Aula 1_RNA_e_Fuzzy

Prévia do material em texto

Conceitos iniciais Aplicações Neurônios
Universidade Estadual do Maranhão - UEMA
Curso de Engenharia da Computação
Disciplina: Redes Neurais e Lógica Fuzzy
AULA 1
Prof. MSc Sidney Cerqueira
email:cerqueirasidney@gmail.com
26 de março de 2014
1 / 35
Conceitos iniciais Aplicações Neurônios
Sumário
1 Conceitos iniciais
Definição
Caracteŕısticas Principais
2 Aplicações
Potenciais áreas de aplicações
3 Neurônios
Neurônio Biológico
Neurônio Artificial
2 / 35
Conceitos iniciais Aplicações Neurônios
Definição
Definição
As Redes Neurais Artificiais (RNA’s) são modelos computacionais
projetadas para mimetizar a maneira pelo qual o cérebro desempenha
um função em particular ou interesse.
Possuem um a capacidade de aquisição e manutenção do
conhecimento (baseado em informações) e podem ser definidas
ainda, como um conjunto de unidades de processamento,
caracterizados por neurônios artificiais, que são interligados por um
grande número de interconexões.
3 / 35
Conceitos iniciais Aplicações Neurônios
Caracteŕısticas Principais
Caracteŕısticas Principais
Adaptação por experiência: As adaptações dos parâmetros
internos da rede, são ajustados a partir da apresentação de su-
cessiva de exemplos (padrões, amostras, medidas), permitindo
aquisição de conhecimento por experimentação;
4 / 35
Conceitos iniciais Aplicações Neurônios
Caracteŕısticas Principais
Caracteŕısticas Principais
Adaptação por experiência: As adaptações dos parâmetros
internos da rede, são ajustados a partir da apresentação de su-
cessiva de exemplos (padrões, amostras, medidas), permitindo
aquisição de conhecimento por experimentação;
Capacidade de aprendizado: Através de um método de trei-
namento, a rede consegue extrair o relacionamento existente
entre as diversas variáveis que compõem a aplicação;
5 / 35
Conceitos iniciais Aplicações Neurônios
Caracteŕısticas Principais
Caracteŕısticas Principais
Adaptação por experiência: As adaptações dos parâmetros
internos da rede, são ajustados a partir da apresentação de su-
cessiva de exemplos (padrões, amostras, medidas), permitindo
aquisição de conhecimento por experimentação;
Capacidade de aprendizado: Através de um método de trei-
namento, a rede consegue extrair o relacionamento existente
entre as diversas variáveis que compõem a aplicação;
Habilidade de Generalização: Após treinada, a rede é capaz
de generalizar o conhecimento adquirido, possibilitando
estimar soluções quem eram até então desconhecidas;
6 / 35
Conceitos iniciais Aplicações Neurônios
Caracteŕısticas Principais
Organização de dados: baseada em caracteŕısticas intŕınsecas
envolvendo determinado conjunto de informações de um pro-
cesso, a rede é capaz de realizar a sua organização interna
visando possibilitar o agrupamento de padrões que apresentam
particularidades;
7 / 35
Conceitos iniciais Aplicações Neurônios
Caracteŕısticas Principais
Organização de dados: baseada em caracteŕısticas intŕınsecas
envolvendo determinado conjunto de informações de um pro-
cesso, a rede é capaz de realizar a sua organização interna
visando possibilitar o agrupamento de padrões que apresentam
particularidades;
Tolerância a falhas: Devido ao alto ńıvel de conexões entre os
neurônios artificiais, a rede neural torna-se um sistema tolerante
a falhas;
8 / 35
Conceitos iniciais Aplicações Neurônios
Caracteŕısticas Principais
Organização de dados: baseada em caracteŕısticas intŕınsecas
envolvendo determinado conjunto de informações de um pro-
cesso, a rede é capaz de realizar a sua organização interna
visando possibilitar o agrupamento de padrões que apresentam
particularidades;
Tolerância a falhas: Devido ao alto ńıvel de conexões entre os
neurônios artificiais, a rede neural torna-se um sistema tolerante
a falhas;
Facilidade de prototipagem: Implementação da maioria das
arquiteturas neurais pode ser facilmente, prototipada em
hardware ou em software, pois, após o processo de
treinamento, os seus resultados são normalmente obtidos por
algumas operações matemáticas elementares
9 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Potenciais áreas de aplicações
Aproximador Linear de funções: O objetivo consiste em ma-
pear o relacionamento funcional entre as variáveis de um sis-
tema a partir de um conjunto conhecido de seus valores repre-
sentativos.
