Вы находитесь на странице: 1из 28

SejabemvindohomepagedeRedesNeurais.

Aquivocternoesbsicasderedesneurais,passandoporseuhistrico,topologias,suas
aplicaes,passosparasedesenvolveraplicaesutilizandoconceitosderedesneurais,
chegandoatexemplosprticosdesenvolvidosporempresasespalhadaspelomundotodoeque
podemservisitadaspelainternet.
Sevocdesejaconhecerasrefernciasbibliogrficasutilizadasnestetrabalho,sigaestelink.

CassiaYuriTatibana
DeisiYukiKaetsu

ndice:
ResumodestaPgina
UmaIntroduosRedesNeurais
Histrico
Neurocomputao
Motivao
ARedeNeuralArtificial
ClassificaodeRedesNeuraisArtificiais
Topologias
AprendizadodaRede
DesenvolvimentodeAplicaes

AplicaesdeRedesNeurais
Porqueutilizarredesneurais?
ConsideraesFinais
Linksparaoutrossites
ProgramasdesimulaoDownloads
RefernciasBibliogrficas

ResumodestaPgina
Estapginasepropeadescreverosprincipaistpicosreferentesredesneurais,desde
seusurgimentoatpropostasdeimplementaoeminmerasaplicaesatuais.Iniciandocom
umaintroduoaoassunto,descrevemosofuncionamentodeclulashumanas,naqualsebaseou
todoofuncionamentodasunidadescomponentesdasredesneurais.Notpicohistrico
descrevemososurgimento,propostasiniciaisderedesneurais,conflitoseprogressosnestetema.
Seguimoscomumquadrocomparativoentreocrebrohumanoeocomputador,eentre
mquinastradicionaisemquinasbaseadasnoconceitoderedesneurais.NotpicoMotivao,
descrevemososdiversosmotivosquelevaminmerosestudiososatrabalharedesenvolverredes
neurais.
Descrevemosainda,notpicoClassificaodeRedesNeuraiseTopologiasderedes
neurais,aspectosreferentesdescriodestasapartirdesuascaractersticasdedesenvolvimento
eaplicao.Descreveremosbrevementealgunsconceitoseteoriasquedescrevemoaprendizado
deumaredeneural,epassaremosaumacoletneadeaplicaesdasmesmasqueseencontram
emdesenvolvimentoouemfasedeprojeto.Otpicolinksparaoutrossitestrazdiversos
endereosinteressantesdeoutrasuniversidades,centrosdepesquisasouatempresasque
procuramaproveitaredesenvolverasvantagensderedesneurais.Efinalmenteem
Consideraesfinais,apresentamosalgumasobservaesdecorrentesdepesquisaseestudos
realizadosduranteodesenvolvimentodestapgina.

UmaIntroduosRedesNeurais

Ocrebrohumanoconsideradoomaisfascinanteprocessadorbaseadoemcarbono
existente,sendocompostoporaproximadamente10bilhesneurnios.Todasasfunese
movimentosdoorganismoestorelacionadosaofuncionamentodestaspequenasclulas.Os
neurniosestoconectadosunsaosoutrosatravsdesinapses,ejuntosformamumagrande
rede,chamadaREDENEURAL.Assinapsestransmitemestmulosatravsdediferentes
concentraesdeNa+(Sdio)eK+(Potssio),eoresultadodistopodeserestendidoportodoo
corpohumano.Estagranderedeproporcionaumafabulosacapacidadedeprocessamentoe
armazenamentodeinformao.
Osistemanervosoformadoporumconjuntoextremamentecomplexodeneurnios.Nos
neurniosacomunicaorealizadaatravsdeimpulsos,quandoumimpulsorecebido,o
neurniooprocessa,epassadoumlimitedeao,disparaumsegundoimpulsoqueproduzuma
substncianeurotransmissoraoqualfluidocorpocelularparaoaxnio(queporsuavezpodeou
noestarconectadoaumdendritodeoutraclula).Oneurnioquetransmiteopulsopode
controlarafreqnciadepulsosaumentandooudiminuindoapolaridadenamembranaps
sinptica.Elestemumpapelessencialnadeterminaodofuncionamento,comportamentoedo
raciocniodoserhumano.Aocontrriodasredesneuraisartificiais,redesneuraisnaturaisno
transmitemsinaisnegativos,suaativaomedidapelafreqnciacomqueemitepulsos,
freqnciaestadepulsoscontnuosepositivos.Asredesnaturaisnosouniformescomoas
redesartificiais,eapresentamuniformidadeapenasemalgunspontosdoorganismo.Seuspulsos
nososncronosouassncronos,devidoaofatodenoseremcontnuos,oqueadiferederedes
artificiais.
Osprincipaiscomponentesdosneurniosso:
Osdentritos,quetemporfuno,receberosestmulostransmitidospelosoutrosneurnios
Ocorpodeneurnio,tambmchamadodesomma,queresponsvelporcoletare
combinarinformaesvindasdeoutrosneurnios
Efinalmenteoaxnio,queconstitudodeumafibratubularquepodealcanaratalguns
metros,eresponsvelportransmitirosestmulosparaoutrasclulas.

fig01Esquemadosconstituntesdaclulaneural

HistricodasRedesNeuraisArtificiais

Asprimeirasinformaesmencionadassobreaneurocomputaodatamde1943,em
artigosdeMcCullochePitts,emquesugeriamaconstruodeumamquinabaseadaou
inspiradanocrebrohumano.Muitosoutrosartigoselivrossurgiramdesdeento,porm,por
umlongoperododetempo,poucoresultadofoiobtido.Atqueem1949DonaldHebbescreveu
umlivroentitulado"TheOrganizationofBehavior"(AOrganizaodoComportamento)que
perseguiaaidiadequeocondicionamentopsicolgicoclssicoestpresenteemqualquerparte
dosanimaispelofatodequeestaumapropriedadedeneurniosindividuais.Suasidiasno
eramcompletamentenovas,masHebbfoioprimeiroaproporumaleideaprendizagem
especificaparaassinpsesdosneurnios.Esteprimeiroecorajosopassoserviudeinspirao
paraquemuitosoutrospesquisadoresperseguissemamesmaidia.Eemboramuitotenhasido
estudadoepublicadonosanosqueseguiram(19401950),estesservirammaiscomobasepara
desenvolvimentoposteriorqueparaoprpriodesenvolvimento.
Tambmprovenientedesteperododetempofoiaconstruodoprimeironeuro
computador,denominadoSnark,porMavinMinsky,em1951.OSnarkoperavacomsucessoa
partirdeumpontodepartidatcnico,ajustandoseuspesosautomaticamente,entretanto,ele
nuncaexecutouqualquerfunodeprocessamentodeinformaointeressante,masserviude
inspiraoparaasidiasdeestruturasqueosucederam.

