Professional Documents
Culture Documents
As Redes Neurais Artificiais so modelos matemtico-computacionais inspirados no funcionamento das clulas neuronais. Possuem processamento altamente paralelo, executado por unidades denominadas neurnios, "que tm a propenso natural de armazenar conhecimento experimental e torn-lo disponvel para o uso", (Aleksander e Morton, 1990). Apresentam as seguintes propriedades neurobiolgicas: 1- O conhecimento adquirido pela rede, a partir de seu ambiente, atravs de um processo de aprendizagem; 2- Foras de conexes entre neurnios, conhecidas como pesos sinpticos, so utilizadas para armazenar o conhecimento adquirido.
Os pesos sinpticos so alterados atravs de processos algortmicos, para que possam representar o conhecimento adquirido. Estas alteraes caracterizam o processo de aprendizagem de uma rede neural.
Habilidades
So capazes de aprender, armazenar conhecimento experimental e torn-lo disponvel para tomar decises. Representam uma tentativa de superar as limitaes da computao convencional.
Descrio
As redes neurais artificiais so um mtodo para solucionar problemas atravs da simulao do crebro humano, inclusive em seu comportamento, ou seja, aprendendo, errando e fazendo descobertas. So tcnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento atravs da experincia. As redes neurais possuem ns ou unidades de processamento. Cada unidade possui ligaes para outras unidades, nas quais recebem e enviam sinais. Cada unidade pode possuir memria local. Essas unidades so a simulao dos neurnios, recebendo e retransmitindo informaes. Somam-se as entradas e se retorna uma sada, caso esta seja maior que o valor da soma. Uma rede neural pode possuir uma ou mltiplas camadas. Exemplificando com trs camadas, poderamos ter a camada de entrada, em que as unidades recebem os padres; a camada intermediria, onde feito processamento e a extrao de caractersticas; e a camada de sada, que conclui e apresenta o resultado final. Quanto maior o nmero de camadas, melhor a capacidade de aprendizado. A camada de entrada deve possuir uma unidade especial conhecida como bias, usada para aumentar os graus de liberdade, permitindo uma melhor adaptao, por parte da rede neural, ao conhecimento a ela fornecido. Em termos mais tcnicos, o nmero de camadas define a capacidade de representao das relaes entre o espao de entrada e o de sada. A inexistncia da camada intermediria, caracterstica do modelo perceptron, condiciona-o a representar bem somente relaes linearmente independentes. A existncia de camadas intermedirias, caracterstica do modelo perceptron de mltipla camada (PMC), retira tal limitao. Se houver apenas uma camada intermediria, o PMC pode representar (com qualquer grau de aproximao, por menor que seja) qualquer funo contnua. Duas ou mais camadas ampliam o universo de representao a qualquer funo, contnua ou no. As redes neurais artificiais, seguindo a tradio estadunidense, esto muito associadas adaptao de conexes (sinapses) entre neurnios, o conexionismo. Cabe registrar, entretanto, a existncia de modelos nos quais as conexes no so adaptadas, mas apenas transmitem estimulao entre neurnios. Tais modelos so chamados redes neurais sem pesos (do ingls, weightless neural networks). Para completar, h modelos em que as sinapses no so adaptadas, mas calculadas previamente, servindo a tarefas de otimizao, geralmente.
Histrico
As primeiras informaes sobre neurocomputao surgiram em 1943, em artigos do neuroanatomista e psiquiatra Warren McCulloch, do Instituto Tecnolgico de Massachusetts, e do matemtico Walter Pitts, da Universidade de Illinois. Os autores fizeram uma analogia entre clulas nervosas vivas e o processo eletrnico, em um trabalho publicado sobre "neurnios formais"; simulando o comportamento do neurnio natural, no qual o neurnio possua apenas uma sada, que era uma funo da soma de valor de suas diversas entradas. O trabalho consistia num modelo de resistores variveis e amplificadores, representando conexes sinpticas de um neurnio biolgico.
Arquiteturas
Os neurnios de uma RNAs devem estar conectados entre si, os neurnios so dispostos em camadas, os neurnios de uma mesma camada normalmente se comportam da mesma maneira. A disposio dos neurnios nas camadas e o padro de conexo entre estas definem a arquitetura da RNA. As redes sem realimentao (feedforward) tm neurnios agrupados em camadas o sinal percorre a rede em uma nica direo, da entrada para a sada, os neurnios da mesma camada no so conectados. As redes com realimentao ou recorrentes (recurrent), a sada de alguns neurnios alimentam neurnios da mesma camada (inclusive o prprio) ou de camadas anteriores, o sinal percorre a rede em duas direes, tem memria dinmica, capacidade de representar estados em sistemas dinmicos, um exemplo a rede de Hopfield.
Perceptron multicamadas
Esta classe de rede consiste de mltiplas camadas de unidades computacionais, geralmente interconectadas em uma forma de alimentao
avante.
Isso quer dizer que cada neurnio em uma camada tem conexes diretas a neurnios da prxima camada. As redes multicamadas podem usar um grande nmero de tcnicas de aprendizado, sendo que a mais popular a propagao reversa. Nesse caso, os valores de sada so comparados com a resposta correta para computar o valor de alguma funo de erro pr-definida. Por alguma tcnica, o erro ento alimentado de volta na rede. Usando essa informao, o algoritmo ajusta os pesos de cada conexo para reduzir o valor da funo de erro.
Desenvolvida inicialmente por Stephen Grossberg, em 1976. So redes que no precisam da exposio prvia de qualquer nmero de elementos do conjunto de dados para o seu treinamento. A principal caracterstica dessa famlia de arquiteturas a sua capacidade para formar agrupamentos (clusters), que nos permite identificar padres desconhecidos. Existem trs modelos de redes ARTs: ART1: capaz de aprender a categorizar padres de entrada binrios apresentados em ordem arbitrria. ART2: pode aprender a categorizar padres de entrada analgicos ou binrios. ART3 (ARTMAP): pode realizar uma busca paralela, ou teste de hipteses, em cdigos com reconhecimento distribudo.
Aplicao
Reconhecimento Automtico de Alvos; Reconhecimento de Caracteres; Robtica; Diagnstico Mdico; Sensoriamento Remoto; Processamento de Voz;
Tipos de Entradas
Podemos classificar as RNAs segundo suas capacidades de processar diferentes tipos de informaes como:
Redes analgicas: Processam dados de entrada com valores contnuos e, geralmente limitados. Exemplo deste tipo de rede so: Hopfield, Kohonen e as redes de aprendizagem competitivo.
Redes discretas: Processam dados de entrada de natureza discreta, geralmente valores lgicos booleanos. Exemplo deste segundo tipo de rede so as mquinas de Boltzmann e Cauchy, e a rede discreta de Hopfield.
Aprendizado Supervisionado: apresentado um conjunto de treino, consistindo de entradas e correspondentes sadas desejadas. Aprendizado por Reforo: para cada entrada apresentada, produzida uma indicao (reforo) sobre a adequao das sadas correspondentes produzidas pela rede. Aprendizado No-supervisionado: A rede atualiza seus pesos sem o uso de pares entrada-sadas desejadas e sem indicaes sobre a adequao das sadas produzidas.
Aplicaes reais
Em aplicaes reais, as redes neurais se saem particularmente bem nas seguintes tarefas:
Bibliografia
http://pt.wikipedia.org/wiki/Rede_neural http://www.lncc.br/~labinfo/tutorialRN/frm2_tiposAplicacao.htm Braga, Ludermir e Carvalho. Redes Neurais Artificiais. LTC.