10 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Potenciais áreas de aplicações
Aproximador Linear de funções: O objetivo consiste em ma-
pear o relacionamento funcional entre as variáveis de um sis-
tema a partir de um conjunto conhecido de seus valores repre-
sentativos.
Controle de processos: o objetivo consiste em identificar
ações de controle que permitam a alcance dos requisitos de
qualidade, eficiência e segurança do processo.
11 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Potenciais áreas de aplicações
Aproximador Linear de funções: O objetivo consiste em ma-
pear o relacionamento funcional entre as variáveis de um sis-
tema a partir de um conjunto conhecido de seus valores repre-
sentativos.
Controle de processos: o objetivo consiste em identificar
ações de controle que permitam a alcance dos requisitos de
qualidade, eficiência e segurança do processo.
Reconhecimento/classificação de padrões: Consiste em as-
sociar um padrão de entrada (amostra) para uma classe previ-
amente definida.
12 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Potenciais áreas de aplicações
Aproximador Linear de funções: O objetivo consiste em ma-
pear o relacionamento funcional entre as variáveis de um sis-
tema a partir de um conjunto conhecido de seus valores repre-
sentativos.
Controle de processos: o objetivo consiste em identificar
ações de controle que permitam a alcance dos requisitos de
qualidade, eficiência e segurança do processo.
Reconhecimento/classificação de padrões: Consiste em as-
sociar um padrão de entrada (amostra) para uma classe previ-
amente definida.
Agrupamento de dados (clusterização): Consiste em identi-
ficar e detectar similaridades e particularidades entre os diversos
padrões de entrada a fim de possibilitar seu agrupamento.
13 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Sistemas de previsão: Consiste em estimar valores futuros
de um processo levando-se em consideração diversas medidas
prévias observadas em seu doḿınio.
14 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Sistemas de previsão: Consiste em estimar valores futuros
de um processo levando-se em consideração diversas medidas
prévias observadas em seu doḿınio.
Otimização de sistemas: Consiste em minimizar ou maximi-
zar uma função custo obedecendo também eventuais restrições
que são impostas para o correto mapeamento do sistema.
15 / 35
Conceitos iniciais Aplicações Neurônios
Potenciais áreas de aplicações
Sistemas de previsão: Consiste em estimar valores futuros
de um processo levando-se em consideração diversas medidas
prévias observadas em seu doḿınio.
Otimização de sistemas: Consiste em minimizar ou maximi-
zar uma função custo obedecendo também eventuais restrições
que são impostas para o correto mapeamento do sistema.
Memórias associativas: Consiste em recuperar padrões cor-
retos mesmo se os seus elementos constituintes forem apresen-
tados de forma incerta ou imprecisa.
16 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
Neurônio Biológico
O processamento de informações no cérebro humano é regido
por elementos processadores biológicos que operam em para-
lelo, tendo como objetivo a produção de ações apropriadaspara
cada uma de suas funcionalidades, tais como o pensar e o me-
morizar.
17 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
Neurônio Biológico
O processamento de informações no cérebro humano é regido
por elementos processadores biológicos que operam em para-
lelo, tendo como objetivo a produção de ações apropriadas para
cada uma de suas funcionalidades, tais como o pensar e o me-
morizar.