Em1956no"DarthmouthCollege"nasceramosdoisparadigmasdaIntelignciaArtificial,
asimblicaeoconexionista.AIntelignciaArtificialSimblicatentasimularocomportamento
inteligentehumanodesconsiderandoosmecanismosresponsaveisportal.JaInteligncia

ArtificialConexionistaacreditaqueconstrundoseumsistemaquesimuleaestruturado
crebro,estesistemaapresentarinteligncia,ouseja,sercapazdeaprender,assimilar,errare
aprendercomseuserros.
Oprimeironeurocomputadoraobtersucesso(MarkIPerceptron)surgiuem1957e1958,
criadoporFrankRosenblatt,CharlesWightmaneoutros.Devidoaprofundidadedeseus
estudos,suascontribuiestcnicasedesuamaneiramodernadepensar,muitosovemcomoo
fundadordaneurocomputaonaformaemqueatemoshoje.Seuinteresseinicialparaa
criaodoPerceptroneraoreconhecimentodepadres.
ApsRosenblatt,BernardWidrow,comaajudadealgunsestudantes,desenvolveramum
novotipodeelementodeprocessamentoderedesneuraischamadodeAdaline,equipadocom
umapoderosaleideaprendizado,quediferentedoPerceptronaindapermaneceemuso.Widrow
tambmfundouaprimeiracompanhiadehardwaredeneurocomputadoresecomponentes.
Infelizmente,osanosseguintesforammarcadosporumentusiasmoexageradodemuitos
pesquisadores,quepassaramapublicarmaisemaisartigoselivrosquefaziamumapreviso
poucoconfivelparaapoca,sobremquinastopoderosasquantoocrebrohumanoque
surgiriamemumcurtoespaodetempo.Istotirouquasetodaacredibilidadedosestudosdesta
reaecausougrandesaborrecimentosaostcnicosdeoutrasreas.
Umperododepesquisasilenciosaseguiusedurante1967a1982,quandopoucaspesquisas
forampublicadasdevidoaosfatosocorridosanteriormente.Entretanto,aquelesquepesquisavam
nestapoca,etodososqueseseguiramnodecorrerdetrezeanosconseguiramnovamente
estabelecerumcampoconcretoparaorenascimentodarea.
Nosanos80,muitosdospesquisadoresforambastantecorajososepassaramapublicar
diversaspropostasparaaexploraodedesenvolvimentoderedesneuraisbemcomosuas
aplicaes.PormtalvezofatomaisimportantedesteperodotenhaocorridoquandoIra
Skurnick,umadministradordeprogramasdaDARPA(DefenseAdvancedResearchProjects
Agency)decidiuouvirosargumentosdaneurocomputaoeseusprojetistas,edivergindodos
caminhostradicionaisdosconhecimentosconvencionais,fundouem1983pesquisasemneuro
computao.Esteatonosabriuasportasparaaneurocomputao,comotambmdeu
DARPAostatusdeumadaslderesmundiaisemsetratandode"moda"tecnolgica.
Outra"potncia"queemergiunesteperodofoiJohnHopfield,renomadofsicode
reputaomundial,seinteressoupelaneurocomputao,eescreveuartigosquepercorreramo
mundotodopersuadindocentenasdecientistas,matemticos,etecnlogosaltamente
qualificadosaseuniremestanovareaemergente.
Apesardeumterodospesquisadoresdareateremaderidomesmapelainflunciade
Hopfield,foiem1986queestecampodepesquisa"explodiu"comapublicaodolivro
"ParallelDistributedProcessing"(ProcessamentoDistribudoParalelo)editadoporDavid
RumelharteJamesMcClelland.
Em1987ocorreuemSoFranciscoaprimeiraconfernciaderedesneuraisemtempos
modernos,aIEEEInternationalConferenceonNeuralNetworks,etambmfoiformadaa
InternationalNeuralNetworksSociety(INNS).Apartirdestesacontecimentosdecorrerama
fundaodoINNSjournalem1989,seguidodoNeuralComputationedoIEEETransactionson
NeuralNetworksem1990.

Desde1987,muitasuniversidadesanunciaramaformaodeinstitutosdepesquisae
programasdeeducaoemneurocomputao.
Algunsdosfatosmencionadossolistadosabaixo:

neurofisiologistaMcCullochematemticoWalterPitts(1943),cujotrabalhofaziauma
analogiaentreclulasvivaseoprocessoeletrnico,simulandoocomportamentodo
neurnionatural,ondeoneurniopossuiaapenasumasada,queeraumafunode
entrada(threshold)dasomadovalordesuasdiversasentradas

fig02NeurnioartificialprojetadoporMcCulloch
psiclogoDonaldHebb(1949),demostrouqueacapacidadedaaprendizagememredes
neuraisvemdaalteraodaeficinciasinptica,isto,aconexosomentereforadase
tantoasclulasprsinpticasquantoaspssinpticasestiveremexcitadas
eRosemblatt(1958)mostrouemseulivro(PrinciplesofNeurodynamics)omodelodos
"Perceptrons".Nele,osneurnioseramorganizadosemcamadadeentradaesada,ondeos
pesosdasconexeseramadaptadosafimdeseatingiraeficinciasinptica

fig03RededeperceptronspropostaporRosemblatt
Em1960surgiuaredeADALINE(ADAptativeLInearNetwork)eoMADALINE(Many
ADALINE)perceptron,propostoporWidroweHoff.OADALINE/MADALINEutilizou
sadasanalgicasemumaarquiteturadetrscamadas.

fig04RedesADALINEeMADALINE
Muitoshistricosdesconsideramaexistnciadepesquisanesssareanosanos60e70e
apontamumaretomadadaspesquisascomapublicaodostrabalhosdofsicoebilogo
Hopfield(1982)relatandoautilizaoderedessimtricasparaotimizao,atravsdeum
algoritmodeaprendizagemqueestabilizavaumaredebinriasimtricacomrealimentao.

Rumelhart,HintoneWilliamsintroduziramopoderosomtodoBackpropagation.

fig05EstruturadomtodoBackpropagation
Cooper,Cowan,Fukushima,vonderMalsburgemuitosoutrosforamalgunsdosmuitos
pesquisadoresdosanos60e70,cujosestudosnodevemsermenosprezados.
FatosHistricosemordemcronolgica:
1943:McCULLOUGHePITTSestabeleceramasbasesdaneurocomputao,commodelos
matemticos.

1949:HEBBtraduziumatematicamenteasinapsedosneurniosbiolgicos.
1951:MINSKIconstrioSnark,primeironeurocomputadorcomcapacidadedeaprendizado,
ouseja,ajustavaautomaticamenteospesosentreassinapses.Noexecutounenhumafunotil.
1957:ROSENBLATTconcebeuo"perceptron",queeraumaredeneuraldeduascamadas,
usadonoreconhecimentodecaracteres.
1962:WIDROWdesenvolveuumprocessadorpararedesneuraisefundouaprimeiraempresa
decircuitosneuraisdigitais,aMemistorCorporation.
1967:Fimdasverbasdestinadaspesquisaderedesneurais.
1974:WERBOSlanoubasesparaoalgortmoderetropropagao(backpropagation).

Neurocomputao
Osmodelosneurais,procuramaproximaroprocessamentodoscomputadoresaocrebro.
Asredesneuraispossuemumgraudeinterconexosimilaraestruturadoscrebroeum
computadorconvencionalmodernoainformaotransferidaemtemposespecficosdentrode
umrelacionamentocomumsinalparasincronizao.
Atabelaabaixo,traaumcomparativoentreocrebrohumanoeocomputador:
Parmetro

Crebro

Computador

Material

Orgnico

Metaleplstico

Velocidade

Milisegundos

Nanosegundos

TipodeProcessamento

Paralelo

Seqencial

Armazenamento

Adaptativo

Esttico

ControledeProcessos

Distribudo

Centralizado

Nmerodeelementosprocessados

10e1110e14 10e510e6

Ligaesentreelementosprocessados 10.000

<10

Tabela01Quadrocomparativoentrecrebroeocomputador

Omesmoparalelopodesertraadocomparandoocomputadorcomasredesneurais.Para
tanto,acomparaonosedarcomumcomputadorespecficoencontradonomercado,mas
simcomoparadigmapredominantenoscomputadoresatuais.
Computadores
Executaprogramas

Neurocomputadores
Aprende
Executaoperaesnolgicas,transformaes,

Executaoperaeslgicas

comparaes

Dependedomodelooudo
programador

Descobreasrelaesouregrasdosdadoseexemplos

Testaumahipteseporvez

Testatodasaspossibilidadesemparalelo

Tabela02Quadrocomparativoentrecomputadoreseneurocomputadores

Motivao

Apartirdomomentoemqueasmquinascomearamevoluir,umgrandedesejodohomem
temsidoacriaodeumamquinaquepossaoperarindependentementedocontrolehumano.
Umamquinacujaindependnciasejadesenvolvidadeacordocomseuprprioaprendizadoe
quetenhaacapacidadedeiteragircomambientesincertos(desconhecidosporela),umamquina
quepossaserchamadadeautnoma,inteligenteoucognitiva.

