Академический Документы
Профессиональный Документы
Культура Документы
Campus So Jos
Campinas
Sumrio
08 de Agosto de 2013.................................................................................................................. 2
09 de Agosto de 2013.................................................................................................................. 3
15 de Agosto de 2013.................................................................................................................. 4
16 de Agosto de 2013.................................................................................................................. 7
22 de Agosto de 2013.................................................................................................................. 9
23 de Agosto de 2013................................................................................................................ 11
29 de Agosto de 2013................................................................................................................ 14
29 de Agosto de 2013................................................................................................................ 24
26 de Setembro de 2013............................................................................................................ 25
29 de Agosto de 2013................................................................................................................ 26
17 de Outubro de 2013.............................................................................................................. 33
24 de Outubro de 2013.............................................................................................................. 38
2013
08 de Agosto de 2013
Tags: #referncias #introduo
Referncias:
1. Russel, S.; "Inteligncia Artificial", Ed. Campos, 2006
2. Haykin, S.; "Redes Neurais", Ed. Bookman, 2004
3. S. O. Rezende; "Sistemas Inteligentes: Fundamentos e Aplicaes", Ed. Manole, 2006
4. Simes, M. G. "Controle e modelagem Fuzzy", Ed. Edgard Blucher, 2000.
Introduo:
Sistemas Inteligentes so sistemas que procuram imitar o raciocnio humano utilizando
conhecimentos heursticos.
Exemplos:
Sistemas Embarcados
Dispositivos Eletrnicos
Outros
Lgica Fuzzy
Sistemas Especialistas
2013
09 de Agosto de 2013
Tags: #conjuntos, #funes, #pertinncia
Lgica Fuzzy a metodologia que utiliza termos lingusticos para apresentar as leis
operacionais de um sistema. Foi definida por Lofti Zadeh da universidade de Berkely na
Califrnia em 1965.
Tanto a Lgica Clssica como a Lgica Fuzzy tem como base a teoria dos conjuntos:
A={5,10,20,15,1}
Do conjunto A podemos concluir que:
25 No pertence a A ;
20 Pertence a A ;
Na lgica clssica esses so os nicos dois estados possveis para um elemento, ele apenas
pode pertencer ou no pertencer a um determinado conjunto, porm, na lgica Fuzzy essa
situao muda:
T=120
Alta (70%)
Mdia (30%)
Baixa (0%)
2013
15 de Agosto de 2013
Tags: #conjuntos, #funes
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
50
100
150
200
Funo tipo z
Funo tipo
Sua forma assemelha-se ao pi grego, com subida, patamar e descida
Funo tipo
Sua forma assemelha-se ao lambda grego, como a funo Mdia da Ilustrao 1
Funo tipo s
Funes Gaussianas.
2013
2013
Lgica Fuzzy:
Unio de conjuntos Fuzzy:
A operao de unio representada em conjuntos Fuzzy pelo operador Max que significa
valor mximo.
MAX (0,1;0,4;0,3;0,25) = 0,4
A B = MAX (A(x);B(x))
Para x = 70C:
Baixa(70) = 0,6
Mdia(70) = 0,4
MAX (Baixa(70), Mdia(70))
MAX (0,6, 0,4) = 0,6
2013
16 de Agosto de 2013
Tags: #conjuntos, #inferncia
1,2
1
0,8
A
B
A B
0,6
0,4
0,2
0
0
10
15
17
20
25
30
35
1,2
1
0,8
A
B
AB
0,6
0,4
0,2
0
0
10
15
17
20
25
30
35
2013
1,2
1
0,8
Mdio
|Mdio
0,6
0,4
0,2
0
0
10
15
20
Exemplo:
Determine o grau de pertinncia das expresses lgicas abaixo, considerando um valor de
temperatura de 70C e as funes de pertinncia dos conjuntos Baixa, Mdia e Alta
representados nos exemplos de aula (vide 15 de Agosto de 2013).
