Академический Документы
Профессиональный Документы
Культура Документы
1. Introdução
2. Histórico
3. Características Básicas de RNAs
4. Aplicações
5. Classificação e Modelos de RNAs
Introdução
As Redes Neurais Artificiais (RNAs) consistem num método de solucionar
problemas de iA através de um sistema que tenha:
i. Circuitos que simulem o cérebro humano (inclusive seu
comportamento);
ii. Capacidade de aprendizado (errando e fazendo descobertas).
Histórico
• 1943 – MacCulloch e Pitts realizam o primeiro trabalho sobre Redes
Neurais Artificiais, analisando o comportamento do neurônio biológico,
buscando um modelo matemático para ele. Conclusões importantes:
Histórico
• 1949 – Donald O. Hebb, em seu livro The Organization of the Behavior
definiu o conceito de atualização de pesos sinápticos em quatro pontos:
i. Numa rede neural, a informação é armazenada nos pesos;
ii. O coeficiente de aprendizagem é proporcional ao produto dos
valores de ativação do neurônio;
iii. Os pesos são simétricos (o peso da conexão de A para B é igual ao
da de B para A);
iv. Quando ocorre aprendizado, os pesos são alterados.
Histórico
Conceito de Pesos
Histórico
• 1958 – Frank Rosenblatt desenvolve o primeiro modelo de rede neural,
chamado perceptron.
i. Rede neural simples.
ii. Possui uma camada de entrada e uma
camada de saída.
iii. Cada entrada possui um peso
relacionado.
iv. A saída se dá pela soma dos produtos
de cada entrada pelo seu respectivo
peso.
v. Necessário definir uma função limiar
para ativação ou repouso do neurônio.
Histórico
Histórico
• 1969 – Marvin Minsky e Seymour Papert
escrevem o livro Perceptrons criticando este modelo
de rede neural.
i. Os autores mostram que uma rede neural
perceptron, com apenas uma camada, não
simula sequer o comportamento de uma
função XOR.
ii. A crítica inicia o período chamado de anos
negros para o estudo das redes neurais.
Histórico
• 1972 – Teuvo Kohonen definiu um novo modelo de RN, chamado
mapa auto-organizável de características.
i. Não era limitado a valores binários.
ii. As entradas, pesos e saídas, poderiam ser contínuos.
iii. Não há apenas um neurônio responsável pela representação do
padrão de entrada.
iv. Um conjunto de neurônios
que interagem entre si, são
responsáveis pela representação do
padrão de entrada.
Histórico
• 1982 – John Hopfield desenvolve o modelo de
Hopfield.
i. Utiliza feedback.
ii. Dificilmente chegam a um estado instável.
iii. Pode ser comparada a um modelo físico:
i. Cada troca de estado, a energia diminui;
ii. O aprendizado chega ao fim quando a
energia está minimizada.
Histórico
• 1986 – Rumelhart, Hinton, & Williams provam a validade do
perceptron através do modelo backpropagation.
Conexões
RNAs são equivalentes a grafos orientados (dígrafos).
i. Possuem arestas (conexões) entre nodos (elementos de
processamento) com um só sentido.
ii. A informação flui numa direção definida.
iii. Cada aresta (conexão) possui um peso.
iv. Os pesos são os responsáveis pela memorização do padrão, pois
são ajustados durante o aprendizado.
v. Conexões definem tanto o fluxo da informação quanto a
modulação da informação que é passada ao nodo seguinte.
vi. Conexões com pesos positivos, são excitatórios.
vii. Conexões com pesos negativos, são inibitórios.
viii. Conexões com peso = 0, são nulas.
Conexões
Elementos de Processamento
Também chamados de neurônios ou neuronodos, realizam todo o
processamento.
i. Recebe apenas um valor do padrão de entrada correspondente.
ii. Possui conexão com os neurônios das camadas seguintes.
iii. Recebe a informação que lhe é enviada e produz um único valor
de saída.
iv. Deve possuir as seguintes qualidades:
i. Necessitam de apenas informações locais.
ii. A saída do elemento de processamento é função dos pesos e
das entradas.
iii. Produzem apenas um valor de saída, propagando este
ao longo da rede.
Universidade Paulista © Prof. Felipe Gurgel
Redes Neurais Características Básicas
Elementos de Processamento
Matematicamente, temos:
Onde e δ são os valores que valerão para f(x) caso x ultrapasse ou não o
limiar θ.
Aplicações
São inúmeras as possibilidades de aplicação de Redes Neurais. As principais
são:
i. Reconhecimento da fala;
ii. Diagnóstico médico;
iii. Análise e processamento de sinais;
iv. Controle de processos;
v. Robótica;
vi. Identificação de sinais de radar;
vii. Mercado financeiro;
viii. Composição musical.
Modelos de RNAs
Os modelos mais comuns de RNAs podem ser classificados através do(a):
i. Tipo de entradas;
ii. Forma de conexão;
iii. Tipo de aprendizado.