Académique Documents
Professionnel Documents
Culture Documents
NOVEMBRO 2007
simulem o crebro humano, inclusive seu comportamento, ou seja, aprendendo, errando e fazendo descobertas. mais que isso, so tcnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento atravs da experincia. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento, enquanto que o crebro de um mamfero pode ter muitos bilhes de neurnios. 3- Neurocomputao Os modelos neurais, procuram aproximar o processamento dos computadores ao crebro. As redes neurais possuem um grau de interconexo similar a estrutura do crebro e um computador convencional moderno a informao transferida em tempos especficos dentro de um relacionamento com um sinal para sincronizao.
4- Processos de aprendizado de uma rede neural artificial A propriedade mais importante das redes neurais a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. Isso feito atravs de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe de problemas. Denomina-se algoritmo de aprendizado a um conjunto de regras bem definidas para a soluo de um problema de aprendizado. Existem muitos tipos de algoritmos de aprendizado especficos para determinados modelos de redes neurais, estes algoritmos diferem entre si principalmente pelo modo como os pesos so modificados. A rede neural se baseia nos dados para extrair um modelo geral. Portanto, a fase de aprendizado deve ser rigorosa e verdadeira, a fim de se evitar modelos esprios. Todo o conhecimento de uma rede neural est armazenado nas sinapses, ou seja, nos pesos atribudos s conexes entre os neurnios. De 50 a 90% do total de dados deve ser separado para o treinamento da rede neural,
dados estes escolhidos aleatoriamente, a fim de que a rede "aprenda" as regras e no "decore" exemplos. O restante dos dados s apresentado rede neural na fase de testes a fim de que ela possa "deduzir" corretamente o interrelacionamento entre os dados. 5- Por que utilizar Redes Neurais? Inferncia de mltiplas variveis; Grande tolerncia a falhas; Modelamento direto do problema; Paralelismo inerente.
6- Experimentos Para a execuo do trabalho, que foi codificado na linguagem de programao Visual Basic.NET, que pode ser executado na plataforma Windows. Apresentarei uma breve descrio do desenvolvimento do programa Gerao dos padres de entrada Foi considerado o array X de entrada na forma de matriz i por j, onde [ij] = n. Usando n = 200 elementos, ou seja, i = 10 linhas por j = 20 colunas. Padro de Entrada:
Foi considerado o vetor T de sada na forma de matriz i por j, onde [ij]= n. usando n = 100 elementos, ou seja, i = 10 linhas por j = 10 colunas. Padro de Sada:
Foi definida uma taxa inicial de aprendizagem (alfa) igual a 0.01 e valor final de 0.001 com variao de 0.001. Uma rotina com o algoritmo de perceptron foi desenvolvida para efetuar o treinamento da rede com o valor inicial de aprendizagem 0.01 e uma rotina para teste da rede, onde a soma do produto entre pesos e entradas alimenta cada neurnio de sada, e se o resultado desta operao exceder o limiar (0), o neurnio coloca o valor 1 na sada; se o resultado for inferior ao limiar, o neurnio coloca o valor -1 na sada, devendo-se configurar o caracter atravs da seleo dos caracteres ou configurando diretamente o caracter em um mapa de caracteres de entrada. Na fase inicial foi selecionado o caracter de nmero 0 (zero), efetuando o teste da rede e o caracter selecionado no foi identificado, conforme figura 1.
Figura 1
Efetuando o treinamento da rede, com a taxa de aprendizagem inicial de 0.010 resultando em um nmero de ciclos = 26, o caracter foi identificado corretamente, foi realizado um teste para todos os caracteres de 0 a 9 e todos foram identificados corretamente, conforme figura 2 referente ao teste realizado para o nmero 0.
Figura 2 Colocando rudo, na configurao do caracter, conforme figura do mapa de caracteres de entrada, observa-se que o resultado da sada verificado foi 8 e 9, conforme figura 3.
Figura 3
Foram efetuados vrios testes aumentando a taxa de aprendizagem ou diminuindo a taxa de aprendizagem e notou-se que havia uma variao com relao ao caracter de sada, no entanto o nmero de incidncia do caracter oito e nove foi o mais predominante, independente da taxa de aprendizagem se o caracter no possusse rudo, ou seja, fosse realmente o configurado no sistema, o valor correto era encontrado. Com relao a taxa de aprendizagem nota-se que ao aument-la, o nmero de ciclos diminui e vice-versa. 7- Aplicaes das Redes Neurais Anlise de assinaturas; Anlise de caractersticas demogrficas para marketing; Anlise do grau de satisfao de um cliente; Controle de processos industriais; Deteco de cartes de crdito falsos; Monitoramento para manuteno de motores; Previso da bolsa de valores e cotao de moedas; Previso do mercado financeiro; Reconhecimento de caracteres e impresses digitais; Reconhecimento tico de caracteres.
8- Dificuldades das redes Neurais As redes neurais artificiais trabalham com um nmero reduzido (centenas) de neurnios artificiais, enquanto as redes neurais biolgicas trabalham com milhes de neurnios. 9- Referncias http://www.pg.cefetpr.br/ppgep/Ebook/ARTIGOS/9.pdf http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf http://www.din.uem.br/ia/neurais/#artificial http://www.lem.ep.usp.br/pef411/~Cristiano %20Oliveira/CristianoOliveira/Paginas/RedesNeurais.htm http://www.lactec.org.br/OInstituto/downloads/Biblioteca/2001/054_2001.pdf