Osucessodeumamquinaautnomadependerianicaeexclusivamentedesuacapacidade
delidarcomumavariedadedeeventosinesperadosnoambienteemqueopera.Estasmquinas
teriammaiorcapacidadedeaprendertarefasdealtonvelcognitivoquenosofacilmente
manipuladaspormquinasatuais,econtinuariamaseadaptarerealizartaistarefas
gradativamentecommaioreficincia,mesmoqueemcondiesdeambienteimprevisveis.
Ento,seriammuitoteisondeaiteraohumanaperigosa,tediosaouimpossvelcomoem
reatoresnucleares,combateaofogo,operaesmilitares,exploraodoespaoadistnciasem
queumanaveespacialestariaforadoalcancedocontrolenaterrapormeviandoinformaes.
Organismoshumanossoumafontedemotivaoparaodesenvolvimentodestas
mquinas,eproporcionamdiversasdicasparaodesenvolvimentodealgoritmosdeaprendizado
eadaptao.Assim,esperasequealgumasdascaractersticasdeorganismosbiolgicosde
aprendizadoeadaptaoestejampresentesnasmesmas.
Enquantocomputadoresfuncionamdemodosequencial,proporcionandomaioreficincia
naresoluodetarefasnasquaisdevemsersequidasetapas.Ocrebrohumanofuncionade
modoparalelo,esendoextremamenteconectadomaiseficientenaresoluodetarefasque
exigemvriasvariveis.
Omotivopeloqualmquinasinspiradasnabiologiasodiferentesdasmquinasatuaisse
encontranofatodequeasmquinasatuaisbaseiamseuprocessamentoexplicitamenteem
modelosmatemticos.Mecanismosdecontrolebaseadoemmecanismosneuraisentretanto,no
sobaseadosemmodelos,utilizamclculosmatemticosparaefetuarsuasoperaesporm
podemcoordenardiversosgrausdeliberdadeduranteaexecuodetarefasmanipulativaseem
ambientesdesestruturados.Elessocapazesdelidarcomtarefascomplicadassemquetenham
quedesenvolverummodelomatemticoenemummodelodoambienteemqueoperam.

Baseadonascaractersticasdeseresbiolgicos,acreditasequesurgiremumfuturo
prximo,umageraocompletadenovossistemascomputacionais,muitomaiseficientese
inteligentesqueossistemasatuais.

UmaIntroduosRedesNeuraisArtificiais

Asredesneuraisartificiaisconsistememummtododesolucionarproblemasde
intelignciaartificial,construndoumsistemaquetenhacircuitosquesimulemocrebro
humano,inclusiveseucomportamento,ouseja,aprendendo,errandoefazendodescobertas.So
maisqueisso,sotcnicascomputacionaisqueapresentamummodeloinspiradonaestrutura
neuraldeorganismosinteligentesequeadquiremconhecimentoatravsdaexperincia.Uma
granderedeneuralartificialpodetercentenasoumilharesdeunidadesdeprocessamento,
enquantoqueocrebrodeummamferopodetermuitosbilhesdeneurnios.

Apesardacomplexidadedaredesneuraisnopermitirumanicadefinio,aslinhas
seguintesseguemcomoumatentativadasinmerasdefiniesouinterpretaesdoqueseja
realmenteumaredeneural.
Umgrafodirecionadoumobjetogeomtricoqueconsistedeumconjuntodepontos,
chamadosns,aolongodeumconjuntodesegmentosdelinhasdirecionadasentreeles.Uma
redeneuralumaestruturadeprocessamentodeinformaodistribudaparalelamentenaforma
deumgrafodirecionado,comalgumasrestriesedefiniesprprias.
Osnsdestegrafosochamadoselementosdeprocessamento.Suasarestassoconexes,
quefuncionamcomocaminhosdeconduoinstantneadesinaisemumanicadireo,de
formaqueseuselementosdeprocessamentopodemreceberqualquernmerodeconexesde
entrada.Estasestruturaspodempossuirmemrialocal,etambmpossuirqualquernmerode
conexesdesadadesdequeossinaisnestasconexessejamosmesmos.Portanto,estes
elementostemnaverdadeumanicaconexodesada,quepodedividirseemcpiaspara
formarmltiplasconexes,sendoquetodoscarregamomesmosinal.
Ento,anicaentradapermitidaparaafunodetransferncia(quecadaelementode
processamentopossui)soosvaloresarmazenadosnamemrialocaldoelementode
processamentoeosvaloresatuaisdossinaisdeentradanasconexesrecebidaspeloelementode
processamento.Osnicosvaloresdesadapermitidosapartirdafunodetransfernciaso
valoresarmazenadosnamemrialocaldoelementodeprocessamento,eosinaldesadado
mesmo.

Afuncodetransfernciapodeoperarcontinuamenteouepisodicamente.Sendoqueno
segundocaso,deveexistirumaentradachamada"activate"quecausaoativamentodafunode
transfernciacomosinaldeentradacorrenteecomvaloresdamemrialocal,eproduzirum
sinaldesadaatualizado(ocasionalmentealterandovaloresdamemria).Enoprimeirocaso,os
elementosestosempreativados,eaentrada"activate"chegaatravsdeumaconexodeum
elementodeprocessamentoagendadoquetambmpartedarede.

Sinaisdeentradaparaumaredeneuralapartirdeforadaredechegamatravsdeconexes
queseoriginamdomundoexterno,sadasdaredeparaomundoexternosoconexesque
deixamarede.
Deformageral,aoperaodeumacluladaredeseresumeem:
Sinaissoapresentadosentrada
Cadasinalmultiplicadoporumpesoqueindicasuainfluncianasadadaunidade
feitaasomaponderadadossinaisqueproduzumnveldeatividade
Seestenvelexcedeumlimite(threshold)aunidadeproduzumasada
1.ONeurnioArtificialeaRedeNeural
Assimcomoosistemanervosocompostoporbilhesdeclulasnervosas,aredeneural
artificialtambmseriaformadaporunidadesquenadamaissoquepequenosmdulosque
simulamofuncionamentodeumneurnio.Estesmdulosdevemfuncionardeacordocomos
elementosemqueforaminspirados,recebendoeretransmitindoinformaes.
2.ONeurnioArtificial
OfisiologistaWarremMacCullochinterpretouofuncionamentodoneurniobiolgico
comosendoumcircuitodeentradasbinriascombinadasporumasomaponderada(compesos)
produzindoumaentradaefetiva:

fig06ModelodeMcCullochePitts
Nomodelogeraldeneurnio(fig06)asentradasWiUisocombinadasusandoumafuno
F,paraproduzirumestadodeativaodoneurnio(correspondentefreqnciadedescargado
neurniobiolgico).Asentradaschegamatravsdosdentritosetemumpesoatribudopela
sinapse.

fig07Esquemadeumneurnioartificial
Afuncobsicadeumneurniosomarasentradaseretornarumasada,casoessevalor
sejamaiorqueovalordesoma(threshold).