1. NOT (Temp Baixa OR Temp Alta) = NOT (max(0,6;0,4)) = NOT(0,6) = 0,4
2. (Temp Baixa AND NOT Temp Alta) = min(0,6;NOT 0,0) = min(0,6;1,0) = 0,6
2013
22 de Agosto de 2013
Tags: #inferncia
Exercicios:
1. Para a funo de pertinncia (x) definido por:
x/5; se 0x<5;
(10-x)/5; se 5x10
1,2
1
0,8
0,6
(x)
0,4
0,2
0
0
10
2013
MIN() = &
MAX() = |
NOT() = ! = 1-(x)
23 de Agosto de 2013
Tags: #inferncia
Fuzzificao a transformao de valores do universo de discurso da varivel fsica em
graus de pertinncia para cada um dos conjuntos Fuzzy em que foi dividida a varivel original. A
varivel Fuzzificada chamada varivel Lingustica.
Abaixo temos o exemplo de um sistema fsico onde a temperatura e a presso influenciam
na vazo de um fluido.
Temperatura = 70 C
Presso = 06 BAR
Baixa = 0,6
(x)
Mdia = 0,4
Alta = 0,0
Baixa = 0,2
(x)
Mdia = 0,8
Alta = 0,0
Baixa = 0,0
(x)
Mdia = 0,6
Alta = 0,4
Sistema
Fsico
2013
Vazo
No exemplo anterior teramos 3 conjuntos com trs graus de pertinncia cada uma, o que daria
3x3 = 9 regras de inferncia.
Baixa = 0,6
Mdia = 0,4
Alta = 0,0
Presso = 10 BAR
Baixa = 0,0
Mida = 0,3
Alta = 0,7
2013
X, Y, Z e W : variveis lingusticas;
A, B, C e D: Conjuntos Fuzzy das variveis lingusticas;
A parte antes do ento chamada de antecedente da regra e a parte depois do ento
chamada de consequente da regra.
2013
29 de Agosto de 2013
Tags: #inferncia
Inferncia Fuzzy uma consulta a base de regras par decidir o comportamento da varivel
de sada em termos linguisticos.
A inferncia dividida em duas etapas:
Agregao
A Agregao determina o grau de validade do antecedente de cada regra, utilizando
os operadores MIN-MAX;
Temperatura = 70
Baixa = 0,4
Mdia = 0,6
Alta = 0,0
Presso = 08 BAR
Baixa = 0,0
Mdia = 0,3
Alta = 0,7
Mdia
Alta
2013
MIN(0.4, 0) = 0
MIN(0.6, 0) = 0
MIN(0.6,0.7) = 0.6
MIN(0,0) = 0
MIN(0, 0.3) = 0
MIN(0,0.7) = 0
Composio
Determina o grau de validade do consequente de cada regra e feita em duas
etapas:
Validade do consequente = validade do antecedente;
Regra
Grau de validade do
consequente
0 Baixa
0.3 Mdia
0.4 Alta
0 Baixa
0.3 Mdia
0.6 Alta
0 Alta
0 Alta
0 Alta
2013
Vazo
Grau de pertinncia
Baixa
MAX(0,0) = 0
Mdia
Alta
MAX(0.4,0.6,0,0,0) = 0.6
Defuzzicao
Ximx ( Xi)
Xo= i=0
(Xi)
i=0
onde:
n = Nmero de conjuntos Fuzzy da varivel de sada;
Ximx = Valores Reais com grau de validade mximo em cada conjunto de sada;
(Xi) = Graus de pertinncia de cada conjunto da varavel de sada obtidos na etapa de
inferncia.
2013
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
75
150
225
300
Ximx (Xi)
Xo= i=1
(Xi)
i=1
Xo=
Xo=
37,50+1500,3+262,50,6
0+0,3+0,6
Xo=225 m /h
Ou seja, segundo o mtodo de Centro de Mximo, temos que a vazo, para um presso de 8
BAR e temperatura de 70C deve possuir um valor de 225 m/h.
