ES725 INTELIGÊNCIA ARTIFICIAL APLICADA

1. ES725 INTELIGÊNCIA ARTIFICIAL APLICADA Prof. Dr. Helder Anibal Hermini

2. AULA 5 ___________________ ___________________ Redes Neurais Artificiais para Controle & Automação ___________________ ___________________ Parte I

3. SUMÁRIO • Algumas Aplicações • O Treinamento da RNA • Redes Neurais em Identificação e Controle de Processos • Redes Neurais em Robótica • Redes Neurais em Visão Computacional • Comentários Finais

4. MOTIVAÇÃO Cérebro lida melhor com alguns problemas que o computador reconhecimento de padrões problemas de otimização combinatória Outras características desejáveis capaz de aprender sem o conhecimento do algoritmo capaz de generalizar robustez APLICAÇÕES reconhecimento de padrões processamento de sinais e imagens 1) INTRODUÇÃO 1

5. ALGUMAS APLICAÇÕES • Eng. Civil: – Avaliação da Condição de Pavimentos; – Gerenciamento da Construção; – Previsão da Resistência Mecânica do Concreto; • Eng. Elétrica: – Processamento de sinais; – Previsão de carga elétrica; – Diagnóstico de falhas; • Financeira: – Previsão da bolsa de valores; – Previsão de falência de bancos; • Controle de Processos: – Modelagem / Identificação; – Controle Adaptativo e Não-Linear; – Otimização de Parâmetros;

6. ALGUMAS APLICAÇÕES • Robótica: – Inteligência do Robô (tomada decisão); – Planejamento da Trajetória; – Controle Força / seguimento trajetória. • Meteorologia: – Previsão do Tempo; • Biomédica: – Análise de Batimentos Cardíacos; – Diagnóstico Médico da Tuberculose; – Detecção de Eventos Epiléticos; • Linguagem Natural: – Analisador Sintático; – Compreensão de Texto; – Corretor Gramatical;

7. ALGUMAS APLICAÇÕES • Processamento de Voz e Fala: – Reconhecimento de Fala; – Reconhecimento do Locutor (voz); • Agricultura: – Previsão de Produtividade da Lavoura; • Eng. de Produção: – Otimização de Processos de Fabricação; – Monitoramento de Processos; • Visão Computacional

8. Um único neurônio pode realizar funções de detecção de padrões muito simples. O poder de computação neural vem da conexão dos neurônios dentro de uma rede. Se o peso é zero, não há conexão. REDES NEURAIS MULTICAMADAS

9. CLASSIFICAÇÃO DAS RNAs

10. CLASSIFICAÇÃO DAS RNAs

11. 􀁺 Número de camadas 􀁺 Tipo de conexão 􀁺 Tipo de conectividade CLASSIFICAÇÃO DE ARQUITETURAS

12. Quanto ao número de camadas: Redes de camada única; Redes de múltiplas camadas. CLASSIFICAÇÃO DE ARQUITETURAS

13. Quanto ao tipo de conexão : Redes Recorrentes ”(acíclica) - Não há direção privilegiada para propagação da informação); Redes “Feedforward”(acíclica) - Sinal vai sempre das entradas para as saídas). CLASSIFICAÇÃO DE ARQUITETURAS

14. 11) FEEDFORWARD A A REDE NEURAL B B C C • serão utilizadas 3 camadas • propagação entrada/saída • conjunto de operação • rede treinada Feedforward 13

15. FEEDFORWARD - EXEMPLO 0,06 0,06 0,097 0,46 0,46 0,614 0,63 0,63 11.1) FEEDFORWARD 14

16. Quanto ao tipo de conectividade: Parcialmente conectada Completamente conectada CLASSIFICAÇÃO DE ARQUITETURAS

17. REPRESENTAÇÃO DO CONHECIMENTO “Conhecimento se refere à informação armazenada ou a modelos utilizados por uma pessoa ou máquina para interpretar, prever e responder apropriadamente a estímulos do mundo exterior”.

18. CONHECIMENTO EM UMA REDE NEURAL “O conhecimento em uma RN é aprendido e armazenado de maneira distribuída, sob a forma dos pesos das conexões. O número e a topologia dos pesos depende do número de camadas, do tipo de conexão e de conectividade entre os neurônios”. “Aprendizagem de uma RN se constitui de um processo pelo qual alguns parâmetros livres da rede são adaptados em função das respostas que ela apresenta a estímulos que recebe do meio externo”.

19. O TREINAMENTO DA RNA

20. TREINAMENTO SUPERVISIONADO

21. TREINAMENTO SUPERVISIONADO

22. TREINAMENTO SUPERVISIONADO O facilitador tem conhecimento sobre o ambiente. O conhecimento é representado por um conjunto de exemplos históricos.

23. 7) TREINAMENTO A D B X R A A X B REDE NEURAL P • 7.2) TREINAMENTO SUPERVISIONADO • conjunto de treinamento A,B erro, erro A,B ok, erro A,B ok, ok PADRÕES 1a ITERAÇÃO 2a ITERAÇÃO 3a ITERAÇÃO X 9

24. TREINAMENTO NÃO SUPERVISIONADO (TENTATIVA OU ERRO)

25. TREINAMENTO NÃO SUPERVISIONADO (TENTATIVA OU ERRO) Não há um facilitador para supervisionar o processo de aprendizagem, ou seja, não há exemplos rotulados da função a ser aprendida pela rede.

26. TREINAMENTO POR REFORÇO (APRENDE POR AUTO ESTÍMULO) • Não há um facilitador; • Dado um padrão de entrada, as unidades competem entre si para decidir qual delas será a vencedora; • A unidade vencedora tem a sua saída ativada e seus pesos são atualizados.

27. O TREINAMENTO DA RNA • Possível solução: ajustar pesos manualmente até que a saída coincida com a desejada para os valores dados de entrada. • Solução melhor: definir uma regra de ajuste dos pesos (Regra de aprendizado).

28. POSTULADO DE APRENDIZAGEM DE HEBB 1. Se dois neurônios em ambos os lados de uma sinapse são ativados simultaneamente, então a força daquela sinapse é seletivamente aumentada. 2. Se dois neurônios em ambos os lados de uma sinapse são ativados de forma assíncrona, então aquela sinapse é seletivamente enfraquecida ou eliminada.

29. ALGORITMO DE TREINAMENTO DA RNA 1. Definir a saída desejada para cada conjunto de entradas; 2. Definir valores iniciais aleatórios para cada peso; 3. Colocar um conjunto de valores na entrada; 4. Corrigir os pesos seguindo a regra de Hebb até obter a saída desejada para aquela entrada; 5. Voltar ao passo 3 (valor seguinte de entrada).