogia
comumgrafo,ondeosnssooselementosdeprocessamentoeasarestas
soasconexessinpticas.

RedesNeuraisArtificiais
Paraaplicarmosoconceitoderedesneuraisdevemosfazeralgumassimplificaes:
Consideramosneurnioscomopossuindoapenasdoisestadosativoounoativo.Tais
estadossodefinidosrealizandoseasomadasentradasmultiplicadaspelosseusrespectivos
pesossinpcosedefinimosumlimiarqueaoserigualadoouultrapassadoativaroneornio.
Baseandosenomodelodafigurax.xtemosque

(Xi Wi)
n
i=0
*

Alterandoeospesosparavaloresdeterminadosde
entradapodemosfazercomqueoneurniose
comportecomoumaportalgicaANDouOR.
Estabelecendoospesossinpticosw1ew2=1eolimiar2teramos:

X1 X2 Output
0 0 0*1+0*1=0<2=>inativo
0 1 0*1+1*1=1<2=>inativo
1 0 1*1+1*0=1<2=>inativo
1 1 1*1+1*1=2=2=>ativo
AssemelhandoseaumafunoAND

Mantendoospesossinpticospormalterandoolimiarpara1temos:

X1 X2 Output
0 0 0*1+0*1=0<1=>inativo
0 1 0*1+1*1=1=1=>ativo
1 0 1*1+1*0=1=1=>ativo
1 1 1*1+1*1=2>1=>ativo

Expandindotalconceitopodemosmodelarumgrafodirecionadoquepossibilitaa
simulaodemaissistemascomputacionaiscomoporexemploumportalgicaXOR:

OsneurniosXeYrecebemumsinaldeentradaque
processadopelacamadaditacamadaocultacomneurniosde
limiares1,2e1respectivamente,eapsaaplicaodospesos
ativaounooneurniodesada.

Aplicaespararedesneurais
Asredesneuraisartificiaispodemseraplicadaspararesolverumagrandequantidade
deproblemas.Umbomexemplodeaplicaososoftwaresdereconhecimentodevoz,que
precisamaprenderaconheceravozdedeterminadaspessoas.Redesneuraistambmso
usadasemrbosquedesarmambombas.Sevocjusouumscannerpararetirarumtextode
umjornal,porexemplo,saibaqueosoftwaredeOCR,queresponsvelporisso,precisa
aprenderareconhecercaracteresdaimagem.Logo,elecertamentepossuialgoritmosderede
neural.ExistematalgunssoftwaresqueaprendemaidentificarSPAMsememailse
apaglos(econseguemumamargemaceitveldeacertos).Masnogeralasredesneurais
sousadasprincipalmenteemaplicaesmaiscomplexas,comoemusinas,mercado
financeiro,etc.
Outroexemplodautilizaoderedesneuraisparamelhorianatomadadedecisesno
diagnsticomdico.Emseuaprendizado,sosubmetidosumasriedediagnsticosde
pacientes,devriascaractersticas,comvriossintomaseosresultadosdeseustestes.
Tambmserofornecidososdiagnsticosmdicosparacadadoena.Entoquandoforem
apresentadososdadosdeumnovopaciente,comseussintomas,aredefornecerum
diagnsticoparaosnovoscasos.Istoessencialmentecriarumsistemacomoconhecimento
devriosmdicos,efornecerumdiagnsticoinicialemtemporealummdico.importante
mencionarquecomissooquesepretendeimplementarumaferramentadeauxlioao
mdico,enoumprogramaqueosubstitua.
Aprendizado

Aprincipalcaractersticaemumaredeneuralsuacapacidadedeadaptarseao
ambiente,consequentementemelhorandoseudesempenho.Issofeitoatravsdo
treinamento,umprocessointerativodeajustedospesosdasarestasdografo,que
representamacorrelaodassinapsesentreosneurnios.Quandoobtemosumasoluo
generalizadaparaumdeterminadoconjuntodeproblemas,dizemosqueoaprendizadoocorreu.
Duranteotreinamentoumconjuntodedadosapresentadodeformaaleatriarede,a
fimdequeestaaprendaasregraseumpadroenoapenasdecoreosresultados.Um
algortmodeaprendizadoparteessencialnessafaseelerepresentaoconjuntoderegras
pelosquaisospesossinpticossoalterados.
Podemosclassificaroaprendizadodealgumasformas:

Omodocomoaredeaprende:
Memorizao
Porexemplos
Poranalogia
Porexploraoedescoberta

Seexisteounosupervisoduranteoaprendizado:
Aprendizadosupervisionado:usadoumagenteexternoqueindicaaredea
respostadesejadaparadeterminadopadrodeentrada

Aprendizadonosupervisionado:quandonoexistetalagenteexterno,arede
organizapadresdeacordocomosdadosdeentradademodoquearede
passearesponderdeformasemelhanteparaestmulossemelhantes.Tais
redestambmsochamadasdedescobridorderegularidadesouredes
autoorganizadas.

Afinalidadedarede:
Autoassociador:Aredememorizaumasriedeexemplosapresentados.Ento,
aorecebercomoentradaumaversodeterioradadeumdestesexemplosarede
capazderestaurarooriginal,funcionandocomoumfiltro.
Heteroassociador:Associaumconjuntodepares,osistemapassaareproduzir
osegundoelementodopar,tambmconhecidocomoreconhecedorde
padres.
Detectorderegularidades:umreconhecedordepadresemquearededeve
seautoorganizarecriarospossveispadres.
Concluso

AssimcomoasRedesComplexas,ocampodasRedesNeuraisumsistemano
linearextremamenteamplo,porabrangerdiferentesreasepoderserutilizadoparasolucionar
diversosproblemasdesdeoscannerdeumaimpressoraadiagnsticosmdicos.Comoum
sistemacomplexo,apresentadinamismodecorrentedesuacapacidadedeaprendizadoalm
dofatodeserimpossvelpreverocomportamentodosistemacomoumtodo,mesmo
conhecendoocomportamentoindividualdealgumasredeseneurnios.

AreadasRedesNeuraisinterdisciplinar,umavezqueatraiointeressedediferentes
profissionais(neurocientistas,psiclogos,engenheiros,cientistasdacomputao,entreoutros)
quebuscamsoluesatravsdaNeurocinciaComputacional.Alemdisso,bastante
promissora,poisilustraabuscadohomemporumamquinaqueindependadecontroles
humanos,possuindoaprendizadoprprio,capacidadedeinteraocomdiferentesambientese
deevoluoadaptativaefuncionalindependenteaumaprogramaoprvia.

RefernciasBibliogrficas

http://www.din.uem.br/ia/neurais/#neural , acessado em 5 de Maio de 2014.

Neural network approach for planning surgical correction of strabismus
http://www.scielo.br/scielo.php?pid=S0004-27492004000300017&script=sci_arttext ,
acessado em 10 de Maio de 2014.

BARRETO, Jorge M. Introduo s Redes Neurais Artificiais. Universidade Federal de
Santa Catarina. Florianpolis, 2002.