Baixe o app para aproveitar ainda mais
Prévia do material em texto
Neurais Artificiais ROTEIRO 1. NEURÔNIO NATURAL 2. NEURÔNIO ARTIFICIAL 3. PERCEPTRON 4. HOPFIELD 5. REFERÊNCIAS NEURÔNIO NATURAL • São células nervosas, que conduzem os impulsos nervosos. • São as unidades básicas do sistema que processam as informações e estímulos no corpo humano. • Estima-se que um humano adulto possui cerca de 85 bilhões de neurônios. • Os neurônios podem ser considerados como pequenos microprocessadores. • Ex: considere que você tenha batido seu dedinho do pé em uma quina, seu sistema nervoso através de impulsos elétricos transmitem esse estímulo para o cérebro, que através dos neurônios é capaz de tratar essa informação como sendo uma dor. Entrada Processamento Saída Figura 1 – Fluxo de dado Fonte: Autor. NEURÔNIO ARTIFICIAL • O neurônio artificial segue os mesmos princípios do neurônio natural. • Porém utiliza algoritmos específicos processáveis por computadores, ao invés de utilizar os fatores biológicos como o neurônio natural. • Com a junção de vários neurônios temos a formação das chamadas Redes Neurais. • A principal propriedades da Rede Neural Artificial é o fato de simular (ainda de forma limitada) a capacidade do cérebro de aprendizagem. • Essas redes podem ser empregadas em jogos ou até em auxílios de tomada de decisão, identificação de padrões, dentre outros. NEURÔNIO ARTIFICIAL Arquitetura Sinais de entrada Sinal de saída Função de Ativação Figura 2 – Arquitetura de Rede Neural Artificial Fonte: http://www.ene.unb.br/adolfo/Lectures/ICIN/Ex1_ISI.htm. NEURÔNIO ARTIFICIAL PERCEPTRON • No final dos anos 1950, Rosenblatt da Universidade de Cornell, criou uma das primeiras redes neurais artificiais, chamada Perceptron. • Seu funcionamento baseia-se em treinamentos, ou seja, pode-se definir uma saída desejada e assim o algoritmo tentará produzir um resultado que corresponde aos valores das amostras de entrada. • Sua principal vantagem é verificar padrões linearmente separáveis. Figura 3 – Teorema de Convergência Fonte: http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf *demonstração via software NEURÔNIO ARTIFICIAL PERCEPTRON • Exemplo: Verificar se o ser vivo é quadrúpede ou bípede Interpretação das saídas: Taxa de aprendizagem = 1 Quadrúpede = 1 Bípede = -1 Vetores de amostras x1 x2 x3 x4 Saída desejada Cão [ 1 -1 1 1 ] 1 Gato [ 1 1 1 1 ] 1 Cavalo [ 1 1 -1 1 ] 1 Homem [ -1 -1 -1 1 ] -1 Galinha [ -1 1 -1 1 ] -1 Avestruz [ 1 -1 1 -1 ] -1 Figura 4 – Arquitetura Rede Neural Perceptron Fonte: http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf NEURÔNIO ARTIFICIAL - PERCEPTRON LÓGICA IMPLEMENTADA • Implementado em C • IDE utilizada: DEV C++ Matriz de amostras coluna j x1 x2 x3 amostras[nl][nc]; Amostra 1 linha i [ 2 -1 4 ] saídas[nl]; Amostra 2 [ 1 1 2 ] amostrasW[nw]; Amostra 3 [ 1 7 5 ] h; Amostra 4 [ 8 2 0.1] n; Lógica: Usuário define número: linhas (nl), colunas (nc), amostras W, saídas, interações e taxa de aprendizagem. nl = quantidade de amostras nc = valores das amostras nw = nl+1 • Cada linha (nl) recebe o valor -1 por padrão; • Multiplica-se a linha (nl) corresponde da matriz pelo vetor de amostras W. • (Ex: linha 1 * posição 1 do vetor amostrasW); • O resultado é comparado com a primeira posição do vetor de saídas. • Caso o sinal (- ou +) não seja igual, faz se o treinamento de acordo com a taxa de aprendizagem. • Faz-se então uma nova comparação. Caso for igual, irá para a próxima linha da matriz, se não, faz novamente o treinamento com os valores resultantes, até o número máximo de n. NEURÔNIO ARTIFICIAL HOPFIELD • Em 1982, John Hopfield desenvolveu uma rede neural associativa; • É baseada na definição de “energia” da rede. É uma prova de que a rede opera minimizando esta energia quando evolui para padrões estáveis de operação; • Só consegue computar problemas linearmente separáveis. Vídeo 1 – Demonstração Rede Neural Hopfield Fonte: https://pt.wikipedia.org/wiki/Rede_neural_artificialns.pdf A = B = C = * * * NEURÔNIO ARTIFICIAL HOPFIELD - ARQUITETURA Figura 5 – Arquitetura Rede Hopfield Fonte: http://www.cin.ufpe.br/~gcv/web_lci/Aula-Hopfield.pdf NEURÔNIO ARTIFICIAL HOPFIELD • Principal aplicação: reconstituir padrões corrompidos ou incompletos, Exemplo 1: Imagine um terrorista que possui uma foto sem óculos em um banco de dados da INTERPOL ; Assim, como podemos identificá-lo pelas câmeras de um aeroporto quando estiver utilizando óculos? Através da Rede Neural de Hopfield, reconstruindo os padrões, eliminando o óculos. Exemplo 2: Radares de trânsito podem capturar imagens com imperfeições Dessa forma é necessário reconstruir padrões para identificar o número da placa do veículo; Aplicando a Rede Neural de Hopfield. REFERÊNCIAS http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf http://www.cerebromente.org.br/n05/tecnologia/nervoso.htm http://www.ene.unb.br/adolfo/Lectures/ICIN/Ex1_ISI.htm http://www.todabiologia.com/anatomia/neuronios.htm https://pt.wikipedia.org/wiki/Rede_neural_artificial http://moschneider.tripod.com/rn_rna.pdf
Compartilhar