2013
Exercicio:
Para o controlador Fuzzy do exemplo, determine a vazo de sada em m/h, considerando
uma temperatura de 115 e presso de 4,5 BAR. Considere os limites dos conjuntos Fuzzy de
200 C para temperatura e 10 BAR para presso.
Resoluo:
Vamos comear desenhando os grficos das funes temperatura e presso:
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
50
100
150
200
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
2,5
7,5
10
2013
Vamos comear determinando as equaes das retas. Os dados abaixo vieram do grfico da
temperatura. Cada Funo tem duas equaes, uma para cada segmento de reta do grfico.
Baixa@Temperatura:
Y = Ax+ B
1=0A + B
1=B
B=1
Y = Ax+ B
1=50A+ B
1=50A+ B
1=50A+1
11=50A
0=50A
A=0
1=50A+ B
0=100A+B
B=100A
1=50A+ B
1=50A100A
1=50A
A=0,02
B=100A
B=1000,02
B=2
Y = Ax+ B
0=50A+B
B=50A
1=100A + B
1=100A 50A
1=50A
A=0,02
B=50A
B=500,02
B=1
0=150A +B
0B=150A
B=150A
B=150A
Y = Ax+ B
1=100A + B
1=100A 150A
1=50A
A=0,02
B=150A
B=1500,02
B=3
Y = Ax+ B
0=100A+B
B=100A
1=150A + B
1=150A 100A
1=50A
A=0,02
B=100A
B=1000,02
B=2
Y = Ax+ B
1=150A + B
1=200A+ B
1B=200A
B=200A1
B=1200A
1=150A + B
1=150A +1200A
0=150A200A
0=50A
A=0
B=1200A
B=10
B=1
2013
timo, agora temos todas as equaes da funo temperatura, vamos agora calcular as
equaes da funo presso:
Baixa@Presso
Y = Ax+ B
1=0A+ B
B=1
1=2,5 A+ B
1=2,5 A+1
0=2,5 A
A=0
Y = Ax+ B
O=5A+ B
B=5A
B=5A
1=2,5 A+B
1=2,5 A5A
1=2,5 A
A=0,4
B=5A
B=50,4
B=2
Y = Ax+ B
0=2,5 A+ B
B=2,5 A
B=2,5 A
1=5A+ B
1=5A2,5 A
1=2,5 A
A=0,4
B=2,5 A
B=2,50,4
B=1
Y = Ax+ B
0=7,5 A+ B
B=7,5 A
B=7,5 A
1=5A+ B
1=5A7,5 A
1=2,5 A
A=0,4
B=7,5 A
B=7,50,4
B=3
Y = Ax+ B
0=5A +B
B=5A
B=5A
1=7,5 A+ B
1=7,5 A5A
1=2,5 A
A=0,4
B=5A
B=50,4
B=2
Y = Ax+ B
1=7,5 A+ B
1B=7,5 A
B=7,5 A1
B=17,5 A
1=10A+ B
1=10A+17,5 A
11=10A7,5 A
0=2,5 A
A=0
B=17,5 A
B=17,50
B=1
2013
Vamos agora calcular os graus de pertinncia de cada uma das funes (Temperatura e
presso):
Temperatura (115 C):
2013
5.
7.
8.
2013
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
75
150
225
300
Logo, Ximx na frmula abaixo, representa o valor mdio de X onde ocorre o valor mximo
de Y:
3
Ximx ( Xi)
Xo= i=1
( Xi)
i=1
(37,50,2)+(1500,7)+(262,50,3)
Xo=
0,2+0,3+ 0,7
191,25
Xo=
1,2
Xo=159,375 M /h
Portanto, segundo as regras acima descritas, para uma Temperatura de 115C e Presso de
4,5BAR, a Vazo deve ser 159,375 M/h.
Exercicio resolvido por Fernando Ferreira Abreu (abreu.fernando.f@gmail.com) em 06/09/2013.
