Академический Документы
Профессиональный Документы
Культура Документы
CONTEDO
Introduo
Motivao, Objetivo, Definio, Caractersticas Bsicas e Histrico
Conceitos Bsicos
Neurnio Artificial, Modos de Interconexo
Processamento Neural
Recall e Learning
Regras de Aprendizado
Regra de Hebb, Perceptron, Back Propagation, Hopfield, Competitive Learning, RBF, etc.
MOTIVAO
Constatao que o crebro processa informaes de forma diferente dos computadores convencionais CREBRO velocidade 1 milho de vezes mais lenta que qualquer gate digital processamento extremamente rpido no reconhecimento de padres COMPUTADOR processamento extremamente rpido e preciso na execuo de seqncia de instrues muito mais lento no reconhecimento de padres
MOTIVAO
Observaes:
O crebro tem 10 bilhes de neurnios. Cada neurnio tem 1.000 a 10.000 conexes 60 trilhes de conexes - 1014 sinapses! sinapses Cada pessoa pode dedicar 100.000 conexes para armazenar cada segundo de experincia
(65 anos 2.000.000.000 de segundos!)
CONTEDO
Introduo
Motivao, Objetivo, Definio, Caractersticas Bsicas e Histrico
Conceitos Bsicos
Neurnio Artificial, Modos de Interconexo
Processamento Neural
Recall e Learning
Regras de Aprendizado
Regra de Hebb, Perceptron, Back Propagation, Hopfield, Competitive Learning, RBF, etc.
OBJETIVO
DEFINIO
Redes Neurais Artificiais so sistemas inspirados nos neurnios biolgicos e na estrutura massivamente paralela do crebro, com capacidade de adquirir, adquirir armazenar e utilizar conhecimento experimental.
Estudar a teoria e a implementao de sistemas massivamente paralelos, que paralelos possam processar informaes com eficincia comparvel ao crebro.
IDIA BSICA
Sistemas compostos de diversas unidades simples (neurnios artificiais) ligadas de maneira apropriada, podem gerar comportamentos interessantes e complexos. complexos. Comportamento determinado pela estrutura das ligaes (topologia) e (topologia) pelos valores das conexes (pesos sinpticos) sinpticos)
Algoritmos: Substituem a programao necessria para a execuo das tarefas nos computadores
APLICAES GERAIS
Reconhecimento de Padres Classificao de Padres Correo de Padres Previso de Sries Temporais Aproximao de Funes Suporte Deciso Gerao de Informao Descoberta de Conhecimento
CONTEDO
Introduo
Motivao, Objetivo, Definio, Caractersticas Bsicas e Histrico
Conceitos Bsicos
Neurnio Artificial, Modos de Interconexo
Processamento Neural
Recall e Learning
Regras de Aprendizado
Regra de Hebb, Perceptron, Back Propagation, Hopfield, Competitive Learning, RBF, etc.
Caractersticas Bsicas
Devido similaridade com a estrutura do crebro, as Redes Neurais exibem caractersticas similares ao do comportamento humano, tais como:
Caractersticas Bsicas
Procura Paralela e Endereamento pelo Contedo: Contedo: O crebro no possui endereo de memria e no procura a informao sequencialmente
Caractersticas Bsicas
Aprendizado: Aprendizado: A rede aprende por experincia, no experincia necessitando explicitar os algoritmos para executar uma determinada tarefa
Caractersticas Bsicas
Associao: Associao: A rede capaz de fazer associaes entre padres diferentes
Caractersticas Bsicas
Associao: Associao: A rede capaz de fazer associaes entre padres diferentes Ex: Foto Sintomas Leitura de Sensores Pessoa Doena Falha
Caractersticas Bsicas
Generalizao: Generalizao: Redes Neurais so capazes de generalizar o seu conhecimento a partir de exemplos anteriores Habilidade de lidar com rudos e distores, ru distor es respondendo corretamente a padres novos.
Caractersticas Bsicas
Abstrao: Abstrao: Capacidade de abstrair a essncia de um conjunto de entradas, isto , a partir de entradas padres ruidosos, extrair a informao do padro sem rudo.
Caractersticas Bsicas
Robustez e Degradao Gradual: Gradual: A perda de um conjunto de elementos processadores e/ou conexes sinpticas no causa o mal funcionamento da rede neural.
