Академический Документы
Профессиональный Документы
Культура Документы
3gwga@hotmail.com
Resumo— Este documento apresenta uma proposta de solução sendo a estrutura de dados que representa o neurônio junto à
para um problema de classificação de solos com o objetivo de sua função de ativação, que é responsável pelo cálculo
encontrar a aptidão agrícola do mesmo, apresentando algumas matemático dos inputs.
funcionalidades como estimativa de lucros a partir da
potencialidade do solo para uma determinada cultura que seja 3) Axônio: Responsável por fazer a transmissão do sinal
apta a ser implantada neste. Baseando-se em uma técnica de de um neurônio para outro, no caso dos artificiais, a conexão de
Inteligência artificial junto às redes neurais artificiais output com outros neurônios.
denominada Multilayer Perceptron e uma breve análise de
mercado sobre o assunto. 4) Sinapse: Não é de fato uma parte do neurônio, mas o
produto deste, sendo biologicamente um estímulo elétrico e
Palavras Chave— Inteligência artificial, Redes Neurais
matematicamente o resultado numérico das chamadas funções
Artificiais, Multilayer Perceptron, Aptidão agrícola. de ativação (𝑓(𝑎) ou também 𝛴).
I. INTRODUÇÃO
Redes Neurais artificiais consistem em técnicas
computacionais baseadas em modelos matemáticos
os quais se espelham no comportamento de
indivíduos que possuem inteligência. Dentre as
técnicas existentes iremos abordar sobre a Multilayer
Perceptron que é definida como sistemas inspirados
em neurônios biológicos e em seu comportamento
junto ao cérebro, com a capacidade de adquirir,
armazenar e utilizar conhecimento por meio de Fig. 1 Representação de um neurônio artificial [6]
experimentos [1].
O problema aqui descrito consiste em apresentar
informações obtidas de um determinado solo, as As Redes Neurais Artificiais (RNAs) são
quais sofrerão um processo de normalização e construídas por meio da união de múltiplos
seleção e em seguida às apresentando ao software neurônios, sendo estes através da combinação em
construído tendo a capacidade de inferir resultados camadas ou de forma autônoma. Os RNAs por
relacionados à aptidão agrícola do solo em questão. padrão, passam por um procedimento de ajuste,
chamado de fase de aprendizado ou treinamento,
II. REDES NEURAIS ARTIFICIAIS onde a rede usa um algoritmo determinado
Uma rede neural artificial é baseada em métodos previamente, em nosso caso o backpropagation, para
matemáticos que simulam a função de uma rede adquirir conhecimento com base em dados
neural biológica, absorvendo conhecimento através fornecidos à mesma [3].
de experiências realizadas, porém por meio da A fase de aprendizado cria dois paradigmas de
interconexão de neurônios artificiais. Neurônios classificação das RNAs:
artificiais, de forma análoga são inspirados em
neurônios biológicos e representados através de
modelos matemáticos. Os principais componentes A. Aprendizado Supervisionado
que podem conter em um neurônio biológico e suas
representações artificiais podem ser sucintamente É utilizado um fator externo, onde é indicado a
apresentados como: rede a resposta desejada para a entrada padrão, ou
seja, o algoritmo de aprendizado utiliza as
1) Dendritos: Responsável por receber os sinais
transmitidos de outros neurônios, sendo a representação dos informações externas cedidas para ajustar suas
inputs de cada neurônio artificial. classificações até que a mesma esteja considerável
ou aconteça alguma outra condição de parada, ao
2) Corpo Central: Responsável por combinar as
informações vindas de outros neurônios, computacionalmente exemplo da quantidade de interações [3].
B. Aprendizado Não Supervisionado Existem diversos fatores que influenciam no destino
Usa o conceito da auto-organização. É quando não dado a uma determinada área, Relevo e Geologia,
existe um fator externo para indicar a rede a resposta Solos, Vegetação, Clima e Hidrografia [3]. Fatores
desejada para a entrada padrão, ou seja, a rede deve sociais apesar de não encontrados em literatura
ser capaz de reconhecer os padrões e características tendem a ser influenciáveis.
de entrada para criar novos agrupamentos [3]. C. Influência econômica
Outro fator que tende a ser pertinente, é uma forma
de se ter noção do preço pago pelo produto de acordo
III. MULTILAYER PERCEPTRON com o tempo de colheita deste. Um exemplo de
Nas redes Perceptron Multicamadas (Multilayer simples entendimento pode ser descrito a seguir.