3.ARedeNeuralArtificial(MultilayerPerceptron)

Aredeneuralartificialumsistemadeneurniosligadosporconexessinpticase
divididoemneurniosdeentrada,querecebemestmulosdomeioexterno,neurniosinternos
ouhidden(ocultos)eneurniosdesada,quesecomunicamcomoexterior.Aformadearranjar
perceptronsemcamadasdenominadoMultilayerPerceptron.Omultilayerperceptronfoi
concebidopararesolverproblemasmaiscomplexos,osquaisnopoderiamserresolvidospelo
modelodeneurniobsico.Umnicoperceptronouumacombinaodassadasdealguns
perceptronspoderiarealizarumaoperaoXOR,porm,seriaincapazdeaprendla.Paraisto
sonecessriasmaisconexes,osquaissexistememumarededeperceptronsdispostosem
camadas.Osneurniosinternossodesumaimportncianaredeneuralpoisprovousequesem
estestornaseimpossvelaresoluodeproblemaslinearmentenoseparveis.Emoutras
palavraspodesedizerqueumaredecompostaporvriasunidadesdeprocessamento,cujo
funcionamentobastantesimples.Essasunidades,geralmentesoconectadasporcanaisde
comunicaoqueestoassociadosadeterminadopeso.Asunidadesfazemoperaesapenas
sobreseusdadoslocais,quesoentradasrecebidaspelassuasconexes.Ocomportamento
inteligentedeumaRedeNeuralArtificialvemdasinteraesentreasunidadesdeprocessamento
darede.
Amaioriadosmodelosderedesneuraispossuialgumaregradetreinamento,ondeospesos
desuasconexessoajustadosdeacordocomospadresapresentados.Emoutraspalavras,elas
aprendematravsdeexemplos.Arquiteturasneuraissotipicamenteorganizadasemcamadas,
comunidadesquepodemestarconectadassunidadesdacamadaposterior.
Aredeneuralpassaporumprocessodetreinamentoapartirdoscasosreaisconhecidos,
adquirindo,apartirda,asistemticanecessriaparaexecutaradequadamenteoprocesso
desejadodosdadosfornecidos.Sendoassim,aredeneuralcapazdeextrairregrasbsicasa
partirdedadosreais,diferindodacomputaoprogramada,ondenecessrioumconjuntode
regrasrgidasprfixadasealgoritmos.

fig08Organizaoemcamadas.

Usualmenteascamadassoclassificadasemtrsgrupos:
CamadadeEntrada:ondeospadressoapresentadosrede
CamadasIntermediriasouOcultas:ondefeitaamaiorpartedoprocessamento,atravs
dasconexesponderadaspodemserconsideradascomoextratorasdecaractersticas
CamadadeSada:ondeoresultadofinalconcludoeapresentado.

Redesneuraissotambmclassificadasdeacordocomaarquiteturaemqueforam
implementadas,topologia,caractersticasdeseusns,regrasdetreinamento,etiposde
modelos.

ClassificaodeRedesNeuraisArtificiais

Umdosobjetivosdapesquisasobreredesneuraisnacomputaodesenvolvermorfologias
neuraismatemticas,nonecessariamentebaseadanabiologia,quepodemrealizarfunes
diversas.Namaiorpartedoscasos,modelosneuraissocompostosdemuitoselementosno
linearesqueoperamemparaleloequesoclassificadosdeacordocompadresligados
biologia.
Quandoumprocessocriadovisandoutilizaraspectosderedesneuraiscomeamcomo
desenvolvimentodeumneurnioartificialoucomputacionalbaseadonoentendimentode

estruturasbiolgicasneurais,seguidasdoaprendizadodemecanismosvoltadosparaum
determinadoconjuntodeaplicaes.Ouemoutraspalavras,seguindoastrsetapas:
Odesenvolvimentodemodelosneuraismotivadoporneurniosbiolgicos
Modelosdeestruturaseconexessinpticas
Oaprendizadodasregras(ummtododeajustedepesosouforasdeconexes
internodais)
Porcausadediferenasentrealgumasousvezestodasasentidadesenvolvidas,diferentes
estruturasderedesneuraistemsidodesenvolvidasporpesquisadores.Dopontodevista
estrutural,aarquiteturaderedesneuraispodeserclassificadacomoesttica,dinmicaoufuzzy,
edenicacamadaoumltiplascamadas(seusignificadomelhorespecificadonapartede
TopologiadeRedesNeuraisArtificiais).Almdisso,diferenascomputacionaissurgemtambm
quandosetratadamaneiracomquesofeitasasconexesexistentesentresosneurnios.Estas
conexespodemserestritamentenosentidodeida,nosentidodeidaevolta,lateralmente
conectadas,topologicamenteordenadasouhbridas.
Aaplicaoderedesneuraispodeserclassificadaemclassesdistintas:Reconhecimentode
padreseClassificaoProcessamentodeimagemevisoIdentificaodesistemaecontrolee
Processamentodesinais.importanteverificarqueumadeterminadaaplicaodeumsistema
baseadoemredeneuralnoprecisanecessariamenteserclassificadaemapenasumadascitadas
acima.

TopologiasdeRedesNeuraisArtificiais

DisposiodosNeurnios:
DeacordocomRummelhart,aredeneuraldevepossuirnomnimoduascamadas,ade
entradadedadoseadasadadosresultados.Comoaredeapresentadesempenhomuitolimitado
comsomenteduascamadas,aadiodeumacamadaintermediriafazsenecessria.Nestetipo
deconfigurao,cadaneurnioestligadocomtodososoutrosdascamadasvizinhas,mas
neurniosdamesmacamadanosecomunicam,almdacomunicaoserunidirecional,
apresentandoassimumcomportamentoesttico.
JaredeneuraldeHopfieldapresentacomportamentodinmicoefluxodedados
multidirecionaldevidointegraototaldosneurnios,desaparecendoassimaidiadacamadas
bemdistintas.Comissoseufuncionamentomaiscomplexo,havendocertascomplicaes,seja
nafasedeaprendizadoquantonafasedetestes.Seuusodirecionadoproblemasde
minimizaoeotimizao,comoporexemplodepercursodecaminhes.

fig09modelosdeRummelharteHopfield
HpesquisadorescomoHECHTNIELSEN,queafirmamquecomapenasumacamada
ocultajpossvelcalcularumafunoarbitrriaqualquerapartirdedadosfornecidos.De
acordocomHECHTNIELSEN,acamadaocultadeveterporvoltade2i+1neurnios,ondei
onmerodevariveisdeentrada.
Outros,nocasodeCYBENKO,defendemousodeduascamadasocultas.
NocasodeKUDRICKY,empiricamenteobservousequeparacada3neurniosdaprimeira
camadaocultaeraprecisoumdasegundacamada.
JLIPPMANNafirmaqueasegundacamadaocultadeveterodobrodeneurniosda
camadadesada.Nocasodeapenasumacamadaocultaeladeverters(i+1)neurnios,ondes
onmerodeneurniosdesadaeionmerodeneurniosnaentrada.
Outrosautoresdefinemonmeromximocomo:
Omax=c/10.(i+s)
ondes:nmerodeneurniosdesada
i:nmerodeneurniosnaentrada
Emredespequenasonmerodeneurniosdacamadaocultapodeseramdiageomtrica
entreonmerodeneurniosdeentradapelonmerodeneurriosdesada.
Independentedecadaabordagem,quantomaiscamadasdeneurnios,melhoro
desempenhodaredeneuralpoisaumentaacapacidadedeaprendizado,melhorandoapreciso
comqueeladelimitaregiesdedeciso.Estasregiesdedecisosointervalosfixosondea
respostapodeestar.Acamadadeentradapossuiumneurnioespecialchamadode"bias"eserve
paraaumentarosgrausdeliberdade,permitindoumamelhoradaptao,porpartedaredeneural,
aoconhecimentoelafornecido.
Ciclos:
1.RedesDiretas
Soredesneuraiscujografonopossuiciclosepodemserrepresentadasemcamadas.Por
exemplo,osneurniosquerecebemsinaisdeexcitaodomeioexternoestaonacamadade
entradaosneurniosqueestonasadasochamadosdecamadadesada.