CONTEDO
Introduo
Motivao, Objetivo, Definio, Caractersticas Bsicas e Histrico
EVOLUO
McCulloch & Pitts (Mathematical Bio-Physics, Vol. 5, 1943), A Logical Calculus of Ideas Immanent in Nervous Activity
Von Neumann Machine Intelligence 1945 Digital Computers 1950 1960 1970 Marvin Minsky Macroscopic Intelligence Frank Rosenblatt Microscopic Intelligence
Conceitos Bsicos
Neurnio Artificial, Modos de Interconexo
Processamento Neural
Recall e Learning
Regras de Aprendizado
Regra de Hebb, Perceptron, Back Propagation, Hopfield, Competitive Learning, RBF, etc.
Mainframes Vax 780 (Time Sharing) 1980 Workstations, Commercialization Rumelhart, PCs of E.S. Hopfield 1990 Desktop Commercialization Supercomputers of N.N.
Perceptron, Adaline
EVOLUO
Modelo de McCulloch-Pitts: McCulloch- Pitts:
Entradas Entradas (valores 0,1) (valores 0,1) x1 x2 xn w1 w2 T wn
wi = + 1 -
EVOLUO
Modelo de McCulloch-Pitts: McCulloch- Pitts:
x1 -1 x2 s x3 -1 T=0 -1 T=0 T=0 1 1 1 T=1
NAND __ NAND __ A B AB A B AB 0 0 1 0 0 1 0 1 1 0 1 1 1 0 1 1 0 1 1 1 0 1 1 0
x1 s x2 x3
1 1 1 T=1 -1 T=0
NOR ___ NOR ___ A B A+B A B A+B 0 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 0 1 1 0 1 1 0
i = 1,2,..., n
n n
T <T
entrada excitatria
1 -1
T=1
sk+1 = xk
Clula de Memria Clula de Memria na ausncia de entradas, na ausncia de entradas, a sada armazenada a sada armazenada indefinidamente indefinidamente
entrada inibitria
HISTRICO
McCulloch & Pitts (1943):
modelo computacional para o neurnio artificial. No possua capacidade de aprendizado
CONTEDO
Introduo
Motivao, Objetivo, Definio, Caractersticas Bsicas e Histrico
Hebb (1949):
modelo de aprendizado (Hebbian Learning Rule). Rule).
Rosenblatt (1957):
modelo Perceptron, com grande sucesso em certas aplicaes e problemas em outras aparentemente similares.
Conceitos Bsicos
Neurnio Artificial, Modos de Interconexo
Processamento Neural
Recall e Learning
Regras de Aprendizado
Regra de Hebb, Perceptron, Back Propagation, Hopfield, Competitive Learning, RBF, etc.
CONCEITOS BSICOS
Neurnio Artificial
(Elemento Processador)
Elemento Processador
Elemento Processador inspirado no Neurnio Biolgico
Estruturas de Interconexo
FeedForward de 1 camada FeedForward de Mltiplas Camadas Recorrente (com realimentao)
neti
Squashing Function
f (neti)
Elementos Bsicos
Estado de Ativao sj Conexes entre Processadores
a cada conexo existe um peso sinptico que determina o efeito da entrada sobre o processador wji
Funes de Ativao
a funo que determina o nvel de ativao do Neurnio Artificial: sj = F(netj)
F(netj) F(netj) F(netj)
Funo de Ativao
determina o novo valor do Estado de Ativao do processador sj = F (netj)
netj netj netj
Degrau
Pseudo-Linear Pseudo-
Sigmoid
Tipos de Processadores
Recebe os dados de entrada
Neurnio Artificial
3 pontos importantes:
bias
Neurnio Artificial
Em funo das equaes de net e F(net):
y y = F(net) = 1 1 + e -(w0 + x1w1 + x2w2)
x1
w1 w2
w0 net
F(net)
x1
no-linear
netj
threshold
x2
Exemplos
Regresso Linear:
y = a0 + a1x1 + a2x2 + a3x3
Variveis explicativas
Exemplos
Transformada de Fourier:
y = a0 + a1sen(wt + 1) + a2sen(2wt + 2) + a3sen(3wt + 3) + ...