Perceptron - MLP) os neurônios são dispostos em Supondo que um determinado terreno possui
camadas, as quais tendo quantidades variadas de condições as quais minimizem os custos de
neurônios. A primeira camada é comumente implantação de duas determinadas culturas
chamada camada de entrada, a última sendo a quaisquer A e B, sendo ambos custos muito
camada de saída e as demais (caso haja) comumente parecidos, neste caso como tomar a decisão correta?.
denominadas camadas internas (Hidden Layer). Na Uma solução, estimar o valor dos produtos
implementação de uma MLP os neurônios possuem provenientes das culturas A e B, em um cenário onde
apenas ligação com neurônios de camadas o preço pago pelo produto final da cultura B é X
adjacentes, às anteriores fornecem as entradas, e as vezes maior que o da cultura A, é fácil ver que se
seguintes recebem o sinal produzido. Considerando torna preferível a implantação da cultura B.
uma MLP com K camadas onde cada uma destas Deste modo, a partir de análises estatísticas sobre
possui 1 ≤ 𝑁 ≤ 𝛺 neurônios, os sinais preços anteriores, área produtiva atual e outros
propagados pelos N neurônios de cada camada Ki fatores pode ser possível estimar valores de comércio
são dispostos como entradas para cada neurônio da dos produtos finais, seguindo seus respectivos
camada Ki + 1 [1]. tempos de colheita.
D. Aplicação Alternativa
Em contato com Ivoney Gontijo, Professor
Adjunto I da Universidade Federal do Espírito Santo,
foi possível observar uma aplicação que tende a ser
interessante, diz respeito a uma avaliação de
rentabilidade de um dado terreno, por exemplo
quando um banco realiza empréstimos a um produtor
rural, deve ser realizado uma prévia análise do
potencial econômico desta área a fim de se ter
garantias para o banco.
Fig. 2 Representação de uma Multi Layer Perceptron [4]
propagados até a camada de saída, este não se [7] BUCENE, Luciana C. e RODRIGUES, Luiz H. A.. Utilização de redes
neurais artificiais para avaliação de produtividade do solo, visando
mostrou muito eficiente em relação à somente classificação de terras para irrigação. Rev. bras. eng. agríc.
ambient.[online]. 2004, vol.8, n.2-3, pp.326-329. ISSN 1415-4366.
quantidade de ciclos. http://dx.doi.org/10.1590/S1415-43662004000200025.
VIII. PONTOS POSITIVOS E NEGATIVOS ENCONTRADOS [8] Ariangelo Hauer Dias, Ivo Mário Mathias, Marco Antônio Biaggioni,
Ângelo catâneo, Andréa Regina Paes, Maura Seiko Tsutsui Esperancini,
As principais dificuldades encontradas na Jorim Sousa das virgens Filho. Avaliação econômica do ciclo produtivo
da laranja através de redes neurais artificiais. (2004) Bauru, SP.
realização deste trabalho estão ligadas a obtenção de
dados para treinos e testes da rede neural, em contato
com profissionais da área será possível a longo prazo
obter estes. Outro ponto bastante difícil é a escolha
dos parâmetros que dizem respeito ao
funcionamento interno da rede, como número de
camadas e suas respectivas quantidades de
neurônios.
Como pontos positivos destaca-se a tendência
desta solução apresentada no decorrer do texto ser
implementável e de fato usual, mesmo ainda não se
tendo certezas sobre estas afirmações.
Principalmente pelo fato de se encontrar poucos
trabalhos realizados na área, abrindo espaço para o
desenvolvimento desta. E sem dúvida o aprendizado
de criar uma rede neural artificial ainda que simples,
porém de forma independente com os
conhecimentos adquiridos em sala de aula na
disciplina de Inteligência Artificial (2017/1)
ministradas pelo Professor Dr. Luís Otávio Rigo,
Adjunto à Universidade Federal do Espírito Santo.
IX. CONCLUSÃO
De forma geral pode se concluir a potencialidade
apresentada neste texto que em conjunto da técnica
de aprendizagem de máquina descrita pode obter
bons resultados, lembrando que os testes foram
realizados em um conjunto de dados que não
pertence ao domínio do problema, ficando
encarregados de testar a potencialidade da rede
construída, mas que podem ser aplicados a partir do
momento que estes dados sejam disponibilizados. E
a viabilidade do projeto se tende a ser real abrindo
espaço para a implementação da mesma.
REFERENCIAS
[1] (2017) The Sites Google Prof. Luís O. Rigo. [Online]. Disponível em:
https://sites.google.com/view/luisrigo/disciplinas/inteligência-artificial/