You are on page 1of 26

• Porque Redes Neurais Artificiais (RNAs)?

1. INTRODUÇÃO
A utilização das RNA permite obter não somente ganhos significativos
de desempenho, mas também possibilita o
desenvolvimento de aplicações inovadoras capazes de expandir de
forma extraordinária nossos sentidos e habilidades
intelectuais e, com isso, permite avaliar a influência de cada atributo
auxiliando os especialistas em suas tomadas de decisões.
• Porque Redes Neurais Artificiais (RNAs)?
1. INTRODUÇÃO
Análise de grande
quantidade de dados
quanto a classificação
ACP
RNAs
Adequado para dados não Lineares
1. INTRODUÇÃO
O que são Redes Neurais Artificiais?
1. INTRODUÇÃO
 Origem da teoria de RNAs
1. INTRODUÇÃO
 Origem da teoria de Redes Neurais
10 bilhões de neurônios
60 trilhões de sinapses
1. INTRODUÇÃO
 Origem da teoria de Redes Neurais
Sinapse: conexão simples que
impõe ao neurônio receptivo
excitação ou inibição, mas não
ambas (HAYKIN, 2001)
Conhecimento: informação armazenada ou modelos utilizados por uma
pessoa ou máquina para interpretar; prever e responder apropriadamente ao
mundo exterior (HAYKIN, 2001).
Capacidade de adaptação e armazenamento de conhecimento, como acontece?
1. INTRODUÇÃO
Uma RNA se assemelha ao cérebro emdois aspectos:
(i) O conhecimento é adquirido pela rede a partir de seu ambiente através
de umprocesso de aprendizagem.
(ii) Forças de conexão entre neurônios, conhecidas como pesos sinápticos,
são utilizadas para armazenar o conhecimento adquirido.(HAYKIN, 2001)
Vantagens das RNAs?
- Não linearidade.
- Adaptabilidade.
- Tolerância a falhas.
- Generalização.
1. INTRODUÇÃO
 As RNAs são definidas por três aspectos.
I. Neurônio: Unidade básica da rede;
II. Arquitetura: Maneira como os neurônios estão
conectados entre si;
III. Algoritmo de aprendizagem: responsável por
adaptar a rede para uma determinada função.
1. INTRODUÇÃO
Estrutura de um Neurônio artificial.
1. INTRODUÇÃO
Pesos: definidos pelo
algoritmo utilizado, tem o
papel de moldar o
comportamento de
entrada-saída da rede, ou
seja, a forma como a rede
neural irá responder a
certos estímulos de
entrada.
Existem vários tipos de RNAs.
As mais comuns são:
- Perceptrons de Uma ou Múltiplas
Camadas.
- De Função de Base Radial.
- Mapas Auto-Organizável.(SOM)
1. INTRODUÇÃO
O principal objetivo dos mapas auto-organizáveis de Kohonen é
agrupar os dados de entrada que são semelhantes entre si formando
classes ou agrupamentos denominados clusters.
Teuvo Kohonen
• Características do algoritmo SOM.
1. INTRODUÇÃO
- Facilidade de implementação e interpretação: respostas.
- Ordenação topológica: localização espacial do neurônio na
grade.
- Seleção de características: seleciona um conjunto das melhores
Características.
1. INTRODUÇÃO
Arquitetura da rede SOM.
Inicialização:
pesos aleatórios
variando de 0 a 1.
Mapa auto-organizável
segundo o modelo de
Kohonen. Na figura k
representa o número
de padrões de entrada,
m é a quantidade
variáveis de entrada e
N é o número de
neurônios em cada
dimensão (MARINI,
ZUPAN e MAGRÌ,
2005).
Algoritmo da rede MAO.
Competição e Cooperação :
- Neurônio que apresentar a menor distância euclidiana é chamado de neurônio
vencedor, ou centróide, para cada padrão de entrada;
-O neurônio vencedor localiza o centro de uma função que representa a vizinhança
topológica de neurônios cooperativos (região especializada).
-A função deve ser:
(i) ser simétrica em relação ao ponto de máximo definido pela posição do neurônio
vencedor;
(ii) sua amplitude deve ser monotonamente decrescente com o aumento da distância
emrelação ao neurônio vencedor
1. INTRODUÇÃO
Algoritmo da rede MAO.
σ é o raio efetivo da vizinhança
topológica ;
representa a distância lateral
entre o neurônio vencedor e o
neurônio excitado.

0
é o raio efetivo na inicialização
do algoritmo e 
1
é a constante
de tempo inicial recomendada
sendo 
1
= 1000 / log 
0
, e n é o
número de épocas de
treinamento.
Ao longo das épocas de
treinamento, há uma redução no
tamanho da vizinhança por um
decaimento exponencial (2).
1. INTRODUÇÃO
Adaptação sináptica: Ordenação e Convergência.
-O vetor de peso sináptico do neurônio da grade se modifica em
relação ao vetor de entrada.
(n) é a taxa de aprendizagem que, como
mostrado, é variável e decresce durante as
épocas de treinamento n.
Nesta equação, 
0
é a taxa de aprendizagem
inicial e 
2
é outra constante de tempo, e os
valores recomendados são, respectivamente, 0,1
e 1, 000.
1. INTRODUÇÃO
Algoritmo da rede MAO.
1. INTRODUÇÃO
Previsão da produção de álcool (OLIVEIRA, et a.l,2010);
Determinação de comportamento de colonização de plantas aquáticas (PITELLI, et al., 2009);
Previsão de elementos químicos da tabela periódica (LEMES, et al., 2008);
Na área de alimentos (VERDINI et al. 2007;BOISHEBERT et al., 2006);
Em análises químicas ( TOKUTAKA, et al., 1999) e
Classificação de petróleos conforme o pais de origem (FONSECA et al., 2006).
Algumas Aplicações
2. Exemplo DIESEL /Matlab
2. Exemplo DIESEL /Matlab
PARÂMETRO DE VIZINHAÇA: 4,5
diminuindo para 0,0465;
TAXA DE APRENDIZAGEM: 0,2
decaindo para 0,00001;
TOPOLOGIA: 10 x 10;
ÉPOCAS: 7000.
2. Exemplo DIESEL /Matlab
0 1000 2000 3000 4000 5000 6000 7000
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Época
E
r
r
o

