Baixe o app para aproveitar ainda mais
Prévia do material em texto
1. Qual a finalidade da maquina de inferência em um sistema especialista? R: A maquina de inferência serve para gerar hipóteses para resolução do problema, usando para isso, a base de conhecimentos 2. Explique a diferença entre o encadeamento direto e reverso, usado na maquina de inferência. R: O encadeamento direto vai do estado inicial ao estado final gerando perguntas ao usuário para confirmar as premissas, já o encadeamento reverso procura usar somente regras que são relevantes ao problema, supõe que uma conclusão é verdadeira e tenta provar a validade de suas premissas, se todas premissas forem comprovadas é confirmado a suposição, caso contrário a suposição é descartada. 3. Uma imagem com tons de cinza é analisada usando um vetor de atributos com 6 valores. Os primeiros 5 atributos são contínuos, enquanto que o sexto é categórico, com 4 niveis (baixos, médios, altos e muito altos). Considerando que o numero de classes possíveis é 3, faça o esboço de uma rede neural feed-forward, completamente conectada para classificar as imagens de acordo com seu conteúdo. Entradas = 6 ____ ___ Saidas = 3 6.3 = 18 = 4,24 aprox. 4. Realize uma iteração completa para a rede neural da figura usando Back-Propagation. Os números indicam os valores dos pesos iniciais wi 0. Treine a rede com as entradas 2 e 3 e com as saídas 1 e 0. Use função de transferência -> f(x) = x/2 f’(x) = 0.5 em todos os neurônios e taxa de aprendizado = 0.4 x y A = {1,4 ; 1,3} B = {0,9 ; 1,2} a b C = {0,5 ; 0,9} D = {0,8 ; 1,1} X = 2 Entradas Y = 3 Out = X * xA + Y * yA Função de transf. f(x) = x/2 = resultado Aout = 2*1,4+3*1,3 = 6,7/2 = 3,35 Bout = 2*0,9+3*1,2 = 5,4/2 = 2,7 Out = resA * aC + resB * bC Função de transf. f(x) = x/2 = resultado Cout = 3.35*0.5+2.7*0.9 = 4,105/2 = 2,05 Dout = 3.35*0.8+2.7*1.1 = 5,65/2 = 2,825 = (desejado – obtido) * f’(x) Ec = (1-2,05)*0,5 = -0,525 Ed = (0-2,825)*0,5 = -1,412 = f’(x) * (Ec * aC + (Ed) * aD) Ea = 0,5*(-0,525*0,5+(-1,4125)*0,8) = -0,696 = f’(x) * (Ec * bC + (Ed) * bD) Eb = 0,5*(-0,525*0,9+(-1,4125)*1,1) = -1,013 W = aC + txAprend * Ec * Aout Wac = 0,5+0,4*(-0,525)*3,35 = -0,2035 Wbc = 0,9+0,4*(-0,525)*2,7 = 0,333 Wad = 0,8+0,4*(-1,412)*3,35 = -1,092 Wbd = 1,1+0,4*(-1,412)*2,7 = -0,424 W = xA + txAprend * Ea * EntradaX Wxa = 1,4+0,4*(-0,696)*2 = 0,843 Wya = 1,3+0,4*(-0,696)*3 = 0,464 Wxb = 0,9+0,4*(-1,013)*2 = 0,089 Wyb = 1,2+0,4*(-1,013)*3 = -0,015 ER = ½ * (Ec)² + (Ed)² ER = ½*((-0,525)²+(-1,412)²) = -1,134 5. Explique como funcionam os algoritmos genéticos, descrevendo cada um dos seus passos R: Os algoritmos genéticos seguem as seguintes etapas: 1. Inicio da população - É gerada uma quantidade de individuos com caracteristicas aleatórias. 