Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Redes Neurais Artificiais Profa. Angelita M. De Ré Inteligência Artificial 2 Definição de RNA • Uma RN é um processador massivamente paralelo que tem a tendência de armazenar conhecimento experimental. • Modela o cérebro em dois aspectos: – O conhecimento é adquirido pela rede através de um processo de aprendizado. – As conexões entre neurônios (sinapses) são usadas para armazenar o conhecimento. 3 Aprendizado • O que é aprender? – Incrementar o conhecimento – adaptar-se melhor às novas situações do ambiente – ... • Como se aprender? – Observando – Memorizando – Generalizando – Especializando – ..... 4 • externo (do ambiente) • exemplos, experiências, ensino, .... • estrutural • sentidos • cérebro (baixo nível) • memória e processador de símbolos (alto nível) • funcional (mecanismos de aprendizado) • modelo simbólico: representação de conhecimento, indução, dedução • modelo conexionista: redes neurais Aprendizado Três Aspectos 5 • Técnica de aprendizado que tem como modelo o cérebro. • Q_ _m n_ _ Ch_ r _ , n_ _ m _ m _ ! – Você consegue identificar a frase? • Pegar uma borracha sendo arremessada – Apesar de não ser tão rápido quanto um computador, nosso cérebro consegue calcular a trajetória da bola muito bem. • O cérebro humano é formado por 10 bilhões de neurônios paralelos! Aprendizado 6 Aplicações de RNA • Reconhecimento de voz • Reconhecimento de texto (OCR) • Avaliação de risco de financiamento • Detector de bombas • Auxílio na identificação de reservas de pretóleo • ... 7 Neurônio Biológico 8 Funcionamento do Neurônio Biológico • Pelos dentritos, o neurônio recebe sinais de outros neurônios a ele conectados através de sinapses. • Os sinais são acumulados no corpo do neurônio. • Quando a soma dos sinais passa de um certo limiar, um sinal é propagado no axônio. • As sinapses tem um peso que pode ser: – exitatório: incrementam a soma dos sinais – inibidor: decrementam 9 Neurônio Artificial 10 Componentes do Neurônio Artificial • um conjunto de links de conexão com outros neurônios (sinapses) • os links podem ser de – entrada (dentritos): há um peso associado a cada link (W) – saída (axônio): o peso da saída é dado por uma função de ativação • alguns neurônios podem ser conectados diretamente ao ambiente externo. • uma função de transferência que dispara a saída A estrutura de um neurônio é formada por: 11 Como Funciona o Neurônio Artificial Quanto a soma dos pesos dos links de entrada (função de entrada) atingem um certo limiar o neurônio é disparado ativando a saída (função de ativação) Notação valores entrada=aj • pesos entrada=W • g = função ativação valor saída=ai )( )( , j jiji ii aWin inga 12 Exemplos de Função de Transferência tx tx xstept ,0 ,1 )( 0,1 0,1 )( x x xsign e x xsigmoid 1 1 )( t = limiar 13 Rede de memória associativa e pesos fixos • Aprende a associar valores de entrada com valores de saída. • A matriz de pesos é determinada pela multiplicação do vetor de entrada com o de saída. m m j m iji baw )()( , . Onde a = vetores de saída no conjunto de treinamento. b= vetores de entrada. j = índice dos links de entrada. i = índice do neurônios de saída. m = índice do conjunto de treinamento. 14 • Associar a entrada 01011010 (ASCII Z em binário) com a saída 01011010 (ou seja, a= b) • número de elementos de conjunto de treinamento m=1 • número de entradas = 8 (j := 1..8) • número de saídas = 8 (i := 1..8) • Passos • calcular a matriz de pesos • zerar a diagonal principal • usar função de transferência step1 • testar com entrada 01011010 • testar com entrada 01010010 (1 bit de erro) Exemplo: reconhecimento da letra Z 15 00000000 11011010 00000000 01011010 01011010 00000000 01011010 00000000 01011010. 0 1 0 1 1 0 1 0 Obs.: falta zerar a diagonal principal w Matriz de pesos para o caso do Z 16 Usando RNA 0 1 0 1 1 0 1 0 1 0 2 0 3 2 0 2 0 0 1 0 0 1 0 1 0 . 