1 a0 a1 a2 a3 3w
Acha a reta com erro mnimo que passe pelos pontos existentes (padres de treinamento)
+1
Representao Neural
x1 x2 x3 a2 a1
Bias = +1 a0
Funo linear
Representao Neural
(bias) w
3 2w
y
Funo Linear
t
(tempo)
a3
CONCEITOS BSICOS
Neurnio Artificial
(Elemento Processador)
Estruturas de Interconexo
FeedForward de 1 camada FeedForward de Mltiplas Camadas Recorrente (com realimentao)
Redes Feed-Forward
Redes de uma camada
PE1 PE2 PE3
Redes Feed-Forward
Rede de Mltiplas Camadas
Camada Intermediria (Escondida) PE1 PE1 PE2 PE2 PE3 PEm Camada de Sada
PEn
PEn
10
w w w
H1
w w w
O1
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w w
w w w
w w w
w w w
O2
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Exemplo 2: Previso
Srie temporal janela
w w w
H1
w w w
O1
w
I2
w
H2
w w w
w w w
O2
Entradas da rede
O3
Dados de Treinamento
I3
w w Pesos
H3
w w Pesos
Entrada
Escondida
Sada
11
Exemplo 2: Previso
Srie temporal janela previsto
Redes Recorrentes
Output
R e a l i m e n t a o
Entradas da rede
Input
Redes Recorrentes
Output
R e a l i m e n t a o R e a l i m e n t a o
Redes Recorrentes
Output
Input
12
Redes Recorrentes
Output
R e a l i m e n t a o R e a l i m e n t a o
Redes Recorrentes
Output
Redes Recorrentes
Output
R e a l i m e n t a o R e a l i m e n t a o
Redes Recorrentes
Output
13
Redes Recorrentes
Output
R e a l i m e n t a o R e a l i m e n t a o
Redes Recorrentes
Rede Convergiu para um estado estvel Output
Memria Autoassociativa
Exemplo 1:
Rede de 120 processadores
CONTEDO
Introduo
Motivao, Objetivo, Definio, Caractersticas Bsicas e Histrico
Conceitos Bsicos
Neurnio Artificial, Modos de Interconexo
Processamento Neural
Recall e Learning
Padro de entrada 1 ciclo 2 ciclo 3 ciclo - estvel -
Regras de Aprendizado
Regra de Hebb, Perceptron, Back Propagation, Hopfield, Competitive Learning, RBF, etc.
14
Processamento Neural
O processamento de uma Rede Neural pode ser dividido em duas fases:
Processo de atualizao dos pesos sinpticos para a aquisio do conhecimento - Aquisio da Informao Processo de clculo da sada da rede, dado um certo padro de entrada Recuperao da Informao
Aprendizado
Aprendizado
Processo pelo qual os parmetros livres pesos sinpticos - de uma rede neural so adaptados atravs de um processo contnuo de estimulao pelo ambiente. Existem 3 tipos bsicos de aprendizado:
Treinamento Supervisionado (TS); Treinamento No-Supervisionado; Reinforcement Learning.
Treinamento Supervisionado
A rede treinada atravs do fornecimento dos valores de entrada e de seus respectivos valores desejados de sada (training pair). sa
15
Treinamento Supervisionado
PADRO DE ENTRADA (X)
Treinamento Supervisionado
SADA (s)
e(t,s)
Treinamento Supervisionado
FUNES OBJETIVO: Genrica Sum of Squared Errors: Errors ESSE = p i (tpi - ypi)2
p = padres i = elemento processador de sada
Treinamento Supervisionado
FUNES OBJETIVO: Classificao Cross Entropy Error (logarithmic error): (logarithmic error) Elog = p i [ tpi ln ypi + (1 - tpi)ln(1 - ypi)]
p = padres i = elemento processador de sada
ypi
16
Treinamento No-Supervisionado
Self-Organization No requer o valor desejado de sada da rede. O sa sistema extrai as caractersticas do conjunto de padres, agrupando-os em classes inerentes aos dados. dados Aplicado a problemas de Clusterizao Clusterizao
Treinamento No-Supervisionado
PADRO DE ENTRADA (X)
SADA (s)
Treinamento No-Supervisionado
vetores de entrada vetores de pesos no instante t
Treinamento No-Supervisionado
vetores de entrada vetores de pesos no instante t vetores de pesos aps aprendizado
Topologia
w1
t
w 1t
Topologia
w1
t+n
w1t+n
w 1t
PE1
w2
t
x1 x2 x3
w 3t
s1 s2 s3
w 2t w 3t
PE1
w2
t+n
PE2 PE3
x1 x2 x3
s1 s2 s3
w 2t
w3t+n w 3t
PE2 PE3
w2t+n
w3t+n
17
Reinforcement Learning
Semelhante ao Treinamento Supervisionado (existe um objetivo); NO existe um target para cada padro; Existe uma realimentao (sinal de reforo) que avalia a resposta como boa ou ruim; O objetivo maximizar a quantidade de reforo positivo Ex. aprendizado de jogos, robs autmatos; .
