Baixe o app para aproveitar ainda mais
Prévia do material em texto
ICMC-USP Lista de Exerćıcios 2 SCC-0570 - Introdução a Redes Neurais 1o. Semestre de 2018 - Prof. João Lúıs 1. Identifique os pontos fortes e fracos do teorema de Cover: Um problema de classificação de padrões complexos que “cai”, de forma não- linear, num espaço de alta dimensão é mais provável ser linearmente separável do que em um espaço de baixa dimensão, desde que o espaço não seja densa- mente povoado. 2. Na figura 1 apresenta-se uma solução ao problema do XOR usando uma rede RBF com duas unidades escondidas. Considere uma solução exata do problema do XOR usando uma rede RBF com quatro unidades escondidas, com cada centro da função de base radial sendo determinado por cada porção dos dados de entrada. Os quatro padrões de entrada posśıveis são definidos por (0,0), (0,1), (1,1) e (1,0), que representam os cantos de um quadrado ordenados ciclicamente. (a) Construa a matriz de interpolação Φ para a rede RBF resultante. Depois, compute a matriz inversa Φ−1. (b) Calcule os pesos lineares da camada de sáıda da rede. Figura 1: Rede Neural para resolução do problema do XOR. Fonte: [1]. 3. Considere uma rede de Hopfield com cinco neurônios, para armazenar as seguintes três memórias fundamentais: ξ1 = [+1,+1,+1,+1,+1] T (1) ξ2 = [+1,−1,−1,+1,−1]T (2) ξ3 = [−1,+1,−1,+1,+1]T (3) (a) Avalie a matriz 5-por-5 de pesos sinápticos da rede. (b) Use atualização asśıncrona para demonstrar que todas as três memórias fundamen- tais satisfazem a condição de alinhamento. (c) Investigue a performance de recuperação da rede quando é apresentada uma versão ruidosa de ξ1 na qual o segundo elemento é revertido em polaridade. Página 1 de 3 Continua na próxima página. . . ICMC-USP Lista de Exerćıcios 2 SCC-0570 (continuação) 4. (a) Mostre que ξ1 = [−1,−1,−1,−1,−1]T (4) ξ2 = [−1,+1,+1,−1,+1]T (5) ξ3 = [+1,−1,+1,−1,−1]T (6) também são memórias fundamentais da rede de Hopfield descrita no problema 3. Como essas memórias fundamentais estão relacionadas às do problema 3? (b) Suponha que o primeiro elemento da memória fundamental ξ3 no problema 3 esteja mascarado (reduzido a zero). Determine o padrão resultante produzido pela rede de Hopfield. Compare esse resultado com a forma original de ξ3. 5. Considere a rede de Hopfield simples constitúıda de dois neurônios. A matriz de pesos sinápticos da rede é W = [ 0 −1 −1 0 ] (7) O bias aplicado a cada neurônio é zero. Os quatro estados posśıveis da rede são x1 = [+1,+1] T (8) x2 = [−1,+1]T (9) x3 = [−1,−1]T (10) x4 = [+1,−1]T (11) Demonstre que os estados x2 e x4 são estáveis. Para fazer essa demonstração use o seguinte: 1. A condição de alinhamento (estabilidade). 2. A função energia. 6. O que é recozimento simulado? 7. Explique o funcionamento da máquina de Boltzmann. 8. Quais prinćıpios da auto-organização estão relacionados com a Hipótese de Hebb? Ex- plique. 9. Explique, de forma objetiva, o modelo de Linsker. 10. Algumas vezes diz-se que o algoritmo SOM preserva os relacionamentos topológicos que existem no espaço de entrada. Estritamente falando, essa propriedade pode ser garantida apenas para um espaço de entrada de dimensionalidade igual ou menor que a do ret́ıculo neural. Discuta a validade dessa afirmação. Página 2 de 3 Continua na próxima página. . . ICMC-USP Lista de Exerćıcios 2 SCC-0570 (continuação) 11. É dito que o algoritmo SOM baseado em aprendizado competitivo não apresenta to- lerância contra falha de hardware, ainda que o algoritmo seja tolerante a erros, ou seja, uma pequena perturbação aplicada ao vetor de entrada faz a sáıda saltar do neurônio vencedor para um vizinho. Discuta a implicação dessas duas afirmações. 12. Considere o ret́ıculo de neurônios bidimensional treinado com uma distribuição de en- trada de três dimensões. O ret́ıculo consiste de 10× 10 neurônios. (a) A entrada é uniformemente distribúıda em um estreito volume definido por {(0 < x1 < 1), (0 < x2 < 1), (0 < x3 < 0.2)}. Use o algoritmo SOM para computar uma projeção bidimensional do espaço de entrada depois de 50, 1.000 e 10.000 iterações do algoritmo. (b) Repita a computação para o caso da entrada ser uniformemente distribúıda em um largo volume de paraleleṕıpedo definido por {(0 < x1 < 1), (0 < x2 < 1), (0 < x3 < 0.4)}. (c) Repita, mais uma vez, a computação para o caso da entrada ser uniformemente distribúıda em um cubo definido por {(0 < x1 < 1), (0 < x2 < 1), (0 < x3 < 1)}. Discuta as implicações dos resultados das suas simulações computacionais. 13. No que consiste a Teoria da Ressonância Adaptativa? Explique o funcionamento da rede ART. 14. Explique o dilema estabilidade-plasticidade. Como a rede ART resolve esse dilema? Referências [1] S. Haykin, Neural networks - a comprehensive foundation, 2nd. ed. Prentice Hall, 1999. Página 3 de 3 Final da Lista.
Compartilhar