2013
29 de Agosto de 2013
Tags: #centroide
Deffuzicao
Mtodo do Centroide ou centro de gravidade
O valor real da varivel de sada representado pela coordenada x do universo de discurso
correspondente ao Centro de Gravidade da rea formada pelas funes de pertinncia da sada
e os graus de validade obtidos na inferncia.
Calcula-se o Centro de Gravidade mecnico da rea do grfico.
1,2
1
0,8
Centroide
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
75
150
225
300
Xo=
x( x) dx
(x )
2013
26 de Setembro de 2013
Tags: #simulao
Uma vez que aprendemos como fuzzyficar e deffuzyficar variveis, no necessitamos mais
faz-lo manualmente.
Para cada valor de temperatura e presso temos ento um valor de vazo, isso, nos d
infinitas combinaes.
Se plotarmos isso em um grfico, veremos ento que a vazo se torna um superfcie, onde
a presso e a temperatura definem seus vrtices e sua amplitude representada como os
valores ordenados do grfico.
2013
29 de Agosto de 2013
Tags: #redesneurais
Dentro da inteligncia artificial temos dois ramos principais: Os sistemas especialistas, onde
encontra-se a lgica Fuzzy, por exemplo e as redes neurais artificiais, ou RNA, que so modelos
matemticos que procuram representar o processamento que ocorre a nvel de clulas do
sistema nervoso central (neurnios).
Os seres humanos possuem entre 10 e 15 bilhes de neurnios.
Modelo de neurnio natural:
Corpo Celular
No corpo celular, na clula propriamente dita, ocorre algum tipo de processamento
com os sinais de entrada que chegam as clulas;
Dendritos (Ramificaes)
So eles que recebem os estmulos nervosos vindos do restante do corpo e de outros
neurnios dentro da rede;
Axnio
Transmite os impulsos eltricos que fazem a conexo com outros elementos da rede.
2013
Somador
So N somadores, com pesos diferentes pra representar os tamanhos e consistncias
diferentes dos dendritos. No Exemplo acima, X1, X2 e X3 so entradas. Pode ser
representado tambm como um vetor representado por X = [X1, X2,X3...Xn]. Os
pesos sinapticos chamados de W1, W2 e W3 tambm podem ser representados por
um vetor determinado por W = [W1, W2, W3...Wn];
Funo de Ativao
So as funes que fazem o processamento, e, no modelo natural esto dentro do
corpo celular.
Limiar
um limite que determina a sensibilidade do neurnios. Tambm chamado de
Threeshold representado por .
U= XiWi
i =1
Depois de somados, os sinais que passaram pelo corpo celular so postos a prova pelo
limiar. Se forem inferiores a este, ento a saida tente a ser menor do que zero, caso contrrio,
tendem a serem iguais ao valor mximo. Logo, V, que representa a diferena entre o resultado
dos somadores e o limiar determinado por:
V =U .
Funes de Ativao
Limiar
Linear
Sigmide
Tangente Hiperblica
Outras
2013
Funo Sigmoide
2013
Exercicios
1. Seja um neurnio artificial de duas entradas e uma sada, com um funo de ativao linear
F(v)=V. Se o vetor de entrada dado por X = [0.2, 0.5] e o vetor de pesos sinpticos dado por
= [0.5, 0.25], qual a resposta do neurnio? (Considere =0)
Resposta:
Uma vez que a entrada de um neurnio um somador, devemos somar as entradas, no
esquecendo de multiplic-las pelos seus respectivos pesos:
U=x11+x22
U=0.20.5+0.50.25
U=0.225
Agora, temos o valor U que a entrada da funo de ativao (Que nesse caso, igual a
prpria entrada)
F( v )=v
F(U )=U
F( 0.225)=0.255
Vamos finalmente, subtrair o valor do limiar (que nesse caso 0)
Y =F (U )
Y =0.2250
Y =0.255
2013
2. Seja um neurnio artificial com trs entradas e uma sada e funo de ativao sigmoidal. Se
o vetor de entrada dado por X = [0.3, 0.7, 0.2] e o vetor de pesos sinpticos dado por = [0.5, 0.5, -1], qual a resposta do neurnio considerando =0?