A celular elementar do sistema nervoso cerebral é o neurônio
e seu papel se resume a conduzir impulsos sob determinadas
condições de operação.
18 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
Neurônio Biológico
O processamento de informações no cérebro humano é regido
por elementos processadores biológicos que operam em para-
lelo, tendo como objetivo a produção de ações apropriadas para
cada uma de suas funcionalidades, tais como o pensar e o me-
morizar.
A celular elementar do sistema nervoso cerebral é o neurônio
e seu papel se resume a conduzir impulsos sob determinadas
condições de operação.
É divido basicamente em três partes: dentritos, corpo celular e
axônio.
19 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
Os dentritos são constitúıdos por vários finos prologamen-
tos que formam uma árvore dentrital. Sua função é captar,
de forma cont́ınua, os est́ımulos de vindos de diversos outros
neurônios, ou do próprio meio externo onde os mesmos podem
estar em contato (neurônios sensitivos).
Figura : Neurônio biológico
20 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
O corpo celular ou somador é incumbido de processar to-
das as informações advindas dos dentritos a fim de produzir
um potencial de ativação que indicará se o neurônio poderá
disparar um impulso elétrico ao longo do seu axônio. Se encon-
tram também as principais organelas citoplasmáticas (núcleo,
mitocôndria, centŕıolo, lisossomo, etc.) do neurônio.
21 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
O corpo celular ou somador é incumbido de processar to-
das as informações advindas dos dentritos a fim de produzir
um potencial de ativação que indicará se o neurônio poderá
disparar um impulso elétrico ao longo do seu axônio. Se encon-
tram também as principais organelas citoplasmáticas (núcleo,
mitocôndria, centŕıolo, lisossomo, etc.) do neurônio.
Axônio - é constitúıdo por um único prolongamento, cuja
missão é conduzir os impulsos elétricos para outros neurônios
conectores ou para aqueles que se conectam diretamente com
o tecido muscular. A sus terminação é constitúıda por
ramificações denominadas terminações sinápticas.
22 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
As sinapses são as conexões que viabilizam a transferência de
impulsos elétricos do axônio de um neurônio para os dentritos
de outros.
Figura : Conexão sinápticas entre neurônios
23 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
Algumas caracteŕısticas do cérebro humano
Estima-se que a rede neural biológica, seja constitúıdas por 100
bilhões de neurônios. Sendo cada um deles interligados por conexões
sinápticas em média a outros 6000 neurônios, fazendo um total de
600 trilhões de sinapses.
Caracteŕıstica Dimensão f́ısica
Massa do cérebro 1,5 kg
Energia consumida pelo cérebro 20%
Comprimento do neurônio 100µm
Potencial de repouso da membrana -70mV
Potencial de ativação da membrana -55mV
Potencial de ação (máximo) 35mV
24 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Biológico
Figura : Etapas de variação do potencial de ação do neurônio
25 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Modelo do Neurônio Artificial
Os neurônios artificiais são não-lineares, fornecem sáıdas tipica-
mente cont́ınuas, e realizam funções simples, como coletar os
sinais existentes em suas entradas, agregá-los de acordo com
sua função operacional e produzir uma resposta, levando em
conta sua função de ativação inerente.
O modelo mais simples foi desenvolvidos por McCulloch& Pitts
(1943), e engloba as principais caracteŕısticas de uma rede neu-
ral biológica, isto é, paralelismo e alta conectividade, sendo
ainda o modelo mais utilizado nas diferentes arquiteturas de
RNA’s.
