1 / 24

INTRODUÇÃO AS REDES NEURAIS

INTRODUÇÃO AS REDES NEURAIS. FÁBIO SILVA PIAZZI Orientadores: Marcelo Albuquerque Aline Gesualdi. Novembro 2001. SUMÁRIO. Introdução & Histórico Conceitos & Características Exemplo & Implementação Conclusão & Referências Bibliográficas. REDES NEURAIS OU REDES NEURONAIS ?

topper
Download Presentation

INTRODUÇÃO AS REDES NEURAIS

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. INTRODUÇÃO AS REDES NEURAIS FÁBIO SILVA PIAZZI Orientadores: Marcelo Albuquerque Aline Gesualdi Novembro 2001

  2. SUMÁRIO • Introdução & Histórico • Conceitos & Características • Exemplo & Implementação • Conclusão & Referências Bibliográficas

  3. REDES NEURAIS OU REDES NEURONAIS ? tentativa de reproduzir artificialmente redes neurais biológicas 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

  4. 2) HISTÓRICO • EVOLUÇÃO DO ESTUDO • 1940-1950: início das Redes neurais com McCulloch e Pitts. E as redes de auto-organização. • 1950-1960: Perceptron de aprendizado supervisionado. • 1960-1970: Pouco avanço • 1980-2000: Redes simétricas e o Backpropagation 2

  5. 3) NEURÔNIO BIOLÓGICO Estudo do comportamento do neurônio • PARTES • dendritos • corpo celular • axônio • sinapse Idéia de entrada, processamento e saída 3

  6. 4) REDE BIOLÓGICA Tentativa de mapear o seu funcionamento • APRESENTAÇÃO • formam malhas complexas • comunicação entre neurônios pelas sinapses Como reproduzir tal complexidade? 4

  7. 5) NEURÔNIO ARTIFICIAL - PERCEPTRON Começando pela unidade básica CARACTERÍSTICAS • variável interna - • polarização - bias • função de ativação - Semelhança entre os modelos 5

  8. 6) REDE ARTIFICIAL Construção de um modelo similar • 6.1) APRESENTAÇÃO • Disposição em camadas (simplicidade) • Comunicação entre neurônios entre camadas adjacentes Atendendo aos desejos iniciais, simplificando o modelo real 6

  9. 6) REDE ARTIFICIAL • 6.2) CARACTERÍSTICAS 2 MODOS DE FUNCIONAMENTO TREINAMENTO Algoritmo - Backpropagation • Supervisionado • Erro • Passo do aprendizado • Não supervisionado OPERAÇÃO Algoritmo - Feedforward 7

  10. 7) TREINAMENTO A REDE NEURAL B C • 7.1) SEM TREINAMENTO • conjunto de treinamento • pesos sinápticos aleatórios ? 8

  11. 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

  12. 8) BACKPROPAGATION • BACKPROPAGATION • propagação saída/entrada • erro associado Backpropagation 10

  13. 9) ERRO ASSOCIADO ERRO Valor desejado Valor obtido na saída da rede Neurônio artificial Como atingir o erro mínimo? 11

  14. 10) MINIMIZAÇÃO DO ERRO n w(n) w(n) 0 5 -2 1 3 -1,2 2 1,8 -0,72 3 1,08 -0,43 4 0,65 -0,26 • MÉTODO DO GRADIENTE DESCENDENTE • minimização do erro • mesma direção e sentido oposto ao gradiente VALOR INICIAL 1a ITERAÇÃO 2a ITERAÇÃO 3a ITERAÇÃO 4a ITERAÇÃO 12

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

  16. 12) EXEMPLO 0,06 0,06 0,097 0,46 0,46 0,614 0,63 0,63 11.1) FEEDFORWARD 14

  17. 12) EXEMPLO • 11.2) BACKPROPAGATION - simplificado • retropropagação do erro • um neurônio Regra Delta 15

  18. 12) EXEMPLO • 11.3) BACKPROPAGATION • valores desejados: Ya=0,2 ; Yb=1 • retropropagação do erro 0,103 0,13 0,03 0,24 0,152 16

  19. 13) IMPLEMENTAÇÃO • PROGRAMA EM C • rede 35 x 4 x 10 • entrada grid 5x7 • saída 10 bits 17

  20. 14) GRAFICO DO ERRO 18

  21. 14) GRAFICO DO ERRO 19

  22. 15) CONCLUSÃO • Tentativa da modelagem do neurônio biológico para o artificial • movida pela perfeição das redes biológicas • Grande dificuldade no desenvolvimento e implementação das redes artificiais • complexidade e do enorme número de parâmetros • Já existem resultados animadores que revelam um grande avanço no estudo das Redes Neurais 20

  23. 16) REFERÊNCIAS BIBLIOGRÁFICAS • 1) Calôba, Luiz P. - Introdução à Computação Neuronal (CBPF) • 2) Reis, Caimi F., Albuquerque, Marcelo P., Castro, Sérgio B. • Nota Técnica – CBPF-NT-002/01, março 2001 (CBPF) • Haykin, Simon – Neural Network: A Comprehensive Foundation (CBPF) • Internet • http://equipe.nce.ufrj.br/thome/grad/nn/transp/sld001.htm • http://artecno.ucs.br/textneurais.htm • http://www.ielusc.br/inst/comsocial/jornalismo/ntc/990303/redeneur.htm • http://www1.cptec.inpe.br/~anderson/apost/info/neura.htm • http://www.cesec.ufpr.br/~zanardin/Contents/Disciplines/neural/neural_network.htm • http://www.icmsc.sc.usp.br/~andre/ann_links.html 21

  24. INTRODUÇÃO AS REDES NEURAIS FÁBIO SILVA PIAZZI Orientadores: Marcelo Albuquerque Aline Gesualdi Novembro 2001

More Related