Resposta:
Uma vez que a entrada de um neurnio um somador, devemos somar as entradas, no
esquecendo de multiplic-las pelos seus respectivos pesos:
1
1+ eU
1
F(U )=
1+ e0
1
F(U )=
1+ 1
1
F(U )=
2
F(U )=0.5
F(U )=
1e
U
1+ e
1e0
F(U )=
1+ e0
11
F(U )=
1+ 2
0
F(U )=
2
F(U )=0
F(U )=
2013
F(U )=U
F( 12)=12
E ainda, considerando que o valor do limiar 0, temos Y= 1 2, e sendo assim, 1
2 = 0,6. Vamos agora repetir esse processo para encontrar a segunda equao:
U=x11+x22
U=0.51+22
U=0.5122
Agora, Sabendo que a funo de ativao F(v) = V e portanto, F(U)=U, temos que:
F(U )=U
F( 0.5122)=0.5122
E ainda, considerando que o valor do limiar 0, temos Y= 0,51 22, e sendo
assim, 0.51 22 = 0,6.
Temos ento, duas equaes:
A. 0.6=1 2
B. 0.8=0.51 22
Reduzindo A temos:
0.6=1 2
0.6+2=1
1=0.6+2
2013
Substituindo A. Em B, temos:
0.8=0.51 22
0.8=0.5(0.6+ 2)22
0.8=0.3+0.5222
0.80.3=0.5222
0.5=1.52
0.5
=2
1.5
2=0.33
Substituindo novamente em A, temos:
0.6=1 2
0.6+ 2=1
1=0.60.33
1=0.27
Logo, o vetor de pesos = [0.27, -0,33].
2013
17 de Outubro de 2013
Tags: #topologia
Como calcular o sinal de sada de um neurnio artifcial:
1. Tome o valor do vetor de entrada (Ele possui tantos elementos quanto
entradas do neurnio);
2. Tome o vetor dos pesos das entradas (Ele tambm possui tantos elementos
quanto o nmero de entradas);
3. Multiplique o vetor de entradas pelo vetor de pesos;
4. Subtraia o limiar desse valor
Redes Feedforward
Na rede feedforward a sada da rede neural calculada camada por camada
utilizando o modelo matemtico de cada neurnio individual e no h realimentao
do sinal de sada.
Redes Feedback
Na rede Feedback a sada da rede realimentada para ser utilizada no
processamento dos neurnios das camadas anteriores.
2013
Postulemos que eu possua um neurnio como o da imagem acima, com duas entradas e
uma nica sada. Eu como treinador, possuo o valor das entradas X1 e X2 e sei como deve se
comportar a sada Y. Ora, sendo o processamento do neurnio baseado em uma funo, eu
unicamente posso ir modificando os valores dos pesos sinapticos (indicados como w1 e w2) at
que a sada atinja o valor desejado. Uma vez feito isso, passo para a prxima linha da tabela
abaixo e repito o processo.
O Aprendizado em RNA realizado pelo ajuste dos pesos sinpticos da rede para
mapear um determinado conjunto de entrada e sada, chamado de conjunto de
treinamento
X1 X2 Y1
1
-1 0,6
0,5 2 0,8
2
-3 0,4
-1
4 0,1
2013
X1
X2
Y1
-1
0,6
0,5
0,8
-3
0,4
-1
0,1
2013
Para uma rede neural feedforward representada a seguir, determine a resposta da rede para o
vetor de entrada X = [0.25, 0.4, -06]. Considere a funo de ativao tipo sigmide com a=1 e
limiar =0 para cada neurnio da rede.
Resposta.
