UNIVERSIDADE FEDERAL DE SERGIPE CENTRO DE CINCIAS EXATAS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELTRICA ORIENTARDOR: PROF. CARLOS ALBERTO V.

CARDOSO ALUNA: TARCIANA ALVES ALMEIDA

REDES NEURAIS NO MATLAB INTRODUO DEFINIES: 1. Tcnica inspirada no funcionamento do crebro, onde neurnios artificiais, conectados em rede, so capazes de aprender e de generalizar. 2.Isso significa que se a rede aprende a lidar com um certo problema, e lhe apresentado um similar, mas no exatamente o mesmo, ela tende a reconhecer esse novo problema, oferecendo a mesma soluo.

Componentes do neurnio artificial As sinapses (entradas), com seus pesos associados A juno somadora; e A funo de ativao. w k1 w k2 w km E f(u k ) x 1 x 2 x m u k w k0 =b k y k sinais de entrada pesos

sinpticos juno aditiva (bias) funo de ativao sada w k0 x 0 =+1 entrada fixa Princpio de funcionamento A operao de um neurnio artificial se resume em: Sinais so apresentados entrada (x 1 x m ); Cada sinal multiplicado por um peso que indica sua influncia na sada da unidade (w k ); feita a soma ponderada dos sinais que produz um nvel de atividade (u k ); A funo de ativao f(u k ) tem a funo de limitar a sada e introduzir no-linearidade ao modelo. O bias b k tem o papel de aumentar ou diminuir a influncia do valor das entradas. Expresso Matemtica do Neurnio Artificial | | . | \ | + = = = m j k j kj k k b x w f u f y 1 ) ( Matematicamente a sada pode ser expressa por:

Caractersticas Tpicas de Redes Neurais Artificiais Caractersticas Positivas Capacidade de Aprendizado: RNA no so programadas, mas treinadas com padres de treinamento. Podem ser adaptadas atravs das entradas. Paralelismo: RNA so massivamente paralelas e so portanto muito bem adequadas para uma simulao/implementao em computao paralela. Representao distribuda do conhecimento: O conhecimento armazenado de forma distribuda em seus pesos. O que aumenta muito a tolerncia do sistema a falhas de n eurnios individuais; permite o processamento paralelo. Tolerncia falhas: O sistema pode ser mais tolerante a falhas de neurnios individua is que algoritmos convencionais. A rede deve, no entanto, ser treinada para apresentar esta caracterstica. Nem toda rede automaticamente tolerante a falhas. Armazenamento associativo da informao: Para um certo padro de entrada a RNA fornece o padro que lhe mais prximo. O acesso no feito por endereamento. Robustez contra perturbaes ou dados ruidosos: Quando treinadas para tanto as redes neurais so mais robustas a padres incompletos Caractersticas Tpicas de Redes Neurais Artificiais Caractersticas Negativas Aquisio de conhecimento s possvel atravs de aprendizado: Principalmente devido representao distribuda muito difcil (exceo: rede de Hopfield para problemas de otimizao) introduzir conhecimento prvio em uma RNA. Isto muito comum em sistemas de IA simblicos. No possvel a introspeco: No possvel analisar o conhecimento ou percorrer o procedimento para a soluo,como possvel com os componentes de explicao de sistemas especialistas. Difcil deduo lgica (seqencial): virtualmente impossvel obter-se cadeias de inferncia lgica com redes neurais. Aprendizado lento: Principalmente redes completamente conectadas e quase todas as variantes dos algoritmos backpropagation so muito lentas. Aplicaes de redes neurais classificao de dado anlise de imagens; anlise de voz; anlise de aroma e odor (nariz eletrnico); Reconhecimento de assinatura Reconhecimento de faces e outros biomtricos Criando Redes Neurais Existem vrios tipos de rede neural. A mais comum o modelo MLP (multi layer

perceptron). ENTRADA SADA Camada 1 Camada 2 Camada 3 Rede feedforward de Mltiplas Camadas (Multilayer Perceptron - MLP) Treinamento da rede neural Durante o treinamento, a rede neural receber a matriz de dados e o alvo. Todos os pesos de todos os neurnios sero modificados para obter a classificao desejada. Exemplo 01 % cria a estrutura da RNA com um perceptron % [min; max], nmero de neurnios net = newp([-2 2; -2 2], 1) P = *0 0; 0 1; 1 0; 1 1+; % entradas T = [0 1 1 1]; % sadas figure; % cria nova figura plotpv(P, T); % plota as entradas/sadas lh = plotpc(net.IW{1}, net.b{1}) % plota linha que separa as classes hold on for cont=1:6, net = adapt(net, P, T); % treinamento lh = plotpc(net.IW{1}, net.b{1}, lh); drawnow; pause; Y = sim(net, P) % propagao end; hold off; Criao e treinamento de um Percepton Criao e treinamento de um Percepton Criao e treinamento de um Percepton Criao e treinamento de um Percepton Exemplo 02 % cria uma rede BP para solucionar o problema do XOR P = [-1 -1; -1 1; 1 -1; 1 1]; % entradas T = [-1 1 1 -1]; % sadas net = newff([-1 1; -1 1], [2 1]); % criao da rede BP a = sim(net, P.) net = train(net, P., T); a = sim(net, P.) TREINAMENTO a = 0.4012 a = -0.9996 Exemplo 03 0.9995 0.9996 -0.9985 0.6344 -0.5085 0.6298

FUNO SENO x = -pi:pi/16:pi; y = sin(x); plot(x,y); pause; Criao e treinamento de uma rede BackPropagation % cria uma rede BP para aproximar a funo seno % entradas podem variar de -pi at pi % 20 neurnios na camada oculta % 1 neurnio na camada de sada net = newff([-pi pi], [20 1]); a = sim(net, x); plot(x, a); pause; % a rede inicia com pesos aleatrios. Ento... Criao e treinamento de uma rede BackPropagation Criao e treinamento de uma rede BackPropagation % treina a rede BP para aproximar a funo seno net = train(net, x, y); a = sim(net, x); plot(x, a); pause; Criao e treinamento de uma rede BackPropagation Criao e treinamento de uma rede BackPropagation % repetindo para 500 pocas de treinamento net = init(net); % inicializa novamente os pesos net.trainParam.epochs = 500; net = train(net, x, y); a = sim(net, x); plot(x, a); Criao e treinamento de uma rede BackPropagation