96966162-Redes-Neurais-No-Matlab

Prévia do material em texto

UNIVERSIDADE FEDERAL DE SERGIPE 
CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA 
DEPARTAMENTO DE ENGENHARIA ELÉTRICA 
ORIENTARDOR: PROF. CARLOS ALBERTO V. CARDOSO 
ALUNA: TARCIANA ALVES ALMEIDA 
 
 
 
REDES NEURAIS NO 
MATLAB 
INTRODUÇÃO 
DEFINIÇÕES: 
 
1. Técnica inspirada no funcionamento do 
cérebro, onde neurônios artificiais, conectados 
em rede, são capazes de aprender e de 
generalizar. 
2.Isso significa que se a rede aprende a lidar 
com um certo problema, e lhe é apresentado um 
similar, mas não exatamente o mesmo, ela 
tende a reconhecer esse novo problema, 
oferecendo a mesma solução. 
 
 
 
Componentes do neurônio artificial 
– As sinapses (entradas), com seus pesos associados 
 
– A junção somadora; e 
 
– A função de ativação. 
 w
k1
w
k2
w
km
 f(u
k
)
x
1
x
2
x
m
u
k
w
k0
=b
k
y
k
sinais
de
entrada
pesos
sinápticos
junção
aditiva
(bias)
função
de ativação
saída
w
k0
x
0
=+1
entrada fixa
Princípio de funcionamento 
A operação de um neurônio artificial se resume em: 
 
• Sinais são apresentados à entrada (x1 à xm); 
• Cada sinal é multiplicado por um peso que indica 
sua influência na saída da unidade (wk); 
• É feita a soma ponderada dos sinais que produz 
um nível de atividade (uk); 
• A função de ativação f(uk) tem a função de limitar 
a saída e introduzir não-linearidade ao modelo. 
• O bias bk tem o papel de aumentar ou diminuir a 
influência do valor das entradas. 
 
Expressão Matemática do Neurônio 
Artificial 








 

m
j
kjkjkk bxwfufy
1
)(
Matematicamente a saída pode ser expressa por: 
 
 
 
 
 
Características Típicas de Redes Neurais 
Artificiais 
Características Positivas 
 
 Capacidade de Aprendizado: RNA não são programadas, mas treinadas com padrões de 
treinamento. Podem ser adaptadas através das entradas. 
 
 Paralelismo: RNA são massivamente paralelas e são portanto muito bem adequadas para 
uma simulação/implementação em computação paralela. 
 
 Representação distribuída do conhecimento: O conhecimento é armazenado de forma 
distribuída em seus pesos. O que aumenta muito a tolerância do sistema a falhas de neurônios 
individuais; permite o processamento paralelo. 
 
 Tolerância à falhas: O sistema pode ser mais tolerante a falhas de neurônios individuais que 
algoritmos convencionais. A rede deve, no entanto, ser treinada para apresentar esta 
característica. Nem toda rede é automaticamente tolerante a falhas. 
 
 Armazenamento associativo da informação: Para um certo padrão de entrada a RNA 
fornece o padrão que lhe é mais próximo. O acesso não é feito por endereçamento. 
 
 Robustez contra perturbações ou dados ruidosos: Quando treinadas para tanto as redes 
neurais são mais robustas a padrões incompletos 
 
Características Típicas de Redes Neurais 
Artificiais 
Características Negativas 
 Aquisição de conhecimento só é possível através de aprendizado: 
Principalmente devido à representação distribuída é muito difícil (exceção: rede 
de Hopfield para problemas de otimização) introduzir conhecimento prévio em 
uma RNA. Isto é muito comum em sistemas de IA simbólicos. 
 
 Não é possível a introspecção: Não é possível analisar o conhecimento ou 
percorrer o procedimento para a solução,como é possível com os componentes de 
explicação de sistemas especialistas. 
 
 Difícil dedução lógica (seqüencial): É virtualmente impossível obter-se cadeias 
de inferência lógica com redes neurais. 
 
 Aprendizado é lento: Principalmente redes completamente conectadas e quase 
todas as variantes dos algoritmos backpropagation são muito lentas. 
 
Aplicações de redes neurais 
• classificação de dado 
• análise de imagens; 
• análise de voz; 
• análise de aroma e odor (nariz eletrônico); 
• Reconhecimento de assinatura 
• Reconhecimento de faces e outros biométricos 
Criando Redes Neurais 
 Existem vários tipos de rede neural. A mais 
comum é o modelo MLP (multi layer 
perceptron). 
ENTRADA SAÍDA 
Camada 
1 
Camada 
2 
Camada 
3 
Rede feedforward de Múltiplas Camadas 
(Multilayer Perceptron - MLP) 
Treinamento da rede neural 
Durante o treinamento, a rede neural receberá 
a matriz de dados e o alvo. 
Todos os pesos de todos os neurônios serão 
modificados para obter a classificação 
desejada. 
Exemplo 01 
% cria a estrutura da RNA com um perceptron 
% [min; max], número de neurônios 
 
net = newp([-2 2; -2 2], 1) 
P = *0 0; 0 1; 1 0; 1 1+’; % entradas 
T = [0 1 1 1]; % saídas 
figure; % cria nova figura 
plotpv(P, T); % plota as entradas/saídas 
lh = plotpc(net.IW{1}, net.b{1}) % plota linha que separa as classes 
hold on 
for cont=1:6, 
net = adapt(net, P, T); % treinamento 
lh = plotpc(net.IW{1}, net.b{1}, lh); 
drawnow; 
pause; 
Y = sim(net, P) % propagação 
end; 
hold off; 
Criação e treinamento de um Percepton 
 
Criação e treinamento de um Percepton 
Criação e treinamento de um Percepton 
Criação e treinamento de um Percepton 
Exemplo 02 
% cria uma rede BP para solucionar o problema do XOR 
 
P = [-1 -1; -1 1; 1 -1; 1 1]; % entradas 
T = [-1 1 1 -1]; % saídas 
net = newff([-1 1; -1 1], [2 1]); % criação da rede BP 
a = sim(net, P.’) 
net = train(net, P.’, T); 
a = sim(net, P.’) 
TREINAMENTO 
 
a = 
 
 0.4012 0.6344 -0.5085 0.6298 
 
 
a = 
 
 -0.9996 0.9995 0.9996 -0.9985 
Exemplo 03 
FUNÇÃO SENO 
 
x = -pi:pi/16:pi; 
y = sin(x); 
plot(x,y); 
pause; 
Criação e treinamento de uma rede 
BackPropagation 
% cria uma rede BP para aproximar a função seno 
% entradas podem variar de -pi até pi 
% 20 neurônios na camada oculta 
% 1 neurônio na camada de saída 
 
net = newff([-pi pi], [20 1]); 
a = sim(net, x); 
plot(x, a); 
pause; 
 
% a rede inicia com pesos aleatórios. Então... 
Criação e treinamento de uma rede 
BackPropagation 
 
Criação e treinamento de uma rede 
BackPropagation 
% treina a rede BP para aproximar a função seno 
 
net = train(net, x, y); 
a = sim(net, x); 
plot(x, a); 
pause; 
Criação e treinamento de uma rede 
BackPropagation 
Criação e treinamento de uma rede 
BackPropagation 
% repetindo para 500 épocas de treinamento 
 
net = init(net); % inicializa novamente os pesos 
net.trainParam.epochs = 500; 
net = train(net, x, y); 
a = sim(net, x); 
plot(x, a); 
Criação e treinamento de uma rede 
BackPropagation