Reinforcement Learning
Vetor de Estado
Ambiente
Crtico
Sinal de Reforo
Aes
O Sistema de Aprendizado aprende a realizar uma certa tarefa somente com base nos resultados de sua experincia com uma interao com o ambiente. ambiente
Sinal de Referncia d
Sinal de erro e
Entrada da Planta u
Sada da Planta y
+ -
Controlador
Planta
18
3 2 1
Brao Mecnico
Recuperao de Dados
das juntas
(1 2 3) ngulos
Rede Neural
(x,y)
Posio desejada
Recuperao de Dados
Assumindo que um conjunto de padres tenha sido armazenado, a Rede Neural armazenado pode executar as seguintes tarefas:
Auto-associao Hetero-associao Classificao Previso
Recuperao de Dados
Autoassociao: Autoassociao:
A Rede Neural recupera o padro armazenado mais semelhante ao padro de entrada apresentado. Recuperao de padres ruidosos
Padro de entrada distorcido Padro correto recuperado
GENERALIZAO
19
Recuperao de Dados
Autoassociao: Autoassociao:
A Rede Neural recupera o padro armazenado mais semelhante ao padro de entrada apresentado. Recuperao de padres ruidosos
Recuperao de Dados
Heteroassociao: Heteroassociao:
A Rede Neural armazena a associao entre Recuperao de um um par de padres. padro diferente do da entrada.
Padro de entrada com ou sem rudo Padro correto recuperado
Recuperao de Dados
Heteroassociao: Heteroassociao:
A Rede Neural mapeia um certo vetor de entrada em um padro de sada diferente.
Recuperao de Dados
Classificao:
A Rede Neural responde com a informao relativa classe (categoria) a qual o padro de entrada pertence (dentro de um conjunto de classes prdeterminado).
Caso especial de Heteroassociao (tambm chamado Pattern Recognition)
Classe 3 - (Quadrados)
20
Recuperao de Dados
Classificao:
A Rede Neural responde com a informao relativa classe (categoria) a qual o padro de entrada pertence (dentro de um conjunto de classes prdeterminado).
1 1 0 0 0 0
Recuperao de Dados
Previso:
O objetivo determinar qual ser o valor de uma determinada quantidade em um instante de tempo t0+k (k>0), utilizando dados medidos at o instante t0 inclusive.
f(x)
t0-n a t0 t > t0
t0-n t0
0 0
Recuperao de Dados
Previso:
O objetivo determinar qual ser o valor de uma determinada quantidade em um instante de tempo t0+k (k>0), utilizando dados medidos at o instante t0 inclusive.
f(x)
Recuperao de Dados
Previso:
O objetivo determinar qual ser o valor de uma determinada quantidade em um instante de tempo t0+k (k>0), utilizando dados medidos at o instante t0 inclusive.
f(x)
t0-n a t0 t > t0
t0-n t1
t0-n a t0 t > t0
21
Recuperao de Dados
Previso:
O objetivo determinar qual ser o valor de uma determinada quantidade em um instante de tempo t0+k (k>0), utilizando dados medidos at o instante t0 inclusive.
f(x)
Recuperao de Dados
Previso:
O objetivo determinar qual ser o valor de uma determinada quantidade em um instante de tempo t0+k (k>0), utilizando dados medidos at o instante t0 inclusive.
f(x)
t0-n a t0 t > t0
t0-n t1t2 t3
t0-n a t0 t > t0
t0+t
Recuperao de Dados
GENERALIZAO
A Rede Neural responde corretamente a um padro de entrada fora do conjunto de Interpola corretamente os novos treinamento
pontos apresentados
f(x)
Generalizao:
A Rede Neural responde corretamente a um padro de entrada fora do conjunto de treinamento .
