Escolar Documentos
Profissional Documentos
Cultura Documentos
Neurais Artificiais
Eduardo Simas
(eduardo.simas@ufba.br)
Sumrio
O que so as Redes Neurais Artificiais ?
Para que servem ?
Processamento da Informao
Tipos de Redes Neurais
Modos de Treinamento
Supervisionado X No-supervisionado
Aplicaes
Introduo s RNA
Eduardo Simas
INTRODUO
Introduo s RNA
Eduardo Simas
Eduardo Simas
Modelos de Neurnios
Modelo de um neurnio biolgico:
Fluxo de informao
Introduo s RNA
Eduardo Simas
Modelos de Neurnios
Modelo de um neurnio biolgico:
Sinais em cada
conexo sinptica
Sada ativada
O estmulo se propaga
atravs do neurnio
quando a soma dos
estmulos de entrada
supera um valor limiar
(threshold).
Somatrio
Introduo s RNA
Eduardo Simas
Modelos de Neurnios
Modelo matemtico do neurnio:
Sendo:
xi sinais de entrada
b desvio (bias)
y sinal de sada
Na forma matricial:
Introduo s RNA
Eduardo Simas
Sigmoidal:
Linear:
Tangente hiperblica:
Introduo s RNA
Eduardo Simas
Perspectiva Histrica
Eduardo Simas
Introduo s RNA
Eduardo Simas
10
Processamento da Informao
Entradas:
as entradas da rede correspondem a atributos ou caractersticas;
as redes neurais processam valores numricos;
para o treinamento recomendado que os sinais sejam prprocessados de modo que os atributos de entrada tenham a
mesma faixa de excurso:
Remoo da mdia e normalizao.
Introduo s RNA
Eduardo Simas
11
Processamento da Informao
Sadas
Representam a soluo encontrada pela rede neural para a
entrada apresentada.
Sadas alvo
Valores utilizados durante o treinamento supervisionado como
referncias a serem alcanadas.
Ex: uma rede treinada como classificador para identificar duas
classes pode utilizar como sada alvo:
Introduo s RNA
Eduardo Simas
12
Processamento da Informao
Pesos Sinpticos:
Guardam, de modo codificado e de difcil interpretao, as
informaes aprendidas durante o treinamento.
So ajustados durante o processo de treinamento visando:
minimizar o erro na sada erro = sada alvo sada (no
caso de treinamento supervisionado).
atender a um critrio pr-estabelecido para as sadas (no
caso do treinamento no-supervisionado).
Introduo s RNA
Eduardo Simas
13
Modos de Treinamento
Supervisionado
No-Supervisionado
O treinamento realizado
utilizado pares entrada sada alvo;
Os pesos sinpticos so
ajustados visando minimizar
o erro entre a sada alvo e a
sada real da rede
Introduo s RNA
Eduardo Simas
14
Conjuntos de Treinamento
Para o treinamento indicado que o conjunto de dados disponvel seja
dividido em trs grupos:
Conjunto de Treino:
Utilizado para o treinamento propriamente dito (aprendizado);
Conjunto de Validao:
Utilizado para verificar, durante o treinamento como evolui o erro da
rede para sinais desconhecidos, evitando o sobre-aprendizado
(quando a rede se especializa excessivamente no conjunto de treino
e perde capacidade de generalizar);
Conjunto de Teste:
Utilizado para verificar o desempenho da rede para amostras
desconhecidas.
Introduo s RNA
Eduardo Simas
15
Conjuntos de Treinamento
Curvas de erro de treinamento:
Treinamento normal
Treinamento com
sobre-aprendizagem
Introduo s RNA
Eduardo Simas
16
Conjuntos de Treinamento
Quando h uma grande quantidade de amostras disponveis para o
treinamento:
Introduo s RNA
Eduardo Simas
17
Introduo s RNA
Eduardo Simas
18
Introduo s RNA
Eduardo Simas
19
Perceptron
Apenas um neurnio.
Funes de ativao:
sigmoidal;
tangente hiperblica;
linear.
Capacidade limitada;
Num problema de classificao
capaz de produzir uma nica
superfcie de separao:
Introduo s RNA
Eduardo Simas
20
Perceptron
Como resolver um problema deste tipo ?
Introduo s RNA
Eduardo Simas
21
Perceptron
So necessrias duas curvas de separao dois neurnios.
Neste caso necessrio uma rede com duas camadas de neurnios.
Introduo s RNA
Eduardo Simas
22
Fluxo da informao
Introduo s RNA
Eduardo Simas
23
Comparando:
Redes MLP: aproximao global
Funo de Ativao
Eduardo Simas
24
Mapas Auto-Organizveis
Treinamento no supervisionado.
Propostos por Kohonen em 1982:
mapas (ou redes) de Kohonen.