fig10RedeDireta
2.Redescomciclos
Soredesemqueografodeconectividadecontmpelomenosumciclo.Sotambm
chamadasredescomrealimentaooucomfeedback.
3.Redessimtricas
Soredescujamatriz(dografodeconectividade)simtrica,sendoumcasoparticulardas
redescomciclos.

fig11RedeSimtrica

ProcessosdeAprendizadodeumaRedeNeural
Artificial<>

Apropriedademaisimportantedasredesneuraisahabilidadedeaprenderdeseu
ambienteecomissomelhorarseudesempenho.Issofeitoatravsdeumprocessoiterativo
deajustesaplicadoaseuspesos,otreinamento.Oaprendizadoocorrequandoarede
neuralatingeumasoluogeneralizadaparaumaclassedeproblemas.
Denominasealgortmodeaprendizadoaumconjuntoderegrasbemdefinidasparaa
soluodeumproblemadeaprendizado.Existemmuitostiposdealgoritmosde
aprendizadoespecficosparadeterminadosmodelosderedesneurais,estesalgoritmos
diferementresiprincipalmentepelomodocomoospesossomodificados.
Aredeneuralsebaseianosdadosparaextrairummodelogeral.Portanto,afasede
aprendizadodeveserrigorosaeverdadeira,afimdeseevitarmodelosesprios.Todoo
conhecimentodeumaredeneuralestarmazenadonassinapses,ouseja,nospesos
atribudossconexesentreosneurnios.De50a90%dototaldedadosdeveserseparado
paraotreinamentodaredeneural,dadosestesescolhidosaleatoriamente,afimdequea
rede"aprenda"asregraseno"decore"exemplos.Orestantedosdadossapresentado
redeneuralnafasedetestesafimdequeelapossa"deduzir"corretamenteo
interrelacionamentoentreosdados.
Outrofatorimportanteamaneirapelaqualumaredeneuralserelacionacomo
ambiente.Nessecontextoexistemosseguintesparadigmasdeaprendizado:
1.Porindependnciadequemaprende
AsRedesNeuraisArtificiaisaprendempormemorizao,contato,exemplos,por
analogia,porexploraoetambmpordescoberta.
2.Porretroaodomundo
Dizrepeitoaausnciaoupresenadederealimentaoexplcitadomundoexterior,
ouseja,queemcertosintervalosdetempoumagenteassinalaacertoseerros.
2.1AprendizadoSupervisionado:utilizaumagenteexternoqueindicaredeum
comportamentobomouruimdeacordocomopadrodeentrada
2.2AprendizadoNoSupervisionado(autoorganizao):noutilizaumagente
externoindicandoarespostadesejadaparaospadresdeentrada,utilizase
entretanto,exemplosdecoisassemelhantesparaquearederespondademaneira
semelhante.
3.PorFinalidadedoAprendizado
3.1Autoassociador:apresentadaredeumacoleodeexemplosparaqueela
memorize.Quandoseapresentaumdoselementosdacoleodeexemplosmasde
modoerrneo,arededevemostraroexemplooriginal,funcionandoassimcomoum
filtro.
3.2Heteroassociador:umavariaodoAutoassociador,masquesememorizaum
conjuntodepares.Osistemaaprendeareproduzirosegundoelementodoparmesmo

queoprimeiroestejapoucomodificado,funcionandodestamaneiracomoum
reconhecedordepadres.

necessriotambmqueexistaumDetectordeRegularidades,quenadamaisque
umreconhecedordepadresemqueosistemadeveseautoorganizarecriarpadres
possveis.
PodemosdenominaraindaciclocomosendoumaapresentaodetodososNpares
(entradaesada)doconjuntodetreinamentonoprocessodeaprendizado.Acorreodospesos
numciclopodeserexecutadodedoismodos:
1.ModoPadro:Acorreodospesosaconteceacadaapresentaorededeumexemplo

doconjuntodetreinamento.Cadacorreodepesosbaseiasesomentenoerrodoexemplo
apresentadonaquelaiterao.Assim,emcadacicloocorremNcorrees.
2.ModoBatch:Apenasumacorreofeitaporciclo.Todososexemplosdoconjuntode
treinamentosoapresentadosrede,seuerromdiocalculadoeapartirdesteerrofazem
seascorreesdospesos.

HebbianLearning
Descreveremosaquiumasugestosimplesdeumateoriaquerespondepergunta:Como
nsaprendemos?Abasedestateoriadatadoanode1949dolivro"OrganizationofBehavior",
escritoporHebb.Aidiacentralestavanaseguinteafirmao:
"QuandoumaxniodeumaclulaAestprximaosuficientedeexcitarumaclulaBe
repetidamenteoupersistentementetomaparteemativla,algumprocessocrescenteoumudana
metabolicaseapossadeumaouambasasclulasdeformaqueaeficinciadeA,assimcomoa
deumadasclulasBexcitadas,soaumentadas".
AssimcomoomodelodeMcCullochPitts,estaleideaprendizagemnoexplicatudosobre
estetema,porm,deumaformaoudeoutra,elaestpresenteemmuitosmodelosderedes
neuraisqueconhecemoshoje.Utilizaremoscomoexemplo,ocondicionamentoclssico,o
experimentodePavlov,parailustraraidiaanteriormenteexposta.
Pelofatodasconexesatravsdeneurniosocorrerematravsdesinapses,realmente
razovelimaginarquequalquermudanaqueocorraduranteoaprendizadoocorranestas.Hebb
teorizouqueareadajunosinpticaaumenta.Teoriasmaisrecentesafirmamqueo
responsvelporistoumaumentonataxadeliberaoneurotransmissoraefetuadapelaclula
prsinptica.Emqualquerevento,mudanascertamenteocorremnasinapse.Senemaclula
pr,nemapssinpticasoalteradascomoumtodo,outrasrespostas,quenosorelacionadas
aoexperimentopodemserreforadas.

DesenvolvimentodeAplicaes

Estapginaprocurailustrarospassosnecessriosparaodesenvolvimentodeaplicaes
utilizandoredesneuraisartificiais.

1e2.Coletadedadoseseparaoemconjuntos
Osdoisprimeirospassosdoprocessodedesenvolvimentoderedesneuraisartificiaissoa
coletadedadosrelativosaoproblemaeasuaseparaoemumconjuntodetreinamentoeum
conjuntodetestes.Estatarefarequerumaanlisecuidadosasobreoproblemaparaminimizar
ambiguidadeseerrosnosdados.Almdisso,osdadoscoletadosdevemsersignificativose
cobriramplamenteodomniodoproblemanodevemcobrirapenasasoperaesnormaisou
rotineiras,mastambmasexceeseascondiesnoslimitesdodomniodoproblema.
Normalmente,osdadoscoletadossoseparadosemduascategorias:dadosdetreinamento,
queseroutilizadosparaotreinamentodaredeedadosdeteste,queseroutilizadospara
verificarsuaperformancesobcondiesreaisdeutilizao.Almdessadiviso,podeseusar
tambmumasubdivisodoconjuntodetreinamento,criandoumconjuntodevalidao,
utilizadoparaverificaraeficinciadaredequantoasuacapacidadedegeneralizaoduranteo
treinamento,epodendoserempregadocomocritriodeparadadotreinamento.
Depoisdedeterminadosestesconjuntos,elessogeralmentecolocadosemordemaleatria
paraprevenodetendnciasassociadasordemdeapresentaodosdados.Almdisso,pode
sernecessrioprprocessarestesdados,atravsdenormalizaes,escalonamentoseconverses
deformatoparatornlosmaisapropriadossuautilizaonarede.

