Académique Documents
Professionnel Documents
Culture Documents
= 3
3
+2 + + excitatrio (I)
= ( (1 + tanh (
)) inibitrio (II)
possvel ir alm ao utilizar-se do oscilador de relaxamento, com o acrscimo do
parmetro equao excitatria:
/ = 3 + 2 + + + (III)
O Parmetro denota a fora de acoplamento dos osciladores na rede, o que
propicia a simulao do comportamento de diversos neurnios funcionando em conjunto.
As linhas azul e vermelho representam as curvas independentes x e y em relao
ao tempo: / = 0 e / = 0. De modo a poder perceber o seu comportamento.
So dois os tipos de arquitetura de Redes Neurais Artificiais:
Redes localmente acopladas: o acoplamento se d entre o neurnio e seus
vizinhos imediatos, sendo eles o anterior e o posterior; semelhana dos
neurnios biolgicos, as conexes permitem apenas a passagem da informao
em um nico sentido.
Redes globalmente acopladas: todos os neurnios possuem conexo entre si.
Abaixo, uma representao grfica dos sistemas estudados, onde n
i
representa um
neurnio e sua posio esquemtica:
Figura 2- Exemplo de uma rede localmente conectada
Para cada uma das redes, tem-se um comportamento diferente, principalmente o
que diz respeito ao seu padro de excitao, como possvel ver na figura 4 e 5:
Figura 4 - Sincronismo de um sistema localmente conectado
Neta =2
Figura 3- Exemplo de rede globalmente conectada
Figura 5 - Sincronismo de um sistema globalmente conectado
Neta = 0,03
Um sistema localmente conectado ter o parmetro consideravelmente maior que
um sistema globalmente conectado, uma vez que conexes mais prximas resultam em
foras de ligao maiores.
Concluso
A arquitetura de uma rede neural, ou seja, a maneira como seus neurnios esto
conectados definindo grupos, e como estes grupos ou camadas se comunicam,
influenciam profundamente o desempenho, as capacidades especficas que a rede pode
desempenhar e at mesmo o algoritmo utilizado para treinar a rede [5].
O estudo mostra exatamente a distino de comportamento neuronal, apesar de
simplificado, atravs da observao grfica das redes local e globalmente conectadas.
Observam-se as caractersticas da fora de acoplamento e tempo necessrios para a
sincronizao completa dos osciladores.
Referncias
[1] http://noticias.terra.com.br/ciencia/interna/0,,OI3585927-EI8147,00.html
[2] http://www.icmc.usp.br/~andre/research/neural/index.htm
[3] http://www.ufal.edu.br/unidadeacademica/if/pt-br/pos-graduacao/mestrado-
doutorado-em-fisica/dissertacoes-e-teses/pdfs-das-dissertacoes-e-teses/dissertacoes-
mestrado/Fisica-Tese%20Mestrado%20Geraldo.pdf
[4] Wang, D., Terman, D. Locally Excitatory Globally Inhibitory Oscillator Networks. IEEE
Transactions on Neural Networks, Vol. 6, n 1, Janeiro de 1995
[5] Haykin, S., Redes neurais: princpios e prtica, 2. ed, Bookman, Porto Alegre,
2001.