Aprendizagem competitiva.
Introduo s RNA
Eduardo Simas
25
TREINAMENTO
Introduo s RNA
Eduardo Simas
26
Treinamento Supervisionado
Selecione o par entradasada da n-sima iterao
Calcule a sada de rede
No
n=n+1
Fim do treinamento !
Introduo s RNA
Eduardo Simas
27
Treinamento No-Supervisionado
Selecione a entrada da
n-sima iterao
Calcule a sada de rede
Ajuste os pesos de
modo a obter a um
comportamento prestabelecido para as
sadas
O critrio utilizado est
num nvel aceitvel?
Sim
No
n=n+1
Fim do treinamento !
Introduo s RNA
Eduardo Simas
28
Algoritmos de Treinamento
Supervisionado:
Algoritmo de treinamento do Perceptron
Algoritmo de Retro-propagao do Erro (para perceptrons de
mltiplas camadas MLP)
No-supervisionado
Algoritmo de treinamento do Mapa Auto-organizvel (Rede de
Kohonen ou SOM)
Introduo s RNA
Eduardo Simas
29
Treinamento do Perceptron
A partir da minimizao do erro chega-se regra de aprendizagem
do perceptron:
Introduo s RNA
Eduardo Simas
30
Introduo s RNA
Eduardo Simas
31
Introduo s RNA
Eduardo Simas
32
Introduo s RNA
Eduardo Simas
33
Introduo s RNA
Eduardo Simas
34
Sendo
Introduo s RNA
Eduardo Simas
35
Introduo s RNA
Eduardo Simas
36
Eduardo Simas
37
O algoritmo de treinamento
ajusta os pesos (W) na direo
da minimizao do erro.
Introduo s RNA
Curva do Erro
Eduardo Simas
38
Introduo s RNA
Eduardo Simas
39
Introduo s RNA
Eduardo Simas
40
APLICAES
Introduo s RNA
Eduardo Simas
41
Aplicaes - I
Inspeo de Equipamentos por Ultrassom:
Eduardo Simas
42
Aplicaes - I
Inspeo de Equipamentos por Ultrassom:
Exemplos de Aplicaes de
Redes Neurais:
Classificao de
descontinuidades em
compostos Laminados
Fibra-Metal.
Dimensionamento de
pites de corroso em ao
inoxidvel.
Introduo s RNA
Eduardo Simas
43
Aplicaes - I
Classificao de descontinuidades em compostos Laminados
Fibra-Metal (LFM):
- Os LFM so compostos de camadas
sobrepostas de diferentes materiais;
- Existem mltiplos meios de propagao
e interfaces de reflexo para o sinal
ultrassnico
- A identificao dos defeitos mais
difcil
Sistema proposto:
Classes analisadas:
Sinal
Medido
Transf.
de
Fourier
Classific.
Neural
Indicao da
Integridade
Introduo s RNA
Eduardo Simas
44
Aplicaes - I
Classificao de descontinuidades em compostos Laminados
Fibra-Metal:
Determinao do nmero de
neurnios ocultos
Caractersticas utilizadas
Eduardo Simas
SD
SD
100
1,04
98,96
100
45
Aplicaes - I
Dimensionamento de pites de corroso em ao inoxidvel:
Corpo
de prova
Sensor
ultrassnico
Eduardo Simas
46
Aplicaes - I
Dimensionamento de pites de corroso em ao inoxidvel:
Sinal
Medido
Transf.
de
Fourier
Classific.
Neural
Deteco
do Pite
Eficincia de classificao
Acerto
FURO
95,54%
SD
87,10%
0,8
0,6
0,4
97,32%
96,00%
93,32%
Eduardo Simas
47
Aplicaes - II
Filtragem inversa num sistema de medio
Filmes finos de VO2 so utilizados em sensores de temperatura.
interessante sua operao na regio de histerese (alta dR/dT).
Introduo s RNA
Eduardo Simas
48
Aplicaes - II
Filtragem inversa num sistema de medio
- O processo de medio:
alta taxa de variao da
temperatura curva distorcida.
- Medio da curva quase-esttica:
realizado com uma lenta variao da
temperatura; no vivel a realizao
para um conjunto grande de filmes
Eduardo Simas
49
Aplicaes - II
Filtragem inversa num sistema de medio
Introduo s RNA
Eduardo Simas
50
Aplicaes - III
Agrupamento no-supervisionado de assinaturas acsticas de
contatos eltricos:
Transformador OLTC
Introduo s RNA
Eduardo Simas
51
Aplicaes - III
Agrupamento no-supervisionado de assinaturas acsticas de
contatos eltricos:
Assinaturas
Acsticas
Introduo s RNA
Transformada
Wavelet
SOM
Eduardo Simas
Agrupamento
52
Aplicaes - III
Agrupamento no-supervisionado de assinaturas acsticas de
contatos eltricos:
Probabilidade
Contatos novos
Cont. desgastados
Agrupamentos 3 e 4:
Contatos usados com
pouco desgaste
Agrupamentos 5 e 6:
Agrupamento
Introduo s RNA
Eduardo Simas
53
Aplicaes - IV
Reconhecimento do locutor:
Caractersticas utilizadas:
Frequncia fundamental (pitch);
Coeficientes cepstrais.
