Análise Multivariada Aplicada as Ciências Agrárias

Apresentação em tema: "Análise Multivariada Aplicada as Ciências Agrárias"— Transcrição da apresentação:

1 Análise Multivariada Aplicada as Ciências Agrárias
REDES NEURAIS ARTIFICIAIS Prof. Joseph Kalil Khoury Junior Prof. Carlos Alberto Alves Varella \\kalil\\redes_neurais

2 Redes Neurais Biológica
1011 neurônios interconectados (cérebro) 104 conexões para cada neurônio Algumas estruturas neurais nascem com a gente, outras são estabelecidas por experiência

3 Redes Neurais Biológica
As funções biológicas dos neurônios são armazenadas neles e nas conexões Aprender é um processo de estabelecimento de novas conexões ou modificações das existentes

4 Redes Neurais Biológica
Dendrito carrega o sinal elétrico para o núcleo da célula principal, que soma e limiariza todos os sinais e os enviam pelo axônio e dendritos provocando uma conexão (sinapse). Cada sinapse tem um determinado peso

5 Redes Neurais Biológica
Embora os neurônios serem bem mais lentos do que os circuitos elétricos (1:106), o cérebro é capaz de realizar muitas tarefas bem mais rápido que qualquer computador convencional. Umas das causas é devido à estrutura da rede neural ser “massivamente” paralela.

6 Rede Neural Artificial - RNA
Modelo simplificado (mas útil) do que acontece no cérebro Inicio, como ciência nos anos 40 (McCulloch & Pitts, 1943)

7 Rede Neural Artificial - RNA
Nos anos 80 constatou-se a sua aplicabilidade devido ao desenvolvimento de algoritmos para “treinamento” e computadores velozes.

8 Exemplos de Aplicações de RNA
Piloto automático Leitora de cheques e outros documentos Direção de bombas Visão artificial Análise de células cancerosas Reconhecimento de voz …

9 Modelo de Um Neurônio c/ Uma Entrada
p = entrada w = sinapse (peso) b = “bias” n = entrada da rede (“net input”) f = função de ativação a = saída

10 Funções de Ativação Hagan et al. (1996)

11 Funções de Ativação Fazer exemplo no pront Matlab – cap2-20

12 Funções de Ativação

13 Um Neurônio c/ Múltiplas Entradas

14 Um Neurônio c/ Múltiplas Entradas
W=[w1,1 w1,2 w1,3 ... w1,R] Nomenclatura para a matriz dos pesos: wi,j i = neurônio de destino; j = neurônio do sinal

15 Uma Rede c/ Uma Camada S=3 Neurônios

16 Uma Rede c/ Uma Camada de 2 Neurônios

17 Uma RN P S1 S2 S3 – RN R333 EX: RN rede neural de 3 camadas P – 9 entrada (vetor de variáveis); S 1 – 6 neurônios (escondida); S 2 – 5 neurônios (escondida); S 3 – 1 neurônios (saída = resposta).

18 Rede Neural RN com mais de uma camada é mais poderoso que uma RN com uma camada Por exemplo, uma RN x-y-z com funções sigmoides na camada escondida “y” e com funções lineares na camada de saída “z”, pode aproximar a maioria das funções.

19 ????? RN ????? Qual a arquitetura da RN ? Quantas camadas ? Quantos neurônios em cada camada ? Qual a função de ativação ? A priori o treinamento não se pode definir !!! O que é treinamento (aprendizado)? Ajuste dos parâmetros livres para que a RN realize desejada tarefa ! Utilizando “learning rule” !

20 Backpropagation Algorithm
Retropropagação do erro Possibilitou o treinamento de redes neurais com mais de uma camada 1980’s RN com uma camada (perceptron) só serve para problemas linearmente discriminantes