Redes neurais artificiais

Redes neurais artificiais

10

SUMÁRIO

SUMÁRIO 1

1. INTRODUÇÃO 2

2. ABORDAGEM INICIAL 3

2.1 Sistema Nervoso 3

2.1.2 Componentes e um Neurônio 3

2.2 O Que são Redes Neurais? 4

2.2.1 Breve Histórico das Redes Neurais 4

3. CARACTERÍSTICAS GERAIS DAS REDES NEURAIS 5

3.1 Tipos de Camadas das Redes Neurais 5

3.2 Tipos de Redes Neurais 6

3.3 Aprendizado de uma Rede Neural Artificial 7

3.4 Perceptron Multicamadas (MLP) 7

3.5 Desenvolvimento de Aplicações de Redes Neurais 8

REFERÊNCIAS BLIBLIOGRÁFICAS 10

1. INTRODUÇÃO

O mais fascinante processador conhecido é o cérebro humano, composto de aproximadamente 100 bilhões de neurônios. Onde todas as funções e movimentos do homem estão relacionados a ele. Neste contexto entra o Termo Redes Neurais onde o trabalha o processamento dos dados de maneira semelhante ao cérebro humano. O Termo Rede Neural Artificial abrange três aspectos: neurônio, arquitetura e aprendizagem.

2. ABORDAGEM INICIAL

2.1 Sistema Nervoso

O Sistema Nervoso é composto por bilhões de neurônios, que se comportam de maneira altamente complexa. A comunicação entre eles é realizada através de impulsos; quando um impulso é recebido, o neurônio o processa, e passado um limite de ação (conhecimento), dispara um segundo impulso que produz uma substância neurotransmissora – que em conseqüência disto flui do corpo celular para a região do axônio, uma vez que ele pode ou não estar conectado ao dentrito (parte do neurônio) de outro neurônio.

O neurônio transmissor do pulso poderá controlar a sua freqüência aumentando ou diminuindo, seu papel é essencial na determinação do funcionamento, comportamento e raciocínio do ser humano.

2.1.2 Componentes e um Neurônio

A estrutura básica de um neurônio é composta por:

Os dentritos: receber os estímulos transmitidos pelos outros neurônios;

O corpo de neurônio: responsável por coletar e combinar informações vindas de outros neurônios;

Axônio: responsável por transmitir os estímulos para outras células.

A figura abaixo exibe a estrutura básica de um neurônio.

Figura 1 - Constituição de uma célula neural.

2.2 O Que são Redes Neurais?

Redes Neurais são conjuntos de neurônios, arquitetura e aprendizado. Tem como idéia principal processar as informações de uma determinada aplicação da mesma forma e organização dos neurônios cerebrais.

Segundo Kohonen (1972), as Redes Neurais Artificiais são definidas como redes massivamente paralelas e interconectadas, de elementos simples, com organização hierárquica. Estes elementos devem interagir com objetivos do mundo real da mesma maneira que o sistema nervoso biológico.

Para Loesch (1996), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as “habilidades computacionais” do sistema nervoso biológico, utilizando, para isso, um grande número de simples neurônios artificiais interconectados.

2.2.1 Breve Histórico das Redes Neurais

As implementações de Redes Neurais, deram seus primeiros passos no final da década de 40 através do desenvolvimento de circuitos analógicos. Neste período surgem nomes como Warren McCulloch e Walter Pitts., precursores desta tecnologia, conforme texto retirado do site abaixo exposto.

As redes neurais foram desenvolvidas, originalmente, na década de 40, pelo neurofisiologista Warren McCulloch, do MIT, e pelo matemático Walter Pitts, da Universidade de Illinois, os quais, dentro do espírito cibernético, fizeram uma analogia entre células nervosas vivas e o processo eletrônico num trabalho publicado sobre "neurônios formais". O trabalho consistia num modelo de resistores variáveis e amplificadores representando conexões sinápticas de um neurônio biológico.

Desde então, mais enfaticamente a partir da década 80, diversos modelos de redes neurais artificiais têm surgido com o propósito de aperfeiçoar e aplicar esta tecnologia. Algumas destas propostas tendem a aperfeiçoar mecanismos internos da rede neural para aplicação na indústria e negócios, outras procuram aproximá-las ainda mais dos modelos biológicos originais. Retirado de: http://www.cerebromente.org.br/n05/tecnologia/rna.htm em 19/03/2007

Na década de 1980 houve um interesse maior sobre as redes neurais com a elaboração de vários trabalhos. Tais como o de Hopfield com a elaboração de um algoritmo de aprendizagem.

3. CARACTERÍSTICAS GERAIS DAS REDES NEURAIS

Uma Rede Neural Artificial é composta por várias unidades de processamento cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados e determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede (GURNEY, 1997). A operação de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode ser especificada do seguinte modo:

· Sinais são apresentados à entrada;

· Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade;

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

· Se este nível de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de saída.

Figura 2 - Esquema de unidade McCullock – Pitts(neurônio artificial).

Suponha que tenhamos p sinais de entrada X1, X2, ..., Xp e pesos w1, w2, ..., wp e limitador t; com sinais assumindo valores booleanos (0 ou 1) e pesos valores reais.