Vamos calcular o primeiro neurnio, multiplicando o vetor de entrada pelo seu respectivo peso
sinptico associado:
1
U
1+ e
1
F(U )=
1+ e0,71
F(U )=0.67
F(U )=
U2=x11+x22 +x33
U1=0,250,5+0,40,35+(0,6)0,6
U1=0,34
1
U
1+ e
1
F(U )=
1+ e0,34
F(U )=0.41
F(U )=
Portanto, Y2 = 0,41. Agora, resta apenas calcular o resultado da camada de sada, que obtida
repetindo-se mais uma vez o processo anterior:
Uf =x11 + x22
Uf =0,670,2+0,410,3
Uf =0,50
X1
X2
X3
Erro (D-Y)
0,25
0,4
-0,6
0,4
0,5
-0,1
2013
No treinamento da rede, o valor do erro utilizado para justar os pesos sinpticos da rede
Modelo Perceptron
a estrutura mais simples de rede neural artificial. Formada por um nico neurnio com pesos
sinpticos e limiar ajustveis.
Considere o perceptron anterior com uma funo de ativao do tipo limiar.
0 0
0 0
1 0
1 1
1,2
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
1,2
O modelo perceptron s pode ser usado em problemas que so linearmente separveis. Repare
no Grfico acima que ponto X1 e Y1 pode ser separado de todos os outros pontos com a linha
marcada em azul.
2013
24 de Outubro de 2013
Tags: #aprendizado
Para que o perceptron do exemplo anterior seja capaz de aprender uma
determinada funo, necessrio criar um reta que possa separar e classificar os
resultados obtidos atravs das entradas. Vale lembrar que o perceptron feito para
classificar entradas apenas, ou seja, indiferente dos valores das entradas, a sada do
perceptron ser 0 ou 1.
Tome como exemplo a tabela de dados a seguir:
X1 X2 Y
0
0 0
0 1
1 1
1 1
x2=
x1+
2
2
Baseado na equao acima, para x1=0 e x2=0,5 temos (eq 1):
0+
2
2
0,5=
2
0,5=
0,5+
2
2
1
0=
0,5+
2
2
0=
0+
2
2
0,5=
2
1
0,5=
2
1
2=
0,5
2=2
0,5=
0,5+
2
2
1
0=
0,5+
2
2
1
1
0=
0,5+
2
2
1
1
0,5=
2
2
0,5 1=1
1=2
0=
Sendo assim, a equao da reta, ou a funo que representa o treinamento do perceptron ficou
como segue:
x2=
x1+
2
2
2
1
x2= x1+
2
2
x2=x1+ 0,5
Vamos agora verificar se tudo est correto. Vamos tomar por exemplo as
entradas x1 = 0 e x2 = 1:
U=1x1+2x2
U=20+21
U=0+2
U=2
porm , o limiar igual a 1, ento a saida (V) fica como segue :
V =U
V =21
V =1
Como at hoje, 1>0, a sada (Y) ento igual a 1 (Pois a funo linear
2013
X1 X2 Y
0
0 0
0 0
1 0
1 1
x2=
x1+
2
2
Baseado na equao acima, para x1=0 e x2=1,5 temos (eq 1):
1,5=
0+
2
2
1,5=
2
se considerarmos =1 (chute) temos:
2
1
1,5=
2
2=0,667
1,5=
2013
1
1
1,5+
0,667
0,667
1,5 1 1
0=
+
0,667
0,667
1
1,5 1
=
0,667 0,667
1=1,5 1
1=0,667
0=
Sendo assim, a equao da reta, ou a funo que representa o treinamento do perceptron ficou
como segue:
x2=
x1+
2
2
0,667
1
x2=
x1+
0,667
0,667
x2=x1+1,5
Vamos agora verificar se tudo est correto. Vamos tomar por exemplo as
entradas x1 = 0 e x2 = 1:
U=1x1+ 2x2
U=0,6670+ 0,6671
U=0+0,667
U=0,667
porm , o limiar igual a 1, ento a sada (V) fica como segue :
V =U
V =0,6671
V =0,333
Como at hoje, -0,33<0, a sada (Y) ento igual a 0 (Pois a funo linear s
considera a sada 1 para os valores de V > 0).