2. Calculo da aptidão - É utilizada uma formula matématica para avaliar qual deles esta mais próximo da solução do problema 3. Se a solução foi encontrada então encerra 4. Caso contrario, ocorre a seleção - Determinados individuos são selecionados para o cruzamento 5. Cruzamento - Ocorre a troca de material genetico entre os individuos selecionados e, um novo individuo é gerado 6. Mutação - Pode ocorrer alteração no material genetico dos novo individuos gerados, de acordo com uma probabilidade de mutação 7. Volte para a etapa 2 6. Descreva em detalhes três métodos de seleção. R: Aleatório – Escolhe dois indivíduos ao acaso Torneio – Escolhe dois indivíduos ao acaso, e o melhor deles é selecionado Roleta – Seleciona os cromossomos com maior probabilidade de sobrevivência 7. Dados as variáveis linguísticas como peso e estatura com os seus conjuntos Fuzzy Pesado e Média respectivamente, ilustrados nas figuras abaixo, calcule: a. umedio(1,72) -> u pesado(120) b. umedio(1,72 ) ᴜ u pesado(140) c. umedio(1,62) ∩ upesado(120) a) médio(1,72) = (2,1-1,72)/(2,1-1,7) = 0,38/0,4 = 0,95 pesado(120) = (120-115)/(150-115) = 5/35 = 0,14 1-0,95 + 0,14 = 0,19 b) médio(1,72) = 0,95 pesado(140) = (140-115) / (150-115) = 25 / 35 = 0,71 Min(0,95 ; 0,71) = 0,71 c) médio(1,62) = (1,62-1,5) / (1,7-1,5) = 0,12 / 0,2 = 0,6 pesado(120) = 0,14 Max(0,6 ; 0,14) = 0,6 8. qual a finalidade da etapa de defuzificação? R: É o processo contrário à Fuzzificação, e transforma um resultado nebuloso em um valor real. 9. Usando algoritmos genéticos, obtenha a nova geração de cromossomos que minimizam a função f(x) = (x-5)2 +5, usando como função de aptidão f2(x) = 100 – mínimo {|2x-10|,100}. População inicial: C1 = 8 C2 = 19 C3 = 3 C4 = 6 Seleção – escolha os três cromossomos com maior probabilidade de sobrevivência Cruzamento – sempre aplique um ponto de cruzamento entre o terceiro e o quarto bit Primeiro cruzamento 1o lugar x 2o lugar Segundo cruzamento 1o lugar x 3o lugar Mutação – sempre ocorrendo no terceiro bit do primeiro filho.de cada cruzamento Fc1(8) = 100 – minimo {|2 * 8 – 10| , 100} = 100 – 6 = 94 Fc2(19) =100 – minimo {|2*19 - 10|, 100} = 100 – 28 = 72 Fc3(3) = 100 – minimo {|2*3 - 10|, 100} = 100 – 4 = 96 Fc4(6) = 100 – minimo {|2*6 - 10|, 100} = 100 – 2 = 98 Probabilidade Pc1 = 94 / (94 + 72 + 96 +98) = 94 / 360 = 0,261 = 26,1% 3º Pc2 = 72 / (94 + 72 + 96 +98) = 72 / 360 = 0,2 = 20% Pc3 = 96 / (94 + 72 + 96 +98) = 96 / 360 = 0,266 = 26,6% 2º Pc4 = 98 / (94 + 72 + 96 +98) = 98 / 360 = 0,272 = 27,2% 1º 6 = 001|10 001|11 3 = 000|11 000|10 6 = 001|10 001|00 8 = 010|00 010|10 E após a mutação fica: 00011 = 3 E 00000 = 0 00010 = 2 01010 = 10 10. Dados os cromossomos a1 = 011101010001 e a2 = 110000101101, realize o cruzamento entre eles usando dois cortes. O primeiro deles ocorrendo entre o quarto e quinto bit, e o segundo corte ocorrendo entre o oitavo e o nono bit. R: 0111|0101|0001 = 011100100001 1100|0010|1101 = 110001011101 11. Quais os problemas que geralmente ocorrem quando uma rede neural tem muitos ou poucos neurônios na camada oculta? Se a camada oculta possui poucos neurônios, fica incapaz de criar limites de decisão muito complexos. Com um numero excessivo, a rede perde a sua capacidade de generalização. 12. Qual a vantagem de usar a logica nebulosa no lugar da logica clássica. A grande vantagem da logica fuzzy sobre a clássica é que esta permite representar valores de pertinência (grau de verdade) intermediários entre os valores de verdadeiro e falso da logica clássica. 