26 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Figura : Neurônio Artificial
27 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Sinais de entrada (x1, x2, ..., xn): São sinais ou medidas ad-
vindas do meio externo e que representam os valores assumidos
pelas variáveis de uma aplicação espećıfica. Usualmente nor-
malizados visando incrementar a eficiência computacional dos
algoritmos de aprendizagem;
28 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Sinais de entrada (x1, x2, ..., xn): São sinais ou medidas ad-
vindas do meio externo e que representam os valores assumidos
pelas variáveis de uma aplicação espećıfica. Usualmente nor-
malizados visando incrementar a eficiência computacional dos
algoritmos de aprendizagem;
Pesos sinápticos (w1,w2, ...,wn): São os valores que ser-
virão para ponderar cada uma das variáveis de entrada da rede,
permitindo-se quantificar as suas relevâncias em relação à fun-
cionalidade do respectivo neurônio;
29 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Sinais de entrada (x1, x2, ..., xn): São sinais ou medidas ad-
vindas do meio externo e que representam os valores assumidos
pelas variáveis de uma aplicação espećıfica. Usualmente nor-
malizados visando incrementar a eficiência computacional dos
algoritmos de aprendizagem;
Pesos sinápticos (w1,w2, ...,wn): São os valores que ser-
virão para ponderar cada uma das variáveis de entrada da rede,
permitindo-se quantificar as suas relevâncias em relação à fun-
cionalidade do respectivo neurônio;
Combinador linear (Σ): Sua função é agregar todos os si-
nais de entrada que foram ponderados pelos respectivos pesos
sinápticos a fim de produzir um valor de potencial de ativação;
30 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Sinais de entrada (x1, x2, ..., xn): São sinais ou medidas ad-
vindas do meio externo e que representam os valores assumidos
pelas variáveis de uma aplicação espećıfica. Usualmente nor-
malizados visando incrementar a eficiência computacional dos
algoritmos de aprendizagem;
Pesos sinápticos (w1,w2, ...,wn): São os valores que ser-
virão para ponderar cada uma das variáveis de entrada da rede,
permitindo-se quantificar as suas relevâncias em relação à fun-
cionalidade do respectivo neurônio;
Combinador linear (Σ): Sua função é agregar todos os si-
nais de entrada que foram ponderados pelos respectivos pesos
sinápticos a fim de produzir um valor de potencial de ativação;
Limiar de ativação (θ): É uma variável que espećıfica qual
será o patamar apropriado para que o resultado produzido pelo
combinador linear possa gerar um valor de disparo em direção
à sáıda do neurônio;
31 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Potencial de ativação (u): É o resultado produzido pela di-
ferença do valor produzido entre o combinador linear e o limiar
de ativação. Se tal valor é positivo, ou seja, se u ≥ θ então
o neurônio produz um potencial excitatório; caso contrário, o
potencial será inibitório;
32 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Potencial de ativação (u): É o resultado produzido pela di-
ferença do valor produzido entre o combinador linear e o limiar
de ativação. Se tal valor é positivo, ou seja, se u ≥ θ então
o neurônio produz um potencial excitatório; caso contrário, o
potencial será inibitório;
Função de ativação (g): Seu objetivoé limitar a sáıda do
neurônio dentro de um intervalo de valores razoáveis a serem
assumidos pela sua própria imagem funcional;
33 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
Potencial de ativação (u): É o resultado produzido pela di-
ferença do valor produzido entre o combinador linear e o limiar
de ativação. Se tal valor é positivo, ou seja, se u ≥ θ então
o neurônio produz um potencial excitatório; caso contrário, o
potencial será inibitório;
Função de ativação (g): Seu objetivo é limitar a sáıda do
neurônio dentro de um intervalo de valores razoáveis a serem
assumidos pela sua própria imagem funcional;
Sinal de sáıda (y): É o valor final produzido pelo neurônio
em relação a um determinado conjunto de sinais de entrada,
podendo ser também utilizado por outros neurônios que estão
seqüencialmente interligados.
34 / 35
Conceitos iniciais Aplicações Neurônios
Neurônio Artificial
O resultado do neurônio artificial de McCulloch e Pitts é dado por:
u =
n∑
i=1
wi · xi − θ (1)
y = g(u) (2)
35 / 35
	Conceitos iniciais
	Definição
	Características Principais
	Aplicações
	Potenciais áreas de aplicações
	Neurônios
	Neurônio Biológico
	Neurônio Artificial