2013
Algoritmo LMS
Algoritmo perceptron
1. Atribuir valores aleatrios para w1 e w2 e teta;
2. Apresentar o primeiro exemplo da tabela de treinamento;
3. Calcular a sada do perceptron (Y);
4. Se a sada est correta, volta para o passo 2;
Se a sada estiver incorreta, atualizar os pesos pela relao:
w(n+1)=w(n)+Xn onde w(n+1) representa o prximo estado do peso,
w(n) representa o peso atual e Xn representa a entrada atual.
2013
X2
Y1
Y2
Y3
0,8
0,35
1,25
2,5
1,25
1,0
0,5
1,5
Dados:
w11: 0,25
w12: 0,7
w13: 0,85
w21: 0,3
w22: 0,5
w23: 0,4
Exemplo
2013
1
E()= ei 2(n)
i=1 2
1
2 1
2 1
2
E()= (0,05) + (1,35) + (0,4)
2
2
2
E()=0,9925
O algoritmo LMS atualiza os pesos sinpticos da rede de forma tal que E(w)
tenda a 0 (diminuio do erro quadrtico mdio);
Algoritmo LMS:
1. Inicializar os pesos sinpticos da rede de forma aleatria;
2. Apresentar exemplo do conjunto de treinamento e calcular a sada y, o
erro instantaneo de cada neuronio e o erro quadrtico mdio da rede;
3. Atualizar os pesos sinpticos da rede pela relao: Wij (n+1) = wij(n) +
N*e(n)*x(n) onde:
wij(n+1): Novo valor do peso wij;
wij(n): valor atual do peso wij;
e(n): Erro instantaneo do neuoronio;
x(n): Valor atual de entradas
N: Taxa de aprendizado
4. Volta ao passo 2 com os prximos valores de entrada
2013
2013
Redes Multicamadas
AS redes multicamadas permitem representar problemas com relaes
entrada-sada mais complexas que as redes de um nica camada.
As unidades da camada escondida tem funo de ativao no linear.
(Sigmide, tangente hiperblica, limiar)
As unidades de sada podem apresentar funo de ativao linear ou no
linear.
Exemplo: para a rede multicamada de arquitetura igual a anterior, determine a
sada da rede, o erro instantaneo e o erro quadrtico mdio considerando os
seguintes parametros:
Algoritmo BackPropagation (!= selfOrganization maps)
O algortimo de backprogation utiliza a estratgia de aprendizado
supervisionado. Utilizando padres de entrada e sada desejados para treinar a
rede.
O gradiente de uma funo () define a direo de mximo crescimento de
uma funo.
O algoritmo BP atualiza os pesos na direo contrria ao sentido do vetor
gradiente :
W (n+1)=W (n) E
onde :
Taxade aprendizado
EGradiente da Funo
Supondo que minha expresso do erro seja dado por:
E=1 2+ 22
Clculo do gradiente:
E
E
E
+ j
+k
+...
1
2
3
x 2=2x
E=i
x
x n=nx n1
x
2013
E
E
+ j
1
2
E=i2 1+ j2 2
sendo 1=1 e %omega2=2, temos :
E=i2+ j4
E=2i+4j
isso gera um vetor que deve ser desenhado como segue:
E=i
4,5
4
3,5
3
2,5
Coluna 1
2
1,5
1
0,5
0
0
2013
Passos do backpropagation:
1. Calcule sua funo de erro (E)
2. Calcule a direo do gradiente de E que definido por:
E
E
E
E=i
+ j
+k
+...
1
2
3
3. Escolha a direo contrria dada por -E;
4. Atualize os pesos atravs da frmula
W (n+ 1)=W (n) E
5. Calcule o novo valor do erro baseado na funo do passo 1;
6. Se o erro no for o que voc deseja, volte ao passo 2.
Questes da prova
1. Algoritmo Perceptron
2. Algoritmo LMS
1. Rede de uma nica camada com funo de ativao linear
3. Algorito BKP
1
E= (d y )2
2
n
1
E= (d y )2
1 2
2013