3.Configuraodarede
Oterceiropassoadefiniodaconfiguraodarede,quepodeserdivididoemtrsetapas:
3.1Seleodoparadigmaneuralapropriadoaplicao.
3.2Determinaodatopologiadaredeaserutilizadaonmerodecamadas,onmerode
unidadesemcadacamada,etc.
3.3Determinaodeparmetrosdoalgoritmodetreinamentoefunesdeativao.Estepasso
temumgrandeimpactonaperformancedosistemaresultante.
Existemmetodologias,"dicas"e"truques"naconduodestastarefas.Normalmenteestas
escolhassofeitasdeformaemprica.Adefiniodaconfiguraoderedesneuraisainda
consideradaumaarte,querequergrandeexperinciadosprojetistas.

4.Treinamento

Oquartopassootreinamentodarede.Nestafase,seguindooalgoritmodetreinamento
escolhido,seroajustadosospesosdasconexes.importanteconsiderar,nestafase,alguns
aspectostaiscomoainicializaodarede,omododetreinamentoeotempodetreinamento.
Umaboaescolhadosvaloresiniciaisdospesosdaredepodediminuirotemponecessrio
paraotreinamento.Normalmente,osvaloresiniciaisdospesosdaredesonmerosaleatrios
uniformementedistribudos,emumintervalodefinido.Aescolhaerradadestespesospodelevar
aumasaturaoprematura.NguyeneWidrowencontraramumafunoquepodeserutilizada
paradeterminarvaloresiniciaismelhoresquevalorespuramentealeatrios.
Quantoaomododetreinamento,naprticamaisutilizadoomodopadrodevidoao
menorarmazenamentodedados,almdesermenossuscetvelaoproblemademnimoslocais,
devidopesquisadenaturezaestocsticaquerealiza.Poroutrolado,nomodobatchsetemuma
melhorestimativadovetorgradiente,oquetornaotreinamentomaisestvel.Aeficincia
relativadosdoismodosdetreinamentodependedoproblemaqueestsendotratado.
Quantoaotempodetreinamento,vriosfatorespodeminfluenciarasuadurao,porm
sempresernecessrioutilizaralgumcritriodeparada.Ocritriodeparadadoalgoritmo
backpropagationnobemdefinido,egeralmenteutilizadoumnmeromximodeciclos.
Mas,devemserconsideradosataxadeerromdioporciclo,eacapacidadedegeneralizaoda
rede.Podeocorrerqueemumdeterminadoinstantedotreinamentoageneralizaocomecea
degenerar,causandooproblemadeovertraining,ousejaaredeseespecializanoconjuntode
dadosdotreinamentoeperdeacapacidadedegeneralizao.
Otreinamentodeveserinterrompidoquandoaredeapresentarumaboacapacidadede
generalizaoequandoataxadeerroforsuficientementepequena,ousejamenorqueumerro
admissvel.Assim,deveseencontrarumpontotimodeparadacomerromnimoecapacidade
degeneralizaomxima.

5.Teste
Oquintopassootestedarede.Duranteestafaseoconjuntodetesteutilizadopara
determinaraperformancedaredecomdadosquenoforampreviamenteutilizados.A
performancedarede,medidanestafase,umaboaindicaodesuaperformancereal.
Devemserconsideradosaindaoutrostestescomoanlisedocomportamentodarede
utilizandoentradasespeciaiseanlisedospesosatuaisdarede,poisseexistiremvaloresmuito
pequenos,asconexesassociadaspodemserconsideradasinsignificanteseassimserem
eliminadas(prunning).Demodoinverso,valoressubstantivamentemaioresqueosoutros
poderiamindicarquehouveovertrainingdarede.

6.Integrao
Finalmente,comaredetreinadaeavaliada,elapodeserintegradaemumsistemado
ambienteoperacionaldaaplicao.Paramaioreficinciadasoluo,estesistemadeverconter
facilidadesdeutilizaocomointerfaceconvenienteefacilidadesdeaquisiodedadosatravs
deplanilhaseletrnicas,interfacescomunidadesdeprocessamentodesinais,ouarquivos

padronizados.Umaboadocumentaodosistemaeotreinamentodeusuriossonecessrios
paraosucessodomesmo.
Almdisso,osistemadeveperiodicamentemonitorarsuaperformanceefazera
manutenodaredequandofornecessrioouindicaraosprojetistasanecessidadede
retreinamento.Outrasmelhoriaspoderoaindasersugeridasquandoosusuriosforemse
tornandomaisfamiliarescomosistema,estassugestespoderosermuitoteisemnovas
versesouemnovosprodutos.

7.ExemplodeImplementao
Paraexemplificarodesenvolvimentodeumaredeneural,tomemosoclculodafunoy
araizquadradadex.Temos,entodoisneurniosparaacamadadeentradadedados,umde
"bias"eoutrodeentradaefetivaumneurnioparaasadae,deacordocomHECHT
KOLMOGOROV,trsneurniosnacamadaoculta.

fig12Representaoparaclculodafunoy

Sejaosdadosnmerosentre1a100comsuasrespectivasrazesquadradas.Sero
escolhidosaleatriamente10nmerosparaafasedetesteseosrestantesparaafasede
treinamento.
Oaprendizadocomeacomaaplicaode5000iteraesredeneuraleemseguida
realizadotestes,ondesecomparaosresultadosobtidoscomosvaloresreais.Adiferena
encontradanestacomparaodefineograudeajustequeosdadosobtidospelaredeneuraldeve
sofrer,emrelaoaosdadosreais.
Outras5000iteraessorealizadas,dandosegmentoafasedeaprendizado,seguidode
novostestes.Seadiferenaentreosdadosobtidoseosreaisdiminuiu,significaqueonvelde
aprendizadomelhorouequenovas5000iteraesseroaplicadasafimdeserefinararede.
Casocontrrio,aredefoitreinadaemexcesso,fazendocomqueelamemorizeosdadoseno
produzaumarelaoentreeles.

Comparandocomumacriananaescola,digamosquearedeneural"decorou"alio,os
exercciosenorealmente"entendeu","assimilou",cometendoerrosem"exerccios"
semelhantesaosquelheforamapresentados,masdevaloresalterados.
Aps30000iteraesdeaprendizado,aredeneuralinformouovalor5,942paraaraiz
quadradade36,ouseja,umerrodeaproximadamente1%.Obviamente,paraestecaso,arede
neuralnosemostroumaiseficientequeumafunosqrtdequalquerlinguagemestruturada,
maspodeseperceberopoderdeaprendizadoedeexatidodeumaredeneural,sedevidamente
treinada.

