Prof. Dr. Helder Anibal Hermini

SUMÁRIO Algumas Aplicações O Treinamento da RNA Redes Neurais em Identificação e Controle de Processos Redes Neurais em Robótica Redes Neurais em Visão Computacional Comentários Finais

1) INTRODUÇÃO MOTIVAÇÃO Cérebro lida melhor com alguns problemas que o computador reconhecimento de padrões problemas de otimização combinatória Outras características desejáveis capaz de aprender sem o conhecimento do algoritmo capaz de generalizar robustez APLICAÇÕES reconhecimento de padrões processamento de sinais e imagens 1

ALGUMAS APLICAÇÕES Eng. Civil: – Avaliação da Condição de Pavimentos; – Gerenciamento da Construção; – Previsão da Resistência Mecânica do Concreto; Eng. Elétrica: – Processamento de sinais; – Previsão de carga elétrica; – Diagnóstico de falhas; Financeira: – Previsão da bolsa de valores; – Previsão de falência de bancos; Controle de Processos: – Modelagem / Identificação; – Controle Adaptativo e Não-Linear; – Otimização de Parâmetros;

ALGUMAS APLICAÇÕES Robótica: – Inteligência do Robô (tomada decisão); – Planejamento da Trajetória; – Controle Força / seguimento trajetória. Meteorologia: – Previsão do Tempo; Biomédica: – Análise de Batimentos Cardíacos; – Diagnóstico Médico da Tuberculose; – Detecção de Eventos Epiléticos; Linguagem Natural: – Analisador Sintático; – Compreensão de Texto; – Corretor Gramatical;

ALGUMAS APLICAÇÕES Processamento de Voz e Fala: – Reconhecimento de Fala; – Reconhecimento do Locutor (voz); Agricultura: – Previsão de Produtividade da Lavoura; Eng. de Produção: – Otimização de Processos de Fabricação; – Monitoramento de Processos; Visão Computacional

Um único neurônio pode realizar funções de detecção de padrões muito simples. O poder de computação neural vem da conexão dos neurônios dentro de uma rede. Se o peso é zero, não há conexão. REDES NEURAIS MULTICAMADAS

CLASSIFICAÇÃO DAS RNAs

Número de camadas Tipo de conexão Tipo de conectividade CLASSIFICAÇÃO DE ARQUITETURAS

Quanto ao número de camadas: Redes de camada única ; Redes de múltiplas camadas. CLASSIFICAÇÃO DE ARQUITETURAS

Quanto ao tipo de conexão : Redes Recorrentes (acíclica) - Não há direção privilegiada para propagação da informação); Redes Feedforward(acíclica) - Sinal vai sempre das entradas para as saídas). CLASSIFICAÇÃO DE ARQUITETURAS

serão utilizadas 3 camadas propagação entrada/saída conjunto de operação rede treinada 11) FEEDFORWARD A B C REDE NEURAL A B C Feedforward 13

11.1) FEEDFORWARD FEEDFORWARD - EXEMPLO 0,06 0,46 0,63 0,097 0,614 0,06 0,46 0,63 14

Quanto ao tipo de conectividade: Parcialmente conectada Completamente conectada CLASSIFICAÇÃO DE ARQUITETURAS

REPRESENTAÇÃO DO CONHECIMENTO Conhecimento se refere à informação armazenada ou a modelos utilizados por uma pessoa ou máquina para interpretar, prever e responder apropriadamente a estímulos do mundo exterior.

CONHECIMENTO EM UMA REDE NEURAL O conhecimento em uma RN é aprendido e armazenado de maneira distribuída, sob a forma dos pesos das conexões. O número e a topologia dos pesos depende do número de camadas, do tipo de conexão e de conectividade entre os neurônios. Aprendizagem de uma RN se constitui de um processo pelo qual alguns parâmetros livres da rede são adaptados em função das respostas que ela apresenta a estímulos que recebe do meio externo.

O TREINAMENTO DA RNA

TREINAMENTO SUPERVISIONADO

O facilitador tem conhecimento sobre o ambiente. O conhecimento é representado por um conjunto de exemplos históricos.

7.2) TREINAMENTO SUPERVISIONADO conjunto de treinamento A B REDE NEURAL 7) TREINAMENTO A,B erro, erro D R X X B A A P 1 a ITERAÇÃO2 a ITERAÇÃO3 a ITERAÇÃO X PADRÕES A,B ok, erro A,B ok, ok 9

TREINAMENTO NÃO SUPERVISIONADO (TENTATIVA OU ERRO)

Não há um facilitador para supervisionar o processo de aprendizagem, ou seja, não há exemplos rotulados da função a ser aprendida pela rede.

TREINAMENTO POR REFORÇO (APRENDE POR AUTO ESTÍMULO) Não há um facilitador; Dado um padrão de entrada, as unidades competem entre si para decidir qual delas será a vencedora; A unidade vencedora tem a sua saída ativada e seus pesos são atualizados.

O TREINAMENTO DA RNA Possível solução: ajustar pesos manualmente até que a saída coincida com a desejada para os valores dados de entrada. Solução melhor: definir uma regra de ajuste dos pesos (Regra de aprendizado).

POSTULADO DE APRENDIZAGEM DE HEBB 1. Se dois neurônios em ambos os lados de uma sinapse são ativados simultaneamente, então a força daquela sinapse é seletivamente aumentada. 2. Se dois neurônios em ambos os lados de uma sinapse são ativados de forma assíncrona, então aquela sinapse é seletivamente enfraquecida ou eliminada.

ALGORITMO DE TREINAMENTO DA RNA 1. Definir a saída desejada para cada conjunto de entradas; 2. Definir valores iniciais aleatórios para cada peso; 3. Colocar um conjunto de valores na entrada; 4. Corrigir os pesos seguindo a regra de Hebb até obter a saída desejada para aquela entrada; 5. Voltar ao passo 3 (valor seguinte de entrada).