Redes Neurais Perceptron e Hopfield

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