Baixe o app para aproveitar ainda mais
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
Compartilhar