Baixe o app para aproveitar ainda mais
Prévia do material em texto
SISTEMAS INTELIGENTES NA PRODUÇÃO INDUSTRIAL Docente: Dieigo Sá Gaia 02. Redes Neurais Artificiais 1 – Redes Neurais Artificiais • Na busca pela construção de máquinas inteligentes, ou com comportamento inteligente, um modelo que ocorre naturalmente é o cérebro humano. • O desenvolvimento das Redes Neurais Artificiais (RNAs) tomou como inspiração a estrutura e o funcionamento do sistema nervoso, com o objetivo de simular a capacidade de aprendizado do cérebro humano na aquisição de conhecimento. • As RNAs são baseadas em modelos abstratos de como pensamos que o cérebro (e os neurônios) funciona. 1.1 – Sistema Nervoso • O sistema nervoso, do qual faz parte o cérebro, é uma conjunto complexo de células que determinam o funcionamento e o comportamento dos seres vivos. 1.2 – Componentes Básico das RNAs • As RNAs são sistemas computacionais distribuídos compostos de unidades de processamento simples, densamente interconectadas. • Essas unidades, conhecidas como neurônios artificiais, computam funções matemáticas. • Uma RNA é portanto caracterizada por dois aspectos básicos: arquitetura e aprendizado. 1.2 – Componentes Básico das RNAs (Arquitetura) 1.2 – Componentes Básico das RNAs (Arquitetura) 1.2 – Componentes Básico das RNAs (Arquitetura) 1.2 – Componentes Básico das RNAs (Arquitetura) 1.2 – Componentes Básico das RNAs (Arquitetura) 1.2 – Componentes Básico das RNAs (Aprendizado) • Os algoritmos podem ser divididos em quatro grupo: 1) Correção de erro; 2) Hebbiano; 3) Competitivo; 4) Termodinânico (Boltzmann). 1.3 – Redes Perceptron • A primeira RNA a ser implementada foi a rede perceptron, desenvolvida por Resenblatt (1958). • Apresenta uma camada de neurônios. 1.3 – Redes Perceptron • Alguns anos após propor a rede perceptron, Rosenblatt provou o teorema de convergência da rede perceptron, que diz que, se é possível classificar um conjunto de entradas linearmente, uma rede perceptron fará a classificação. • As redes perceptron foram propostas para a solução de problemas de classificação. 1.3 – Redes Perceptron • Uma limitação das redes de uma camada é que elas conseguem classificar apenas objetos que são linearmente separáveis. 1.4 –Perceptron Multicamadas (MLP) • Segundo Cybenko (1989), uma rede com uma camada intermediária pode implementar qualquer função contínua . 1.5 –Algoritmo Back-propagation 1.6 – Projeto da Arquitetura de uma RNA Geralmente a arquitetura é definida por um processo de busca exaustiva que pode ser realizada por diferentes abordagens: • Empírica; • Meta-heurística; • Poda; • Construtiva; 1.7 – Vantagens e Desvantagens Geralmente a arquitetura é definida por um processo de busca exaustiva que pode ser realizada por diferentes abordagens: • Empírica; • Meta-heurística; • Poda; • Construtiva; • Obrigado!
Compartilhar