00000000 10011010 00000000 01001010 01010010 00000000 01011000 00000000 step Letra Z 17 Exemplo: associação • A RN deve aprender as seguintes associações – Homero - Literatura – Bethoven - Música – Rubens - Pintura • Representação binária dos valores – Homero [1,-1,1,-1,1]=b(1) Liiteratura [1, -1, 1, -1]=a(1) – Bethoven [1,1,1,-1,-1]=b(2) Música [1,1,-1,-1]=a(2) – Rubens [1,1,-1,-1,1] b(3) Pintura [1,-1,-1,1] =a(3) • Variáveis: m = 1..3; j=1..5; i=1..4 • Usar como função de transferência sign • Calcular W alguns exemplos: 31.11.11.1 ... )3(1 )3( 1 )2( 1 )2( 1 )1( 1 )1( 11,1 bababaw 11.11.11.1 ... )3(2 )3( 1 )2( 2 )2( 1 )1( 2 )1( 12,1 bababaw 18 1 1 1 1 4 5 5 7 1 1 1 1 1 . 11311 11131 31111 13113 sign w Rubens Pintura Uso da RNA 19 • Quanto ao tipo de algoritmo de aprendizado – Pesos fixos – Supervisionado • o conjunto de treinamento é classificado por um especialista – Não-supervisionado • o conjunto de treinamento não tem um parecer de classificação associado a cada valor. • Quanto à arquitetura – Feedforward • todas as sinapses se ligam somente aos neurônios da camada seguinte. – Recorrente • há sinapses com os neurônois da mesma camada (feed-lateral) e com da camada anterior (feed-back) – Multi-camada Classificação das RNA 20 • Quanto ao tipo de algoritmo de aprendizado – Pesos fixos – Supervisionado • o conjunto de treinamento é classificado por um especialista – Não-supervisionado • o conjunto de treinamento não tem um parecer de classificação associado a cada valor. • Quanto à arquitetura – Feedforward • todas as sinapses se ligam somente aos neurônios da camada seguinte. – Recorrente • há sinapses com os neurônois da mesma camada (feed-lateral) e com da camada anterior (feed-back) – Multi-camada Classificação das RNA 21 Modelos de RNA Distinção entre os modelo através de suas caraísticas básicos: Tipo de entrada ; Forma de conexão e Tipo de aprendizado a) Tipo de entrada: 1. Binários: aceitam entrdas discretas, ou seja, na forma de 0 e 1. 2. Intervalares:aceitam qualquer valor numérico como entrada (forma continua) b) Forma de conexão: como os elementos são conectados e como o modelo matemático representam a transmissão dos sinais na rede. 1. Alimentação a frente (FeedForward): sinais de entrada são transformados em sinais de saída. 2. Retro-alimentação: os sinais ficam sendo alterados em diversas transições de estado, sendo a saída alimentadora da entrada. 3. Competitiva: realiza a interação lateral dos sinais recebidos na entrada entre os elementos dentro de uma zona de vizinhança. c) Tipo de aprendizado (treinamento: existência ou não de um sinal de saída pré-definido para a rede: 1. Supervisionado: definição da saída da rede desejada. Força o ajuste de pesos para representar o sinal desejado. 2. Auto-aprendizado(não supervisionado): faz uma representaçãoda distribuição de probabilidade dos padrões de entrada na rede 22 Modelos de RNA – Conexões – RNA é equivalente a um grafo orientado. Define tanto um fluxo de informação quanto a modulação da informação que é passada. – RNA - inclui pesos em cada aresta(conexaõ) que modula o sinal de saída que é passado para o nodo adjacente. – Pesos – memorização do padrão. São ajustados durante o processo de aprendizado que captura as informações. – Elemento de processamento – Neurônio – Parte onde é realizado todo o processamento – Na camada de entrada recebe o valor do padrão de entrada, estabelece conexão com os neurônios das camadas seguintes. – Na saída de um elemento processamento função dos pesos e das entradas – Componentes básicos: – Físicos: conexão e elementos de processamento => combinação = RNA – Não físicos: – Padrões: dados de entrada = codificação de uma modelagem da realidade – Funções: modelos matemáticos utilizados no treinamento e reconhecimento
Compartilhar