Trabalho Redes Neurais

Trabalho Redes Neurais

(Parte 1 de 3)

MaycoN cesar chaves cordeiro portilho

DANIEL MAZARIN CASTRO

UMA VISAO GERAL SOBRE REDES NEURAIS ARTIFICIAIS

FOZ DO IGUAÇU

DEZEMBRO 2006

MaycoN cesar chaves cordeiro portilho

DANIEL MAZARIN CASTRO

UMA VISAO GERAL SOBRE REDES NEURAIS ARTIFICIAIS

Trabalho de Graduação apresentado ao Curso de Engenharia Mecânica, Setor de Ciências Exatas, Universidade Estadual do Oeste do Paraná.

Orientador: Prof. Dr. Carlos Henrique.

FOZ DO IGUAÇU

DEZEMBRO 2006

ÍNDICE

Lista de figuras

Figura1: Estrutura biológica do neurônio 6

Figura 2: Modelo básico de neurônio artificial 7

Figura3: Modelo de neurônio matemático 10

Figura 4: Modelos de redes neurais 12

Figura 5: Estrutura de uma rede neural em 3 dimensões 12

Figura 6: Rede neural direta 13

Figura 7: Rede neural com ciclo 13

Figura 8: Rede neural simétrica 14

Figura 9: Modelos de redes neurais 15

Figura 10: Não linearidades usadas em redes neurais 15

Figura 11: Modelo rede neural e seus elementos 17

Figura 12: Esquema de controle de padrão industrial 18

Figura 13: Estrutura típica de rede neural backpropagation 21

Figura 14: Robô corredor 24

Figura 15: Robô humanóide 25

  1. INTRODUÇÃO

As redes neurais têm sido utilizadas para solucionar diversos problemas de engenharia como, por exemplo, em processamento digital de imagens, robótica e processamento digital de sinais.

Redes neurais artificiais são técnicas computacionais que utilizam como modelo o funcionamento do cérebro humano, onde os neurônios são treinados de forma a responder somente aos padrões de entrada, podendo ser utilizadas no reconhecimento de padrões sem a necessidade de um treinamento prévio.

As principais características que tornam desejáveis o estudo e o uso das redes neurais artificiais são: a capacidade das mesmas de aprender através da experiência, a capacidade de se adaptar a situações adversas e a sua tolerância a ruídos.

  1. CONCEITOS BÁSICOS

O cérebro apresenta uma notável habilidade de aprender, sendo considerado o mais fascinante processador existente. O processo de aprendizagem está intimamente ligado às mudanças nas conexões entre diferentes neurônios chamadas de conexões sinápticas ou simplesmente sinapses.

Um neurônio biológico, ilustrado na figura 1, é composto de: dendritos, que recebem os estímulos transmitidos pelos outros neurônios; corpo de neurônio, ou soma, que recebe e organiza as informações vindas de outros neurônios; e os axônios, responsáveis por transmitir os estímulos para as outras células.

Figura1: Estrutura biológica do neurônio

Tais mudanças ocorrem ao longo da vida provocadas por estímulos de diversas naturezas. Não se sabe ao certo quantos neurônios existem no cérebro. Algumas estimativas que se baseiam na densidade de neurônios medida em pequenas regiões apontam limites inferiores da ordem de 3x1010 mas este número pode até chegar a 1011 .

Cada um destes neurônios se conecta com aproximadamente 104 neurônios. Isso implica que no cérebro existe algo em torno de 1013 a 1015 conexões sinápticas. Esses números são extraordinariamente grandes e de certa forma evidenciam a ocorrência do aprendizado, pois de outra forma todas essas informações deveriam estar armazenadas na molécula de DNA.

Junte se a isso uma grande massa de evidências experimentais confirmando o fato que as conexões sinápticas são ajustadas ao longo da vida à medida que se aprende. A tabela 1 abaixo faz uma comparação entre a estrutura do cérebro humano e a estrutura do computador.

Tabela 1: Comparação entre o computador e o cérebro humano

Uma rede neural pode ser ensinada. Este é um ponto crucial para uma RNA pois nele se fundamenta seu aprendizado. Isto é muito atraente do ponto de vista tecnológico pois dessa forma é possível eliminar a necessidade da programação explícita e detalhada.

Todos esses aspectos favorecem o estudo das redes neurais artificiais. No entanto durante muitos anos houve pouco interesse e poucos avanços ocorreram. Uma das causas desta estagnação foi a dificuldade de formalização destes modelos. Porém a neurociência vem trabalhando juntamente com profissionais da área da ciência da computação, engenharia elétrica, matemática, física, psicologia e até os lingüistas.

Figura 2: Modelo básico de neurônio artificial

O modelo mais geral para um neurônio artificial é este apresentado na figura 2 logo acima, cujos atributos são melhor explicados adiante.