Neste modelo, o nível de atividade a é dado por:

a = w1X1 + w2X2 + ... + wpXp

A saída y é dada po

y = 1, se a >= t ou y = 0, se a < t.

3.1 Tipos de Camadas das Redes Neurais

As arquiteturas das Redes Neurais são organizadas em camadas – conforme figura abaixo.

Figura 3 - Organização das camadas.

A classificação das diferentes camadas das Redes Neurais se dá de três formas conforme descrição abaixo.

· Camada de Entrada: onde os padrões são apresentados à rede.

· Camadas Intermediárias: onde é feita a maior parte do processamento.

· Camada de Saída: onde o resultado final é concluído e apresentado.

3.2 Tipos de Redes Neurais

Diferenciamos Redes Neurais pela maneira de como se dá à direção dos sinais, com base nisso temos então dois tipos de Redes Neurais Artificiais.

· Feedforward: neste tipo de Rede Neural, os sinais são propagados em apenas uma direção, levando em conta a unidade de entrada, passando pela camada intermediária até a saída.

· Feedback: neste caso os sinais de entrada podem se propagar da saída de qualquer neurônio para a entrada em um outro neurônio.

Os modelos se apresentam da forma de um conjunto de neurônios de entrada, que por sua vez fornecem informações para a rede. E um conjunto de neurônios de saída, que representam os sinais de saída e pro final um conjunto de neurônios intermediários. Os neurônios são de certa forma conectados ou ligados cada um com um peso, representado pela letra W. Os pesos ditos positivos correspondem ao sinal de entrada, e negativos correspondem a fatores de inibição. Cada neurônio tem como propriedade processar um sinal de entrada e transformá-lo em sinal de saída.

3.3 Aprendizado de uma Rede Neural Artificial

Uma Rede Neural tem a habilidade de aprender em seu ambiente e com esse aprendizado melhorar de forma significativa seu desempenho. Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas. Denomina-se algoritmo de aprendizado a um conjunto de regras bem definidas para a solução de um problema de aprendizado. Existem diversificados tipos de algoritmos de aprendizado específicos para os diferentes tipos de Redes Neurais, e pode-se notar a diferença entre um e outro pela forma como os pesos são modificados. É importante também ser mencionado à maneira como uma Rede Neural se relaciona com o ambiente, nestes termos existe os seguintes paradigmas de aprendizado que serão expostos a seguir.

· Aprendizado Supervisionado: usa-se um agente externo que por sua vez indica à rede a resposta desejada para o padrão de entrada.

· Auto-Organização: também conhecido como aprendizado não – supervisionado, quando não existe um agente externo indicando à resposta a rede.

· Reforço: quando um agente externo avalia a resposta fornecida pela rede.

3.4 Perceptron Multicamadas (MLP)

O Perceptron Multi Camadas é uma extensão do Perceptron de camada única. Esta arquitetura apresenta uma camada com unidades de entrada, conectada a uma ou mais unidades intermediárias, chamadas camadas ocultas, e uma camada de unidades de saída. Conforme figura abaixo melhor especificando.

Figura 4 - Camadas de uma Rede Neural.

Nas redes multicamadas, cada uma de suas camadas tem uma função. A de saída recebe estímulos da camada intermediária e constrói o padrão que será a resposta. As camadas intermediárias são as que extraem características, seus pesos são a codificação de características apresentadas nos padrões de entrada, que possibilitam a criação de sua própria representação mais complexa e detalhada.

3.5 Desenvolvimento de Aplicações de Redes Neurais

Primeiramente é feita a coleta de dados relativos ao problema e sua separação em um conjunto de treinamento e um conjunto de testes. Normalmente, os dados coletados são separados em duas categorias: dados de treinamento, que serão utilizados para o treinamento da rede e dados de teste, que serão utilizados para verificar sua performance sob condições reais de utilização. Além dessa divisão, pode-se usar também uma subdivisão do conjunto de treinamento, criando um conjunto de validação, utilizado para verificar a eficiência da rede quanto a sua capacidade de generalização durante o treinamento, e podendo ser empregado como critério de parada do treinamento.

Depois de determinados estes conjuntos, eles são geralmente colocados em ordem aleatória para prevenção de tendências associadas à ordem de apresentação dos dados. Além disso, pode ser necessário pré-processar estes dados, através de normalizações, escalonamentos e conversões de formato para torná-los mais apropriados à sua utilização na rede.

4 CONCLUSÃO

A inteligência artificial é algo em plena expansão com mercado de trabalho promissor, pois está apenas “engatinhando” em termos de tecnologias e softwares disponíveis no mercado.

REFERÊNCIAS BLIBLIOGRÁFICAS

Sites consultados:

http://www.icmc.sc.usp.br/~andre/research/neural/MLP.htm

http://www.infowester.com/redesneurais.php

http://www.inf.ufrgs.br/procpar/disc/cmp135/trabs/992/Recon/trab2.html

http://www.din.uem.br/ia/neurais/

http://www.icmc.usp.br/~andre/research/neural/

http://www.lncc.br/~labinfo/tutorialRN/frm4_perceptronMultiCamadas.htm

http://www.inf.ufrgs.br/procpar/disc/cmp135/trabs/mccera/t1/padroes.pdf

MEDEIROS, Luciano Frontino de. Redes Neurais em Delphi. Florianópolis: Editora Visual Books, 2003.

Comentários