Introduo s RNA
Eduardo Simas
54
Aplicaes - IV
Reconhecimento do locutor:
Experimento 1:
Todos os indivduos da base
de dados (17 mulheres e 18
homens)
PD (%)
PF (%)
Experimento 1
90
Experimento 2
83
21
Introduo s RNA
Experimento 2:
Indivduos com padres
vocais semelhantes
(irmos).
Eduardo Simas
55
Aplicaes - V
Classificao em Fsica de Altas Energias:
Eduardo Simas
56
Aplicaes - V
Classificao em Fsica de Altas Energias:
Sadas alvo:
Eltron 1
~ 1000 sensores
Jato -1
100 anis
Classificador Neural
Introduo s RNA
Classificador Linear
Eduardo Simas
57
Aplicaes - V
Classificao em Fsica de Altas Energias:
Introduo s RNA
Eduardo Simas
58
Aplicaes - VI
Identificao Automtica do Gnero Musical:
Caractersticas estimadas:
- Frequncia Fundamental;
- Coef. Cepstrais;
- Freq. Fundamental;
- Histograma rtmico;
- Concentrao espectral da energia;
- Sonoridade.
Introduo s RNA
Eduardo Simas
59
Aplicaes - VI
Identificao Automtica do Gnero Musical:
Gneros musicais e sadas alvo:
Introduo s RNA
Eduardo Simas
60
Aplicaes - VI
Identificao Automtica do Gnero Musical:
Variao da eficincia mdia com o nmero de neurnios ocultos
Matriz de Confuso
Introduo s RNA
Eduardo Simas
61
CONCLUINDO...
Introduo s RNA
Eduardo Simas
62
Concluses
Vantagens:
Alto poder computacional
Processamento paralelo
Robusta a rudos e dados incompletos
Capaz de estimar mapeamentos no-lineares desconhecidos
Desvantagens:
Arquitetura tima precisa ser determinada experimentalmente
Difcil interpretao do modelo obtido
Eficincia depende do processo de treinamento
Introduo s RNA
Eduardo Simas
63
Mais informaes...
IEEE-INNS International Joint Conference on Neural Networks,
promovido em conjunto pela IEEE Computational Intelligence Society
(www.ieee-cis.org) e pela International Neural Network Society
(www.inns.org)
Congresso Brasileiro de Inteligncia Computacional CBIC (antigo
Cong. Bras. de Redes Neurais CBRN - http://cbrn-cbic2011.org/ ),
promovido pela Sociedade Brasileira de Redes Neurais
(www.sbrn.org.br).
Simpsio Brasileiro de Redes Neurais SBRN, promovido pela
Sociedade Brasileira de Computao (www.sbc.org.br).
Revista Learning and Nonlinear Models (www.deti.ufc.br/~lnlm).
...
Introduo s RNA
Eduardo Simas
64
Referncias Bibliogrficas
Livros Texto:
Aplicaes:
Simas Filho, E. F. Analise No-Linear de Componentes Independentes para uma Filtragem Online
Baseada em Calorimetria de Alta Energia e com Fina Segmentao, Doutorado em Engenharia
Eltrica COPPE / UFRJ, 2010.
Simas Filho, E. F.; Almeida, L. A. L., Filtragem Inversa de Medies de Histerese Trmica
Utilizando Redes Neurais. Cong. Bras. de Automtica, 2006, Salvador-BA.
Santos, L. T., Simas Filho, E. F., Sistema de Reconhecimento Automtico do Locutor Utilizando
um Classificador Neural. Seminrio Nacional de Controle e Automao, 2009, Salvador.
Borges Jr, E. A. T, et al., Classificao do Gnero Musical Utilizando Redes Neurais Artificiais.
In: CONNEPI, 2010, Macei - AL.
Lopes, D. B. P., et al., Utilizao de Redes Neurais Artificiais como Ferramenta de Auxlio na
Deteco de Dimensionamento de Pites em Corroso de Aos Inoxidveis In: Congresso
Nacional de Ensaios No-Destrutivos e Inspeo, 2010, Santos-SP.
Introduo s RNA
Eduardo Simas
65
DVIDAS ??
CONTATO: eduardo.simas@ufba.br
Introduo s RNA
Eduardo Simas
66