Entradas: as entradas de um neurônio podem ser as saídas de diversos outros neurônios. São as entradas que irão determinar a saída do neurônio.

Pesos: cada entrada possui um certo peso, ou seja, possui uma certa força de conexão sináptica (inibitória ou excitatória).

Net: o somatório de todas as entradas multiplicadas por seus respectivos pesos nos fornece o chamado net de um neurônio.

No decorrer do trabalho explicitaremos de forma mais sucinta os atributos de uma rede neural para melhor entendimento.

    1. POR QUE UTILIZAR REDES NEURAIS?

Desde o início da evolução das máquinas o homem busca construir uma máquina que seja independente do controle humano, cujo comportamento seja desenvolvido de acordo com seu próprio aprendizado, e que possa ser chamada de autônoma, cognitiva ou inteligente.

Os computadores funcionam de modo seqüencial, proporcionando maior eficiência na resolução de tarefas nas quais devem ser seguidas etapas. Já o cérebro humano funciona de modo paralelo, sendo extremamente conectado. Devido a esta alta interconexão o cérebro é mais eficiente que os computadores na resolução de tarefas que exigem várias variáveis.

Se o computador reproduzisse com qualidade estas características, tais máquinas poderiam vir a ser utilizadas em locais onde a interação humana é perigosa, tediosa ou impossível, como em reatores nucleares, combate ao fogo, operações militares.

Elas são particularmente úteis para lidar com dados ligados a valores reais em que se deseja obter uma saída dotada de valor real. Desta maneira as redes neurais irão realizar uma classificação por graus, e serão capazes de expressar valores equivalentes a "não conhecido com certeza".

    1. CARACTERISTICAS DAS REDES NEURAIS ARTIFICIAIS

Através de diversas estruturas neurais e algoritmos de aprendizagem propostos por vários pesquisadores, as redes neurais artificiais conseguem simular estas características presentes nos sistemas biológicos. Dentre as características dos neurônios biológicos que são interessantes à computação podemos citar: reconhecimento de padrões; tolerância à falhas, aprendizado, processamento paralelo e distribuído, capacidade de treinamento, robustez, não-linearidade e uniformidade.

Tais características não são suportadas pelos métodos computacionais tradicionais, fazendo com que tal tecnologia seja empregada para ajudar a solucionar problemas que antes eram resolvidos de forma menos eficaz.

A redundância na representação de informações em uma rede neural, ao contrário de outros sistemas, transforma-se em uma vantagem, que torna o sistema tolerante a falhas.

Os atributos de uma rede neural, tais como aprender através de exemplos, generalizações redundantes, e tolerância à falhas, proporcionam fortes incentivos para a escolha de redes neurais como uma escolha apropriada para aproximação de funções e para a modelagem de sistemas biológicos.

A característica mais significante de redes neurais está em sua habilidade de aproximar qualquer função contínua não linear a um grau de correção desejado. Esta habilidade das redes neurais as tem tornado útil para modelar sistemas não lineares.

Com o avanço em tecnologias de hardware, existe componentes com funções voltadas às redes neurais, o que traz uma velocidade adicional à computação neural.

  1. O NEURONIO ARTIFICIAL

Para que possamos explanar o neurônio artificial primeiramente devemos nos atentar a alguns conceitos básicos para um bom entendimento.

O grafo, que é um conjunto de pontos (vértices) conectados por linhas (arestas). Um grafo direcionado consiste de um conjunto de pontos ao longo de um conjunto de segmentos de linhas direcionadas entre eles. Uma rede neural é uma estrutura de processamento de informação distribuída paralelamente na forma de um grafo direcionado, com algumas restrições e definições próprias

Os nós de um grafo são as unidades de processamento e suas arestas são as conexões, por onde as informações são conduzidas instantaneamente de uma unidade de processamento para outra. Tais estruturas podem possuir qualquer número de conexões de entrada e uma conexão de saída, que pode ser repetida para quantas saídas forem necessárias, mas o valor será o mesmo em todas elas.

Uma rede neural é composta por várias destas unidades de processamento, que podem ser resumidas no modelo matemático de McCulloch e Pitts ilustrado na figura 3, onde:

• x1..xp: vetor de valores de entrada;

• w1..wp: vetor de pesos das entradas;

: função de entrada, multiplicando o valor das entradas pelos respectivos pesos;

• f(a): função de ativação, que dirá se o valor de entrada foi suficiente ou não para

gerar algum dado na saída;

• y: função de saída, que irá conter o resultado das operações efetuadas no neurônio.

Figura3: Modelo de neurônio matemático

De forma geral, a operação de uma unidade da rede se resume em:

• Sinais são inseridos na entrada;

• Cada sinal é multiplicado por um peso que indica sua influência na saída da unidade;

• É feita a soma ponderada dos sinais que produz um nível de atividade;

• Se este nível excede um limiar de ativação (threshold) a unidade produz uma saída.

(Parte 1 de 3)

Comentários