Redes Neurais Artificiais_TrabalhoDefinitivo

Prévia do material em texto

União de Ensino Superior de Viçosa
Faculdade de Ciências Biológicas e da Saúde
Curso de Engenharia Química 
ANDRÉ VINÍCIUS ASCIPRESTES RIBEIRO
Redes Neurais Artificiais
VIÇOSA
MINAS GERAIS – BRASIL
	
2014
ANDRÉ VINÍCIUS ASCIPRESTES RIBEIRO
	
Redes Neurais Artificiais
Trabalho orientado pelo Professor David Rafael Quintão Rosa, como parte integrante das exigências da disciplina Modelagem e Simulação de Processos do curso de Engenharia Química da Faculdade de Ciências Biológicas e da Saúde – FACISA/UNIVIÇOSA.
VIÇOSA
MINAS GERAIS – BRASIL
2014
Introdução
	A combinação de diversos neurônios é denominada de rede de neurônios, ou rede neural, e sua origem está fundamentada nos estados do cérebro e de suas conexões sinápticas (TAFNER; XEREZ; RODRIGUES FILHO, 1996).
	As redes neurais são sistemas paralelos distribuídos, compostos por unidades de processamento simples, também chamada de nodos ou neurônios, dispostos em uma ou mais camadas e interligados por inúmeras conexões, que realizam cálculos de determinadas funções matemáticas (BRAGA; CARVALHO; LUDEMIR, 2007). A rede extrai seu poder computacional da sua distribuição de estrutura maciçamente paralela e da sua habilidade de aprender, tornando possível a resolução de problemas complexos nas mais diferentes áreas do conhecimento (HAYKIN, 2001).
	As RNAs fazem parte do contexto da Inteligência Artificial (IA), pois utilizam dispositivos computacionais para simular a capacidade humana de resolver problemas. Além disso, como qualquer outra técnica de IA, as RNAs tem a capacidade de armazenar o conhecimento, aplicar esse conhecimento armazenado para resolver problemas e adquirir novos conhecimentos através das experiências (SCHMITT, 2009).
	Resumindo, Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões de neurônios (CARVALHO. Disponível em: < http://www.icmc.usp.br/pessoas/andre/research/neural/#intro >. Acessado em: 25 Nov. 2014).
	Através de um processo de treinamento, as redes neurais passam a ser capazes de responder a estímulos de entrada. Conforme o aprendizado, a rede se torna capaz de reconhecer padrões classificando então as entradas, ou seja, quando uma entrada é aplicada à rede, esta fornece uma resposta de saída indicando a classe a qual a entrada pertence. Numa outra forma de aprendizado a rede aprende sobre o relacionamento que há entre pares entrada-saída, assim quando uma entrada for aplicada à rede, esta responde com a saída correspondente àquela entrada. A habilidade de manipular dados imprecisos faz com que as redes neurais sejam extremamente eficazes em tarefas onde especialistas não estão à disposição ou um conjunto de regras não pode ser facilmente formulado.
	O cérebro humano contém cerca de 10 bilhões de neurônios interconectados, que formam uma rede capaz de processar milhares de informações e realizar em torno de 60 trilhões de conexões sinápticas (VALENÇA; LUDEMIR, 1999). Cada um desses neurônios processa e se comunica com milhares de outros continuamente e em paralelo. A estrutura individual, a topologia de suas conexões e o comportamento conjunto desses elementos de processamentos naturais formam a base para o estudo das RNAs (SCHMITT, 2009).
	Os neurônios biológicos são divididos em três seções: o corpo celular, os dendritos e o axônio, cada um com funções específicas, porém complementares. O ponto de contato entre a terminação axônica de um neurônio e o dendrito de outro é chamado de sinapse (SCHMITT, 2009).
	As sinapses são os locais onde os impulsos nervosos são transmitidos de uma célula pré-sináptica (neurônio) pra uma célula pós-sináptica (outro neurônio). Assim, as sinapses permitem que os neurônios se comuniquem uns com os outros e com células efetoras (GARTNER; HIATT, 1997).
	O neurônio artificial é uma estrutura com característica lógica e matemática que procura simular a forma, o comportamento e as funções de um neurônio biológico. Desta maneira, os dendritos são substituídos por entradas, onde as ligações com o corpo celular artificial são realizadas através de elementos chamados de peso, simulando as sinapses. Os estímulos captados pelas entradas são processados pela função de soma, e o limiar de disparo do neurônio biológico foi substituído por uma função de transferência.
	Uma rede neural artificial é formada pela combinação de diversos neurônios artificiais. As entradas podem ser conectadas em muitos neurônios, resultando, assim, em uma série de saídas, onde cada neurônio representa uma saída. Comparando com o sistema biológico, essas conexões representam o contato dos dendritos com outros neurônios, formando assim as sinapses. As conexões tornam o sinal de saída de um neurônio um sinal de entrada de outro, ou ainda, orientam o sinal de saída para o mundo externo.
Figura 1. Neurônio Artificial.
	
Arquitetura das RNAs
	A arquitetura da rede, também denominada de topologia, refere-se a maneira como os neurônios da rede estão organizados. Existem várias estruturas que diferem umas das outras em função do número de camadas e pela forma como seus neurônios interagem (SILVA et al. 2004).
	As redes neurais de peso podem ser divididas em três classes de arquitetura distintas: redes alimentadas adiante (feedforward) de uma única camada, redes alimentadas adiante de múltiplas camadas (Multilayer feedfordward networks) e redes recorrentes (feedback).
Feedforward: Constituída de uma camada de entrada e única camada de neurônios, que é a própria saída. O fluxo de informações segue sempre numa única direção (unidirecional).
	
