Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
* * Perceptron de uma única camada MCP Jeneffer Cristine Ferreira email.: jenefferferreira@gmail.com * * Perceptron de uma Camada O perceptron é a forma mais simples de uma rede neural usada para a classificação de padrões ditos linearmente separáveis padrões que se encontram em lados opostos de um hiperplano. Consiste de um único neurônio com pesos sinápticos ajustáveis. * * Perceptron de uma Camada O perceptron construído em torno de um único neurônio é limitado a realizar classificação de padrões com apenas duas classes. As classes devem ser linearmente separáveis para que o perceptron funcione adequadamente. * * Perceptron de uma Camada Unidades de Entrada (retina); Unidades de Associação (pesos fixos); Unidades de Resposta. * * Perceptron de uma Camada Topologia * * MODELO DO PERCEPTRON A arquitetura de mapeamento de padrões chamada Perceptron objetiva aprender classificações de padrões através de treinamento supervisionado. * * Unidade de Processamento do Perceptron As entradas xi , i = 1, 2, ..., n são binárias; Os pesos wji podem ser positivos ou negativos; Regra de Propagação: A saída binária é determinada pela regra de ativação: * * APREDIZAGEM EM NEURÔNIOS SIMPLES O paradigma de aprendizagem pode ser descrito da seguinte maneira: Considere valores de pesos e limiares (thresholds) iniciais; Apresente uma entrada; Calcule o efeito da entrada na saída; Altere pesos para saídas indesejáveis; * * O ALGORITMO DE APRENDIZAGEM DO PERCEPTRON Inicialize pesos e limiares: wji , (0< i < n): Peso entre as unidades i e j; Tj: Threshold ou limiar da unidade j; Atribua valores randômicos para wji e Tj Apresente as entradas e as saídas desejadas: Represente binariamente os vetores de entrada e saída; Apresente a entrada (x0, x1, ..., xn) e a saída alvo [t(t)] * * O ALGORITMO DE APRENDIZAGEM DO PERCEPTRON Calcule a saída no instante de tempo t: onde é a Função de ativação: * * Algoritmo de treinamento Objetivo : encontrar incremento para vetor de pesos visando correção de erro; Saídas desejadas d podem ser 0 ou 1; Resposta y do nodo pode ser 0 ou 1; Erro de uma determinada saída: e = d – y Conjunto de treinamento formado por pares (X, d), onde X é o vetor de entradas: Para uma entrada X, deseja-se que o nodo responda com d * * O ALGORITMO DE APRENDIZAGEM DO PERCEPTRON Recalcule os Pesos: * * EXEMPLO DA PORTA OR UTILIZANDO AS FUNÇÕES E REGRAS CITADAS NOS SLIDES. * * Exemplos * * 2º EXEMPLO * * Configuração modificada * * 2. Dada uma rede do tipo Perceptron formada por um com três terminais de entrada, utilizando pesos iniciais w0 = 0.4, w1 = -0.6 e w2 = 0.6, limiar θ = 0.5 e uma taxa de aprendizado η= 0.4, responda os itens abaixo: Ensinar a rede a gerar a saída -1 para o padrão 001 e a saída +1 para os padrão 110 A que classe pertencem os padrões 111, 000, 100 e 011? * * * * RESPOSTA A: Treinar a rede a.1) Para o padrão 001 saída desejada = -1 (d = -1) Passo 1: definir a saída da rede u = 0(0.4) + 0(-0.6) + 1(0.6) -1(0.5) = 0.1 y = u = +1 (uma vez 0.1 >= 0) Passo 2: atualizar os pesos e = (d – y) = sinal do erro η = taxa de aprendizado w0 = 0.4 + 0.4(0)(-1 - (+1)) = 0.4 w1 = -0.6 + 0.4(0)(-1 - (+1)) = -0.6 w2 = 0.6 + 0.4(1)(-1 - (+1)) = -0.2 w3 = 0.5 + 0.4(-1)(-1 - (+1)) = 1.3 * * RESPOSTA A: Treinar a rede a.2) Para o padrão 001 (d = -1) Passo 1: definir a saída da rede u = 0(0.4) + 0(-0.6) + 1(-0.2) -1(1.3) = -1.5 y = u = -1 (uma vez -1.5 < 0) Passo 2: atualizar pesos como d = y, os pesos não precisam ser modificados * * RESPOSTA A: Treinar a rede a.3) Para o padrão 110 (d = 1) Passo 1: definir a saída da rede u = 1(0.4) + 1(-0.6) + 0(-0.2) -1(1.3) = -1.5 y = u = -1 (uma vez -1.5 < 0) Passo 2: atualizar pesos w0 = 0.4 + 0.4(1)(1 - (-1)) = 1.2 w1 = -0.6 + 0.4(1)(1 - (-1)) = 0.2 w2 = -0.2 + 0.4(0)(1 - (-1)) = -0.2 w3 = 1.3 + 0.4(-1)(1 - (-1)) = 0.5 * * RESPOSTA A: Treinar a rede a.4) Para o padrão 110 (d = 1) Passo 1: definir a saída da rede u = 1(1.2) + 1(0.2) + 0(-0.2) -1(0.5) = 0.9 y = u = 1 (uma vez 0.9 >= 0) Passo 2: atualizar pesos Como d = y, os pesos não precisam ser modificados * * RESPOSTA B b) Testar a rede b.1) Para o padrão 111 u = 1(1.2) + 1(0.2) + 1(-0.2) -1(0.5) = 0.7 y = u = 1 (porque 0.7 >= 0) ) classe 1 b.2) Para o padrão 000 u = 0(1.2) + 0(0.2) + 0(-0.2) -1(0.5) = -0.5 y = u = -1 (porque -0.5 < 0) classe 0 b.3) Para o padrão 100 u = 1(1.2) + 0(0.2) + 0(-0.2) -1(0.5) = 0.7 y = u = 1 (porque 0.7 >= 0) classe 1 b.4) Para o padrão 011 u = 0(1.2) + 1(0.2) + 1(-0.2) -1(0.5) = -0.5 y = u = -1 (porque -0.5 < 0) classe 0 * * Referências Capitulo 3 - Redes Perceptron e Adaline * * * * *
Compartilhar