Escolar Documentos
Profissional Documentos
Cultura Documentos
18/04/08
Nesta aula, introduziremos os conceitos que nos daro condies de entender como a co surgiu o modelo matemtico de uma Rede Neural Articial (RNA) e os mecanismos que a a torna capaz de aprender e sintetizar conhecimento.
15.1
Uma RNA pode ser denida como sendo uma estrutura de processamento (rede), pass de implementao em dispositivos eletrnicos, composta por um nmero de univel ca o u dades interconectadas (neurnios articiais), sendo que cada unidade apresenta um como portamento espec co de entrada/sa (computao local), determinado pela sua funo da ca ca de transferncia, pelas interconexes com outras unidades e possivelmente pelas entradas e o externas. Uma rede neural articial um circuito composto por uma grande quantidade de e unidades simples de processamento inspiradas no sistema neural. Uma RNA um sistema e massivamente paralelo e distribu do, composto por unidades de processamento simples que possuem uma capacidade natural de armazenar e utilizar conhecimento (HAYKIN, 2000). As RNAs apresentam diversas caracter sticas em comum com o sistema nervoso: O processamento bsico de informao ocorre em diversas unidades simples denoa ca minadas de neur^nios artificiais ou simplesmente neurnios (ou ns); o o o Os neurnios esto interconectados gerando redes de neurnios, ou redes neurais; o a o A informao (sinais) transmitida entre neurnios atravs de conexes ou sinapses; ca e o e o A ecincia de uma sinapse, representada por um peso associado, corresponde ` e a informao armazenada pelo neurnio e, portanto, pela rede neural; ca o
O conhecimento adquirido do ambiente atravs de um processo de aprendizagem e e que , basicamente, responsvel por adaptar os pesos das conexes aos est e a o mulos recebidos do ambiente. Uma caracter stica importante das RNAs o local onde o conhecimento est armae a zenado. Nos casos mais simples, este conhecimento armazenado nos pesos das conexes e o entre neurnios. Esta caracter o stica tem grandes implicaes para a capacidade de proco cessamento e aprendizagem da rede. A representao de conhecimento feita de forma ca e que o conhecimento necessariamente inuencie a forma de processamento da rede, ou seja, o seu comportamento de entrada-sa da. Observao 15.1.1. ca Se o conhecimento est armazenado nos pesos das conexes, ento o processo de aprena o a dizagem corresponde a identicar um conjunto apropriado de pesos de forma que a rede se comporte como desejado. Esta caracter stica possui duas implicaes importantes para as RNAs: co a possibilidade de desenvolvimento de tcnicas de aprendizagem; e a representa~o distribuda de conhecimento. ca Existem tipos de redes neurais cujo treinamento (ou projeto) mais complicado e do que a simples determinao de conjuntos apropriados de pesos sinpticos. Uma rede ca a neural articial pode ser projetada atravs de: e 1. Uma denio ou escolha de um conjunto de neurnios articiais; ca o 2. A denio ou escolha de um padro de conectividade entre os neurnios, ou seja, ca a o de uma arquitetura para a rede; 3. A denio de um mtodo de determinao dos parmetros livres da rede, denomica e ca a nado de algoritmo de aprendizagem ou treinamento. Embora seja poss projetar uma rede neural a partir da denio do papel (comvel ca putao global) que ela deve desempenhar, combinando-se os efeitos individuais de todos ca 2
os neurnios, uma rede neural usualmente se adapta para atingir a funcionalidade deo sejada a partir de uma ou mais estratgias de aprendizado, as quais vo atuar junto a e a parmetros congurveis da rede neural. a a E fundamental, portanto, que a rede neural possua meios de interagir com o ambiente.Assim, cada rede neural articial representa uma arquitetura de processamento espec ca, havendo uma fam de arquiteturas, cada qual adequada para funcionalilia dades espec cas. A diversidade de arquiteturas tem aumentado muito, sendo que as ultimas geraes de redes neurais j no podem ser caracterizadas por apresentarem um co a a grande nmero de unidades e conexes, com funes de transferncia simples e idnticas u o co e e para todas as unidades.
15.2
No neurnio biolgico, os sinais de entrada chegam atravs de canais localizados o o e nas sinapses, permitindo a entrada e sa de da ons. Um potencial de membrana aparece como resultado da integrao dos sinais de entrada, que iro determinar se o neurnio ca a o ir produzir um sinal de sa (spike, pulso, ou potencial de ao) ou no. O potencial a da ca a de ao resulta na liberao de neurotransmissores na sinapse sempre que o potencial de ca ca membrana for superior a um determinado limiar (threshold). O efeito l quido de todos estes processos biolgicos que ocorrem nas sinapses o e representado por um peso associado. Desta forma, o elemento computacional bsico a empregado na maioria das RNAs um integrador. Trata-se de um elemento processador e de informaes que fundamental para a operao das RNAs. co e ca As principais partes do neurnio articial genrico so: o e a as sinapses, caracterizadas pelos seus pesos associados; a juno somadora; ca a funo de ativao. ca ca A gura 1 mostra uma representao diagramtica de um neurnio computacional ca a o Nesta representao, o primeiro subscrito k do peso sinptico wkj corresponde ao ca a neurnio ps-sinptico, e o segundo subscrito corresponde ` sinapse ligada a ele. A o o a a 3
Figura 1: Modelo genrico de um neurnio articial e o juno somadora soma todos os sinais de entrada ponderados pelos pesos das conexes. ca o Considerando os vetores de entrada e de pesos como sendo vetores coluna, esta operao ca corresponde ao produto interno do vetor de entradas x pelo vetor de pesos wk , mais o limiar bk . Genericamente, trata-se de uma combinao linear das entradas pelos pesos ca associados, mais o limiar bk . A funo de ativao geralmente utilizada com dois ca ca e propsitos: limitar a sa do neurnio e introduzir no-linearidade no modelo. O limiar o da o a bk tem o papel de aumentar ou diminuir a inuncia do valor da entrada l e quida para a ativao do neurnio k. Matematicamente, a sa do neurnio k pode ser descrita por: ca o da o
m
yk = f (uk ) = f
j=1
wkj xj + bk
(15.1)
ou
m
yk = f (uk ) = f
j=0
wkj xj
(15.2)
onde x0 um sinal de entrada de valor 1 e peso associado wk0 = bk . e A gura 2 mostra dois exemplos de funo de ativao. Teoricamente, poss ca ca e vel usar qualquer tipo de funo de ativao nos neurnios articiais. Entretanto, as funes ca ca o co que do os melhores resultados em termos de aprendizado so aquelas que tm a forma a a e de um degrau (como a funo (a) da gura 2). ca
Referncias e
HAYKIN, S. Redes neurais - Princpios e prtica. [S.l.]: Bookman, 2000. 900 p. ISBN a 8573077182.