13. Explique qual é a finalidade de cada um dos componentes de um sistema especialista A base de conhecimento (bc) – componente responsável pelo armazenamento do conhecimento A interface de aquisição ( ia) – é o componente do SE que permite ao especialista definir e manipular as regras Interface de usuário – a forma de interação e a interface de comunicação com o usuário são responsáveis pelo grau de satisfação do usuário com o sistema. Deve ser eficiente e amigável ao usuário Maquina de inferência – a MI é o conjunto de procedimentos que atuam sobre a base de conhecimento em busca de resultados satisfeitos 14. Qual a principal limitação do Perceptron? Tem a limitação de resolver apenas problemas de classificação aonde as classes são linearmente separáveis. Esta limitações decorre do fato da função de ativação (net) ser linear. 15. O que significa a capacidade de generalização de uma rede neural? A capacidade de generalização significa que, para entradas similares, a rede produz saídas similares. 16. Um conjunto de frutas de três espécies deverá ser classificado usando uma rede neural. Os atributos usados para esta tarefa são: peso, assumindo valores em gramas, largura, assumindo valores em centímetros; altura, assumindo valoresem centímetros; cor, assumindo os valores (verde, vermelho e amarelo). Faça o esboço de uma rede neural feed-forward, completamente conectada, com apenas uma capada oculta para classificar essas frutas. 17. Supondo que a rede de Kohonen com três entradas e três saídas, indicada na figura baixo, já tenha sido treinada. Informe qual o neurônio de saída que sera ativado quando a rede receber a entrada(2,9 ; 4,4 ; 3,1) 18. Qual o modelo de representação de conhecimento no sistema especialista Mycin? Representação por regras de produção (cerca de 500) 19. Quais os problemas que geralmente ocorrem quando uma rede neural tem muitos ou poucos neurônios na camada oculta? Se a camada oculta possui poucos neurônios, fica incapaz de criar limites de decisão muitos complexos. Com um numero excessivo, a rede perde a sua capacidade de generalização. 20. Defina sistemas de produção e indique 3 vantagens e 2 desvantagens de se usa-los na representação do conhecimento. Concebidos para modelar procedimentos computáveis. Ideia central: transformar o problema em um grafo de estados, com a especificação de estados inicial e finais. Vantagens: Modularidade: as regras podem ser consideradas peças independentes; Naturalidade: consiste numa forma natural de pensar a solução de problemas Uniformidade: as regras são escritas seguindo o mesmo padrão. 21. Implemente um classificador linear com apenas um neurônio, para os três pontos abaixo (1,4) Realize uma etapa completa de treinamento e utilize no mínimo 3 números depois da vírgula. ( 10, 0, 5) classe 0 Sem entrada de viés (100, 50, 10 ) classe 0 Taxa de aprendizado 0.3 ( 0, 60, 50) classe 1 Pesos iniciais têm o valor 1.2 Função de transferência deve ser: contráriocaso xse xf ...... 0.... 0 1 )( net = (x1 * w1 + x2 * w2 + x3 * w3) wn = erro * xn * tx x1 x2 x3 w1 w2 w3 net obt des erro ∆w1 ∆w2 ∆w3 10 0 5 1,2 1,2 1,2 18 1 0 -1 -3 0 -1,5 100 50 10 -1,8 1,2 -0,3 -123 0 0 0 0 0 0 0 60 50 -1,8 1,2 -0,3 57 1 1 0 0 0 0
Compartilhar