AplicaesdeRedesNeuraisArtificiais

Aplicaesderedesneuraissoinmeras.Muitosrecebemsuaprimeiraintroduolendoa
respeitodastcnicasnoprognsticodemercadosfinanceiros.Gruposdeinvestimento
conhecidosutilizamredesneuraisparaanalisarpelomenosumapartedomercadofinanceiroe
fazeremsuasselees.
Oreconhecimentoticodecaracteres(OCR)outrotipodeaplicaoquejexisteeest
crescendo,eembreveestaremosemconstantecontatocomessetipodeaplicao.Outras
aplicaesbemsucedidasdastcnicasderedesneuraisartificiaisso:anlisedepesquisade
mercado,comoacimacitado,controledeprocessosindustriais,aplicaesclimticas,e
identificaodefraudedecartodecrdito.UmbancoamericanochamadoMellonBank
instalouumsistemadedetecodefraudesdecartodecrditoimplementadocomtcnicasde
redesneuraiseosprejuzosevitadospelonovosistemaconseguiramcobrirosgastosde
instalaoemseismeses.Vriosoutrosbancoscomeamautilizarsistemasbaseadosemredes
neuraisparacontrolarfraudesdecartodecrdito.Estessistemastmacapacidadede
reconhecerusofraudulentocombasenospadrescriadosnopassadocomumaprecisomelhor
queemoutrossistemas.
Outroexemplodautilizaoderedesneuraisparamelhorianatomadadedecisesno
diagnsticomdico.Emseuaprendizado,sosubmetidosumasriedediagnsticosdepacientes,
devriascaractersticas,comvriossintomaseosresultadosdeseustestes.Tambmsero
fornecidososdiagnsticosmdicosparacadadoena.Entoquandoforemapresentadosos
dadosdeumnovopaciente,comseussintomas,aredefornecerumdiagnsticoparaosnovos
casos.Istoessencialmentecriarumsistemacomoconhecimentodevriosmdicos,efornecer
umdiagnsticoinicialemtemporealummdico.importantemencionarquecomissooque
sepretendeimplementarumaferramentadeauxlioaomdico,enoumprogramaqueo
substitua.

Outrasaplicaes:
anliseeprocessamentodesinais
controledeprocessos
robtica
classificaodedados
reconhecimentodepadresemlinhasdemontagem
filtroscontrarudoseletrnicos
anlisedeimagens
anlisedevoz
avaliaodecrdito
anlisedearomaeodorumprojetoqueestemdesenvolvimento,buscandoaanlisede
odorvianarizeletrnico
anliseediagnsticodedescargasparciaispeloreconhecimentodopadroacsticotrata
sedeumatesedemestradocujoobjetivocriarumsistemacomcapacidadesdeclassificar
opadroacsticodeumadescargaparcial
Paraestasemuitasoutrasaplicaesexistempginasrelacionadasemlinksparaoutrossites
relacionados,inclusivecomalgunssimuladores,elistagensdeprogramasfontes.

PorqueutilizarRedesNeurais?
Deacordocomdiversasestruturasneuraisealgoritmosdeaprendizagempropostospor
vriospesquisadores,redesneuraispossuemcertascaractersticasexclusivasdesistemas
biolgicos.Taiscaractersticasentramemconflitocomostradicionaismtodoscomputacionais.
Sistemasdecomputaobaseadosemredesneuraistemacapacidadedereceberaomesmo
tempovriasentradasedistribulasdemaneiraorganizada.Geralmente,asinformaes
armazenadasporumaredeneuralcompartilhadaportodasassuasunidadesdeprocessamento.
Caractersticaquecontrastacomosatuaisesquemasdememria,ondeainformaofica
confinadaemumdeterminadoendereo.
Emumsistemaderedeneural,ainformaopodeparecerterrepresentaoredundante,
porm,ofatodequeelaseencontredistribudaportodososelementosdaredesignificaque
mesmoquepartedaredesejadestruda,ainformaocontidanestaparteaindaestarpresente
narede,epoderserrecuperada.Portanto,aredundncianarepresentaodeinformaesem
umaredeneural,diferentedeoutrossistemas,transformaseemumavantagem,quetornao
sistematoleranteafalhas.Osatributosdeumaredeneural,taiscomoaprenderatravsde
exemplos,generalizaesredundantes,etolernciaafalhas,proporcionamfortesincentivospara
aescolhaderedesneuraiscomoumaescolhaapropriadaparaaproximaoparaamodelagemde

sistemasbiolgicos.Todoopotencialdeumaredeneuralpodeserenumeradonospargrafos
seguintes.
Omodeloderedeneuraltemmuitosneurniosconectadosporpesoscomcapacidadede
adaptaoquequepodemserarranjadosemumaestruturaparalela.Porcausadesteparalelismo,
afalhadealgunsnuronsnocausamefeitossignificantesparaaperformancedetodoosistema,
oquechamadodetolernciaafalhas.
Aprincipalforanaestruturaderedesneuraisresideemsuahabilidadesdeadaptaoe
aprendizagem.Ahabilidadedeadaptaoeaprendizagempeloambientesignificaquemodelos
deredesneuraispodemlidarcomdadosimprecisosesituaesnototalmentedefinidas.Uma
redetreinadademaneirarazoveltemahabilidadedegeneralizarquandoapresentada
entradasquenoestopresentesemdadosjconhecidosporela.
Acaractersticamaissignificantederedesneuraisestemsuahabilidadedeaproximar
qualquerfunocontinuanolineardeumgraudecorreodesejado.Estahabilidadedasredes
neuraisastemtornadotilparamodelarsistemasnolinearesnacombinaodecontroladores
nolineares.
RedesNeuraispodemtervriasentradasevriassadas,elessofacilmenteaplicveis
sistemascommuitasvariveis.
Comoavanoemtecnologiasdehardware,existemcomponentescomfunesvoltadas
sistemascomimplementaesvoltadaspararedesneurais,oquetrazumavelocidadeadicional
computaoneural.

Arquivosparadownload

NeuroimitatorV3.1paraWindows3.1daNeuromaRDLtd:Ferramentaquepermite
pesquisadoresconstruirumaarquiteturaarbitrriaderedeneuraledecidirparmetrosde
neurniosenvolvidoseconexessinpticas.
Downloaddaverso3.1demoparaWindows3.1(325K).
DownloaddabibliotecaMFC250.DLLparaWindows3.1(175K).
EstabibliotecanecessriaparaofuncionamentodoNeuroimitator.Verifiquesevocjnoo
possuiemseusubdiretrioSystemdeseuWindows.
NeuroSolutionsDemov3.0:UmambientedesimulaoorientadoaobjetoparaRedesNeurais
paraestudosdesistemasdistribudoscomplexosdifceisdeseremestudadosapenasnateoria.
Suasferramentasdevizualizaopermitemqueousurioverifiqueocomportamentodarede
semquesejanecessrioesperaratofimdeseutreinamento,almdepermitirqueparmetros
sejamalteradosduranteaexecuodamesma.

DownloadVersoDemodoArquivo#1(1.0M).
DownloadVersoDemodoArquivo#2(1.3M).
Instruesparainstalao:
Copiens2demo1.zipens2demo2.zipparaseudiscorgido
Vparaodiretrioondeestoosarquivoscopiados
Digite:"mddisk1"
Digite:"pkunzipns2demo1.zipdisk1"
Digite:"mkdirdisk2"
Digite:"pkunzipns2demo2.zipdisk2"
InicieoWindows.
ApartirdoGerenciadordeArquivoslocalizeoarquivo"disk1\setup.exe"
Duploclicknestearquivo.
AppletsforNeuralNetworksandArtificialLife.
Diversosaplicativosemjavacomarquivosparadownloadcommanual,cdigofonte,
documentaoeinstruesdeinstalao.

Linksparaoutrossitesrelacionados

AnIntroductionToNeuralNetworksUmapginaqueexplicaoqueumaredeneurale
porqueutilizarumaredeneural,tendotambmclassesdetreinamento.Possuiumexemplo
prticodaaplicaoderedesneuraisevriosoutrosartigosdeprojetosondeseaplicamredes
neurais.
NeuralNetworkFAQEstesiteumftpquetemumasriedeFAQs(naverdadesosete)que
conseguemabordardesdeomaisbsicopontodasredesneuraisatlivrossobreoassunto,e
tambmlinksparasoftwaressharewaresdeaplicaesqueutilizamredesneurais.visualizvel
pelobrowsercomoumapginanormaldeweb.
AttrasoftPginadaAttrasoft,empresaproduzsoftwarequeutilizamredesneuraispara
soluodeproblemas,taiscomoosmencionadosem"Aplicaesderedesneurais.Apresenta
aindadocumentaodasetapasdeexecuodosprogramasealgumasversesdemos.
AmsterdanUniversitySitedaUniversidadedeAmsterdancomtextosparadownload.