x1
x2
x3
Xnovo x4
x5
22
Reconhecimento de Caracteres
Processo de Aprendizado
Atividade Neural
Alvo
w
I1
w w w
H1
w w w
O1
w
H1
w w
w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w w
w w w
w w
w w w
O2
I3
w w Pesos
H3
w w Pesos
O3
w
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
23
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Erro =
w
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
w
H1
w w w
O1
w w w
w w
O1
w w
H2 I2 O2
w
H2
w w
w w w
O2
I2
w w w
w w w
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
Pesos
H3
w w
Pesos
Entrada
Escondida
Sada
Entrada
Escondida
Sada
24
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Erro =
w
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
w
H1
w w w
w w
O1
w w w
O1
w w
H2 I2 O2
w
H2
w w
w w w
O2
I2
w w w
w w w
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
Pesos
H3
w w
Pesos
Entrada
Escondida
Sada
Entrada
Escondida
Sada
25
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Erro =
w
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
w
H1
w w w
w w
O1
w w w
O1
w w
H2 I2 O2
w
H2
w w
w w w
O2
I2
w w w
w w w
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
Pesos
H3
w w
Pesos
Entrada
Escondida
Sada
Entrada
Escondida
Sada
26
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
w
I1
Processo de Aprendizado
Atividade Neural
Alvo
w
I1
w
H1
w
H1
Erro =
O1
w w
w w
O1
w w w
w w
w w
H2 I2 O2
w
H2
w w
w w w
O2
I2
w w w
w w w
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
Pesos
H3
w w
Pesos
Entrada
Escondida
Sada
Entrada
Escondida
Sada
27
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Erro =
w
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
w
H1
w w w
w w
O1
w w w
O1
w w
H2 I2 O2
w
H2
w w
w w w
O2
I2
w w w
w w w
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
Pesos
H3
w w
Pesos
Entrada
Escondida
Sada
Entrada
Escondida
Sada
28
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Erro =
w
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
w
H1
w w w
w w
O1
w w w
O1
w w
H2 I2 O2
w
H2
w w
w w w
O2
I2
w w w
w w w
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
Pesos
H3
w w
Pesos
Entrada
Escondida
Sada
Entrada
Escondida
Sada
29
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
w
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
30
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w w
w w w
w w
w w w
O2
I3
w w Pesos
H3
w w Pesos
O3
w
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
Processo de Aprendizado
Atividade Neural
I1
Processo de Aprendizado
Atividade Neural
I1
Alvo
w w w
H1
Alvo
w w w
H1
w w w
O1
w w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w
w w w
w w w
w w w
O2
w
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
31
Processo de Generalizao
Atividade Neural w
I1
w
H1
Processo de Generalizao
Recuperao da Informao Aprendida
w w
w w
O1
w
I2
w
H2
w w w
w w w
O2
I3
w w Pesos
H3
w w Pesos
O3
Entrada
Escondida
Sada
Processo de Generalizao
Atividade Neural
I1
Processo de Generalizao
Atividade Neural w
I1
w w w
H1
w w w
O1
w
H1
w w
w w
O1
w
I2
w
H2
w
O2 I2
w
H2
w w w
w w w
w w w
w w w
O2
I3
w w Pesos
H3
w w Pesos
O3
I3
w w
H3
w w Pesos
O3
Entrada
Escondida
Sada
Sada
32
janela
Dados de Treinamento
Processo de Aprendizado
Srie temporal alvo janela
Processo de Aprendizado
Srie temporal alvo janela
Entradas da rede
Dados de Treinamento
Entradas da rede Ajuste dos pesos a partir do erro (Erro= alvo - previsto)
Dados de Treinamento
33
Processo de Aprendizado
Srie temporal alvo janela
Processo de Aprendizado
Srie temporal alvo janela
Entradas da rede Ajuste dos pesos a partir do erro (Erro= alvo - previsto) Sada da rede: Valor previsto um passo frente
Dados de Treinamento
Entradas da rede Ajuste dos pesos a partir do erro (Erro= alvo - previsto) Sada da rede: Valor previsto um passo frente
Dados de Treinamento
Processo de Aprendizado
Srie temporal janela alvo
Processo de Aprendizado
Srie temporal janela alvo
Entradas da rede Ajuste dos pesos a partir do erro (Erro= alvo - previsto)
Dados de Treinamento
Entradas da rede
Dados de Treinamento
Ajuste dos pesos a partir do erro (Erro= alvo - previsto) Sada da rede: Valor previsto um passo frente
34
Processo de Aprendizado
Srie temporal alvo janela
Processo de Aprendizado
Srie temporal alvo janela
Entradas da rede Ajuste dos pesos a partir do erro (Erro= alvo - previsto) Sada da rede: Valor previsto um passo frente
Dados de Treinamento
Entradas da rede Ajuste dos pesos a partir do erro (Erro= alvo - previsto) Sada da rede: Valor previsto um passo frente
Dados de Treinamento
Processo de Aprendizado
Srie temporal janela alvo
Processo de Generalizao
Dados de Treinamento
Entradas da rede
Ajuste dos pesos a partir do erro (Erro= alvo - previsto) Sada da rede: Valor previsto um passo frente
35
Processo de Generalizao
Srie temporal janela
Processo de Generalizao
Srie temporal janela previsto
Entradas da rede
Dados de Treinamento
Entradas da rede
Processo de Generalizao
Srie temporal janela previsto
Processo de Generalizao
Srie temporal janela previsto
Entradas da rede: inclui o(s) valor(es) previstos pela Rede Sada da rede: Valor previsto
36