Redes Neurais Artificiais

Introdução RNA são modelos matemáticos que se assemelham às estruturas neurais biológicas Capacidade computacional adquirida por meio de aprendizado e generalização Aprendizado associado à capacidade de adaptação dos parâmetros como consequência da relação com o meio externo

Introdução Qualidade da rede neural e ponto de parada de treinamento são estabelecidos por parâmetros de treinamento O processamento da informação em RNA é feito por meio de estruturas neurais artificiais Processamento realizado de maneira paralela e distribuída por elementos processadores relativamente simples Cada elemento processador é um neurônio

Neurônio Artificial uf(u)‏ x1x1 x2x2 x1x1 xnxn W1W1 W2W2 WnWn y=f(u)‏ São dados: - Vetor de entrada X = {x1, x2,..., xn} - Cada entrada Xi tem um peso Wi - Saída linear u = somatória das entradas ponderadas pelos pesos. - Saída do neurônio (saída de ativação) é obtida pela aplicação de uma função de ativação à saída linear (u)‏

Função de Ativação Pode assumir várias formas, geralmente não lineares Exemplo função Unipolar (função de limiar): f(u)= 0 se u < Ө 1 se u >= Ө

Função de Ativação Exemplo função unipolar: Considere um neurônio com duas entradas binárias e os seguintes parâmetros: W 1 = 1 W 2 = 1 Ө = 0,5

Redes Neurais Artificiais Conexão entre neurônios gera as sinapses e a construção de redes neurais Uma rede com vários neurônios interconectados e organizados em camadas é chamada de Rede Neural Perceptron de Múltiplas Camadas (MLP)‏ Formato básico de uma MLP: Camada de entrada Uma ou mais camadas intermediárias Camada de saída

Redes Neurais Artificiais

Rede Feedforward Composta por uma ou mais camadas de processamento As conexões são definidas por um conjunto de pesos sina ṕ ticos As saídas de uma camada devem se conectar somente às entradas da próxima camada

Redes Recorrentes As saídas de uma camada podem ser ligadas às entradas de neurônios da mesma camada ou inferiores

Treinamento Consiste no ajuste das configurações da rede Treinamento supervisionado Treinamento por correção de erros Algoritmo Backpropagation Passo de aprendizado Convergência

Estudo de Caso 1 Treinamento explícito de uma rede para reconhecimento de padrões Testes com a aplicação SisIP.exe

Estudo de Caso 2

Tipo de Emprego: Autônomo: 0 Empregado: 0.5 Empresário: 1 Tempo de Emprego 1: 0 2: 0.2 5: : : 0.8 Classe de Renda A: 0 B: 0.5 C: 1  Possui Fiador?  Sim: 1  Não: 0  Tempo C/C  0: 0  1: 0.1  2: 0.2  5: 0.3  10: 0.4  20: 0.5  Classe de Pontualidade  A: 0  B: 0.5  C: 1

Referências Bibliográficas * Braga, A.P.; Carvalho, A.C.P.L.F.; Ludermir, T.B.: Capítulo “Redes Neurais Artificiais”, Livro “Sistemas Inteligentes: Fundamentos e Aplicações”, Editora Manole, * Notas de aula do Professor Márcio Leandro Gonçalves