Multilayer feedforward networks: Presença de uma ou mais camadas neurais escondidas. A quantidade de camadas escondidas e de neurônios dependem, sobreturo, do tipo e complexidade do problema.
Feedback: A Saídas dos neurônios são realimentadas como sinais de entrada para outros neurônios. A realimentação as qualificam para processamento dinâmico de informações.
Aplicações e exemplos
	São inúmeras as aplicações possíveis para as redes neurais:
	Aplicações
	Funções
	Identificação de sinais de radar
	Utilizando os modelos perceptron e backpropagation, Sigillito & Hutton realizaram a classificação de sinais de radar. O radar transmite múltiplos padrões de sinais para a ionosfera e aguarda o retorno. A função da rede neural aqui é classificar os sinais de retorno em bons ou maus.
	Mercado Financeiro
	Com base em valores mensais de ativos, são definidos padrões construídos a partir de janelas para cada 4 meses, com cinco valores por mês. Para cada ativo, há um aprendizado e, portanto, um mapeamento de pesos específico. A função da rede neural nesta aplicação é aprender as flutuações do mercado em sua história para posterior reconhecimento de tendências do mercado futuro.
	Composição Musical
	As notas são diferenciadas por sua frequência e duração, permitindo sua codificação e treinamento da rede neural com estes padrões. A representação das notas pode-se dar por valoração direta, onde cada nota possui um valor, ou por transição, onde se ensina para a rede uma transição de notas, exigindo assim um conjunto harmonioso de entrada para um reconhecimento preciso. Para esta forma, cada uma das saídas da rede é um conjunto de notas que farão a composição final.
	Controle de processos
	Consistem em identificar ações de controle que permitam o alcance dos requisitos de qualidade, de eficiência e de segurança do processo. Ex: controles aplicados em robótica, aeronaves, elevadores, etc.
	Classificação de padrões
	Associar um padrão de entrada (amostra) para uma das classes previamente definidas. Ex: reconhecimento de voz, imagens, etc.
	Agrupamento de dados
	Identificação edetecção de similaridades e particularidades entre os diversos padrões de entrada a fim de possibilitar seu agrupamento. Ex: identificação automática de classes (como em problemas de diagnóstico médico), compressão de dados e mineração de dados (data mining).
	Sistema de Previsão
	Estimar valores futuros de um processo levando-se em consideração diversas medidas prévias observadas em seu domínio. Ex: previsão de séries temporais, mercados financeiros, climáticas, etc.
	Otimização de Sistemas
	Minimizar ou maximizar uma função custo (objetivo) obedecendo também eventuais restrições que são impostas para o correto mapeamento do problema. Ex: problemas de otimização restrita, otimização combinatória, programação dinâmica, etc.
	Memórias associativas
	Recuperar padrões corretos mesmo se os seus elementos constituintes forem apresentados de forma incerta ou imprecisa. Ex: processamento de imagens, transmissão de sinais, identificação de caracteres manuscritos, etc.
	
	
	
	
	
	
	
	
Conclusão
	Apesar de serem constituídos por material diferente (virtual), os neurônios artificiais tentam ser similares aos neurônios biológicos apresentando funções parecidas.
	Uma propriedade marcante das redes neurais biológicas é a capacidade de aprendizado em função de experiências passadas. Fazendo uso dessa propriedade, as redes neurais artificiais podem ser treinadas e então aplicadas em diversos campos na resolução de problemas complexos.
	Dada a habilidade em manipular dados imprecisos, as redes neurais são extremamente eficazes em tarefas onde especialistas não estão à disposição ou um conjunto de regras não pode ser facilmente formulado. A aplicação de tais redes em controle de processos revela também uma outra tendência.
Referências
	BRAGA, A. P.; CARVALHO; A. P. L. F.; LUDEMIR, T. B. Redes neurais artificiais: teoria e aplicações. 2.ed. Rio de Janeiro: LTC, 2007. 226p.
	CARVALHO, A. P. L. Redes neurais artificiais. Disponível em: < http://www.icmc.usp.br/pessoas/andre/research/neural/#intro >. Acessado em: 25 Nov. 2014.
	GARTNER, L.; HIATT, J. Tratado de histologia. Rio de Janeiro: Guanabara-Koogan, 1999. 425p.
	HAYKIN, S. Redes Neurais: princípios e prática. 2.ed. Porto Alegre: Bookman, 2001. 900p.
	SCHMITT, P. Redes neurais artificiais aplicadas na classificação litológica das formações Palermo e Rio Bonito na Jazida do Leão – RS, com base em perfis geofísicos. São Leopoldo: Universidade do Vale do Rio dos Sinos, 2009. 92f. Dissertação (Mestrado em geologia) – Programa de Pós-graduação em Geologia, Unidade Acadêmica de Pesquisa e Pós-graduação, Universidade do Vale do Rio dos Sinos –UNISINOS, São Leopoldo. 2009.
	SILVA, A. N. R. et al. SIG: uma plataforma para introdução de técnicas emergentes no planejamento urbano regional e de transportes: uma ferramenta 3D para analise ambiental urbana, avaliação multicritério, redes neurais artificiais. São Carlos: EdUFSCar, 2004. 221p.
	TAFNER, M. A.; XEREZ, M.; RODRIGUES FILHO, I. Redes neurais artificiais: introdução e princípios de neurocomputação. Blumenau: Eko, 1996. 199p.
	VALENÇA, M. J. S.; LUDEMIR, T. B. Introdução às redes neurais. In: GALVÃO, C. O.; VALENÇA, M J. S (Org.). Sistemas inteligentes. Rio de Janeiro: CPRM, 1994. 172p.