d
e

Q
u
a
n
t
i
z
a
ç
ã
o

M
é
d
i
o
Gráfico de Treinamento
2. Exemplo DIESEL /Matlab
0 1 2 3 4 5 6 7 8 9
0
1
2
3
4
5
6
7
Posição 1
P
o
s
i
ç
ã
o

2
Distribuição das amostras de acordo com o neurônio vencedor
S500
S500 S500 S500
S500
S500 S500 S500
S500 S500
S500
S500
S500 S500
S500
S500
S500
S500
S500 S500
S500
S500
S500
S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500 S500
S500 S500 S500
S500
S500 S500
S500 S500 S500 S500 S500 S500 S500 S500
S500
S500 S500
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10 S10
S10 S10
S10 S10
S10
S10
S10 S10
S10
S10
S10 S10
S10 S10 S10
S10
S10 S10
S10 S10
S10
2. Exemplo DIESEL /Matlab
A
A
A
A
A
A
A
B
A
A
B
A
A
B
B
A
B
C
A
A
B
A
C
C
B
S500 S500
S500 S500 S500 S500
S500
S500
S500 S500 S500 S500 S500
S500 S500 S500 S500 S500
S500
S500 S500
S500
S500 S500 S500
S500 S500
S500 S500 S500
S500 S500 S500
S500 S500
S500
S10
S10 S10
S10
S10
S10
S10 S10
S10
S10 S10
S10
S10
S10
S10
S10
S10 S10 S10 S10
S10 S10
S10 S10 S10 S10
S10
S10 S10
S10 S10
S10 S10 S10 S10
S10
2. Exemplo DIESEL /Matlab
Posição 1
P
o
s
i
ç
ã
o

2
Mapa de Pesos da DENSIDADE

S500
S500 S500 S500
S500
S500 S500 S500
S500 S500
S500
S500
S500 S500
S500
S500
S500
S500
S500 S500
S500
S500
S500
S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500 S500
S500 S500 S500
S500
S500 S500
S500 S500 S500 S500 S500 S500 S500 S500
S500
S500 S500
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10 S10
S10 S10
S10 S10
S10
S10
S10 S10
S10
S10
S10 S10
S10 S10 S10
S10
S10 S10
S10 S10
S10
0 2 4 6 8
0
1
2
3
4
5
6
7
838
840
842
844
846
848
850
852
2. Exemplo DIESEL /Matlab
Posição 1
P
o
s
i
ç
ã
o

2
Mapa de Pesos FULGOR

S500
S500 S500 S500
S500
S500 S500 S500
S500 S500
S500
S500
S500 S500
S500
S500
S500
S500
S500 S500
S500
S500
S500
S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500 S500
S500 S500 S500
S500
S500 S500
S500 S500 S500 S500 S500 S500 S500 S500
S500
S500 S500
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10 S10
S10 S10
S10 S10
S10
S10
S10 S10
S10
S10
S10 S10
S10 S10 S10
S10
S10 S10
S10 S10
S10
0 2 4 6 8
0
1
2
3
4
5
6
7
40
45
50
55
60
65
70
75
2. Exemplo DIESEL /Matlab
Posição 1
P
o
s
i
ç
ã
o

2
Mapa de Pesos TEOR DE ÁGUA

S500
S500 S500 S500
S500
S500 S500 S500
S500 S500
S500
S500
S500 S500
S500
S500
S500
S500
S500 S500
S500
S500
S500
S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500 S500
S500 S500 S500
S500
S500 S500
S500 S500 S500 S500 S500 S500 S500 S500
S500
S500 S500
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10 S10
S10 S10
S10 S10
S10
S10
S10 S10
S10
S10
S10 S10
S10 S10 S10
S10
S10 S10
S10 S10
S10
0 2 4 6 8
0
1
2
3
4
5
6
7
80
100
120
140
160
180
200
2. Exemplo DIESEL /Matlab
Posição 1
P
o
s
i
ç
ã
o

2
Mapa de Pesos CONDUTIVIDADE

S500
S500 S500 S500
S500
S500 S500 S500
S500 S500
S500
S500
S500 S500
S500
S500
S500
S500
S500 S500
S500
S500
S500
S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500
S500 S500
S500
S500 S500
S500
S500
S500 S500
S500 S500 S500
S500
S500 S500
S500 S500 S500 S500 S500 S500 S500 S500
S500
S500 S500
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10
S10 S10
S10
S10
S10
S10
S10
S10
S10
S10 S10 S10
S10
S10
S10 S10
S10 S10
S10 S10
S10
S10
S10 S10
S10
S10
S10 S10
S10 S10 S10
S10
S10 S10
S10 S10
S10
0 2 4 6 8
0
1
2
3
4
5
6
7
-100
0
100
200
300
400
500
600