ArtificialNeuralNetworks&ComputationBrainTheoryGroupPginadogrupodeestudos
daIllinoisUniversity.Contmlinksparagruposdediscusso,pginasdeprofessoresealunosdo
grupoquedesenvolvempesquisasouprojetosnarea,einformaessobreeventosdareade
intelignciaartificial.
SimuladoresderedesneuraisPginaquetrazocdigofonteemlinguagemCdevrios
simuladoresderedesneuraisdeacordocomdiferentesmodelos(Adaline,Hopfield,...).
SpiderwebPaginacomimplementaesdeRNA&acutesemC++eumabibliotecageralpara
projetoeimplementaoderedesneuraisartificiais.
BogaziiUniversityPginasobreolaboratriodeRedesNeuraisUniversidadedeBogazii
naTurquia.Possuimeiodecontatocomprofessoreseadministradores,einformaessobre
eventosrealizadospelauniversidade.
PostechNNLabHomepagedeumlaboratrioderedesneuraisnaKoreacominformaes
sobreseusmembros,projetos,ealgunsartigosrelacionadosredesneurais.
JornaldoInstitutodeTecnologiadeMassashussettsSitedojornaldoMITquetraznovidades
sobreredesneurais.
SoftwaresdeRedesNeuraisSoftwaresparaaprendizagemsupervisionada,reconhecimento
depadres,distribuioinvariante,sistemasfinanceiroseinvestimentos.
FacedetectionusingNeuralNetworksPginaquecontmumaaplicaoderedesneurais,
pormeiodedownload.
ColeodearquivosFTPsobreredesneurais
NeuralNetworkatyouFingertipsSitequeoferecealgunstiposderedesneurais,enfatizando
suautilizaoemsituaesreaisecomodadoorelacionamentoentreteoriaeprtica.
ArtificialIntelligenceandNeuralNetworks.Umapginacomvrioslinksparavriosoutros
sitesimportantessobreRedesNeurais.
NeuralNetworksGroupatLPI.SitedogrupodeRedesNeuraisdoInstitutodeFsicade
Lebedev,pesquisas,projetos,pessoal....
BiblioNeuralNetworkCentraldepesquisas,ondepodemserencontradoslivros,pesquisas,
confernciaseartigosqueenvolvemredesneurais.
AustrianResearchInstituteforArtificialIntelligencePginacriadaporumgrupodepesquisa
australiano,ondepodeserencontradoinformaessobrepesquisas,projetos,publicaes,entre
outros.
NeuralNetworkToolboxforMatlabPginasobreumambienteparaconstruo,pesquisae
simulaoderedesneuraisutilizandoMatlab.
NeuralNetworkUsingGeneticAlgorithmsPginasobreautilizaoderedesneuraisem
conjuntocomAlgortmosGenticosemumprojetoreferenteaprendizagem.
ArtificialNeuralNetworkPginaquecontmtodososprincipaistpicosrelacionadosredes
neurais,desdedefiniesataplicaeseprojetos.

JavaDemonstrationsofNeuralNetConceptsPginaquecontmvriosprogramasque
utilizamousimulampropriedadesefuncionametoderedesneuraisemJava.
NeuralNetworkwithJavaPginasobreumprojetoquerelacionacomponentesdeRedes
NeuraisemestruturasdeclassesorientadasaobjetoseJava.
ArtificialNeuralNetworksTechnologyEscritasobaformadelivro,estesitepossuitpicos
queabrangemtodosouquasetodosostensreferentesRedesNeurais.
NeuralNetworkAtPNNLHomePageatPacificNorthwestNatinalLaboratory,contm
informaesgeraissobreredesneurais,aplicaesinternasPNNL,atividadescorrentesna
WWW,linksparavriosdemosonline,entreoutras.
NeuralNetworksOverviewPginaqueofereceumavisogeralderedesneuraisatravsde
slides,linksparaartigos,pacotesdesoftware,exemplos,implementaesdehardware.
NeuralNetworksBookmarksPginacontendoapenaslinkssobreredesneurais,laboratrios,
pesquisas,livroseconferencias.
ElsonFelixMendesFilhoPaginapessoaldomestreemCienciadaComputaocomenfase
emRedesNeuraisArtificiaspelaUniversidadedeSoPauloquecontminformaesgerais
sobreRedesNeuraiseAlgortmosGenticos.

Consideraesfinais:

Apesardaneurocomputaoterpraticamentenascidojuntamentecomacomputao
programadanasdcadasde40e50,devesesalientarqueaimplementaodeumaredeneural
naquelapocaerainvivel,poisafasedeaprendizado,afasemaisdifciledemoradano
desenvolvimentodeumarede,dependia(eaindadepende)decomplicadosalgortmosedeum
nmerograndedeiteraes,algoqueumENIACem1946noteriatantadisposiodefazlo.
Hoje,comatecnologiadoschipsVLSI,aimplementaodasredesneuraistemsidofacilitada.
Todasasinformaesaquiexpostasnoslevamacrerqueocampoderedesneurais
artificiaisacimadetudoextremamentevastoepromissor.Porserumassuntoquesurgiua
muitotempoatrs,ganhoumuitacredibilidade,edevidonovasdescobertasrelacionadasaelaa
cadainstante,tornousebastanteatrativoparaprofissionaisdedomniosdistintos,tornandose
umassuntointerdisciplinar.Osconhecimentosobtidosathojeatraemointeressede
profissionaistaiscomopsicologos,neurofisiologistas,engenheiros,cientistascognitivos,e
cientistasdacomputao,quebuscam,cadaumemsuarea,novoscaminhosatravsda

computaoneural.

RefernciasBibliogrficas
Filho,EdsonCostadeBarrosCarvalho.,Modelagem,AplicaeseImplementaesde
redesNeurais.AnaisdaIVEscolaRegionaldeInformticadaSBCRegionalSul,21a27
deabrilde1996.Pginas3653.
Barreto,JorgeM.,IntroduosRedesNeuraisArtificiais.AnaisVEscolaRegionalde
InformticadaSBCRegionalSul,5a10demaiode1997.Pginas4171.
Gorni,AntnioAugusto,RedesNeuraisArtificiaisUmaAbordagemrevolucionriaem
IntelignciaArtificial.RevistaMicroSistemasedio133pginas14a25eedio134
pginas14a17,AnoXII
Gupta,MadanM.eRao,DandinaH.NeuroControlSystems.Umvolumeselecionado
reeditado.IEEENeuralNetworksCouncil,Sponsor.
Yoshida,KeilaM.RedesNeuraisesuasaplicaesemIntelignciaArtificial.Trabalhode
graduaode1996
Kovcs,ZsoltL.redesNeuraisArtificias.Segundaedio,editoraCollegiumCognitio,
1996
HechtNielsen,RobertNeurocomputing.HNC,Inc.andUniversityofCalifornia,San
Diego.
Freeman,JamesA./Skapura,DavidM.,NeuralNetworksAlgorithms,Aplicationsand
ProgrammingTechniques.LoralSpaceInformationSystemsandAdjunctFaculty,School
ofNaturalandAppliedSciencesUniversityofHoustonatClearLake.
Demaisrefernciasbibliogrficas,videpginaLinksparaoutrossites.