Carregar apresentação
A apresentação está carregando. Por favor, espere
1
Prof. Dr. Cairo L. Nascimento Jr.
III Simpósio Brasileiro de Engenharia de Avaliações Redes Neurais Artificiais: Fundamentos e Aplicação na Previsão de Séries Temporais Prof. Dr. Cairo L. Nascimento Jr. Divisão de Engenharia Eletrônica Instituto Tecnológico de Aeronáutica Home Page:
2
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Problema atacado: assumindo-se que existe a relação não-linear y = f(x), onde a função f é desconhecida, conhecendo-se N pontos de pares (x,y), deseja-se reconstruir a função f. Reconstrução de hipersuperfícies
3
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Abordagem Linear: Abordagem Neural:
4
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Modelo Linear com q saídas:
5
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Modelo Neural com q saídas:
6
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Parâmetros do modelo linear: w1 até wp , total: P+1 parâmetros Parâmetros do modelo neural: função g (ex. tangente hiperbólica) h1 até hM, ; para cada hi: wi1 até wip, i total: M (P+1) + 1
7
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Cada unidade da camada escondida implementa um hiperplano. As funções AND e OR não precisam de camada escondida e são ditas funções linearmente separáveis. A função XOR não é linearmente separável.
8
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Funções OR, AND e XOR:
9
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
XOR:
10
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
XOR:
11
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
XOR com ligação direta entrada-saída:
12
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Princípio do método para obtenção dos pesos a partir dos N pares (x,y): selecionar um par (x,y) do conjunto de treinamento, calcular este x a saída da RNA = yRNA, calcular E = y - yRNA, alterar o peso na direção que diminui E2.
13
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Problema de Reconhecimento de Imagens Ruidosas
14
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Abordagem Neural:
15
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Abordagem Linear:
16
RNAs: Fundamentos e Aplicação na Previsão de Séries Temporais
Abordagem Neural:
17
Como Tornar uma Máquina Inteligente
Entertainment Robot AIBO (
18
Como Tornar uma Máquina Inteligente
Inteligência das máquinas atuais Estudo da Inteligência Tipos e Medição de Inteligência Humana, Animal, das Máquinas, Extra-terrestre
19
Como Tornar uma Máquina Inteligente
Comportamento Inteligente Importante para Competição (Seleção Natural) Adaptação (mudanças no meio-ambiente) Reconhecimento de Padrões (visão, fala, diagnóstico de falhas/doenças, aplicações financeiras) Planejamento (Modelos, Otimização) e Auxílio a Tomada de Decisões Cooperação e Comunicação com outros indivíduos
20
Como Tornar uma Máquina Inteligente
Exemplos de desenvolvimento de Equipamento Inteligente no ITA
21
Como Tornar uma Máquina Inteligente
Exemplos de desenvolvimento de Equipamento Inteligente no ITA
22
Como Tornar uma Máquina Inteligente
Exemplos de desenvolvimento de Equipamento Inteligente no ITA
23
Como Tornar uma Máquina Inteligente
X O
24
Como Tornar uma Máquina Inteligente
25
Como Tornar uma Máquina Inteligente
Redes Neurais
26
Como Tornar uma Máquina Inteligente
Conclusões Estamos aos poucos aumentando o nível de inteligência das nossas máquinas. Área altamente multi-disciplinar e desafiadora.
27
Como Tornar uma Máquina Inteligente
Conclusões Aplicações extremamente práticas. Alguns exs: classificação de empresas de telecomunicações, classificação de sinais eletrocardiográficos, temporarização de semafóros de tráfego urbano, otimização de sequências de montagens, previsão de preços de produtos Grandes benefícios para a indústria nacional.
28
Como Tornar uma Máquina Inteligente
Para mais detalhes: Livro “Inteligência Artificial em Controle e Automação”, 2000 Cairo L. Nascimento Jr. e Takashi Yoneyama Ed. Edgard Blücher e FAPESP
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.