Introduo

RNA x REDES NEURAIS possvel dizer que Redes Neurais Artificiais (RNA) esto diretamente ligadas a Inteligncia Artificial (IA) e consiste em uma maneira de solucionar os problemas de IA. Procurando de certa forma imitar o comportamento dos circuitos cerebrais, onde se espera comportamentos inteligentes, no comportamentos sempre previsveis, mas espera-se que o sistema funcione aprendendo, errando, descobrindo novas coisas, lebrar, etc. Esses circuitos podero apresentar comportamentos imprevisveis, comportamentos que no se podem prever ou que no se possa entender, buscando funcionar como o sistema nervoso humano. Alguns fatos histricos influenciaram na criao da ideia e do sistema de RNA, por exemplo, a descoberta de Camillo Golgi das redes neurais, que foi aperfeioada por Santiago Ramon y Cajal, que props a Doutrina Neural. Essa doutrina dizia que: o neurnio a unidade estrutural e funcional do sistema nervoso, so clulas individuais e so compostos de trs partes. Aps essa fase histrica vale destacar as publicaes iniciais desenvolvidas por
McCulloch e Pitts, Hebb, e Rosemblatt, a partir dessas publicaes introduziram o primeiro modelo de redes neurais simulando maquinas, o modelo Perceptron de aprendizado supervisionado.

FUNCIONAMENTO NEURNIO O sistema nervoso constitudo de um conjunto complexo de clulas, que so chamados de neurnios. Eles tm papel fundamental no funcionamento do corpo huma no e no raciocnio. Os neurnios so basicamente formados por: dendritos, corpo central e axnios. Os dendritos so o conjunto de clulas de entrada, por onde recebe um estimulo. Os axnios so o conjunto de clulas de sada.

A comunicao entre os neurnios feita atravs das sinapses, que se situa na regio onde dois neurnios entram em contato e atravs desse contato os impulsos nervosos so transmitidos entre eles. Os impulsos recebidos por um neurnio so processados e ento liberada uma substncia neurotransmissora que sair no axnio e poder passar para outro neurnio se estiver um dendrito ligado ao axnio. O neurotransmissor pode excitar ou inibir os pulsos no neurnio. Cada neurnio faz milhares de sinapses, o que se permite criar redes muito grandes e complexas.

FUNCIONAMENTO DE UMA REDE NEURAL ARTIFICIAL: Aps o conhecimento das redes neurais, os pesquisadores procuraram um mtodo de como simular essa rede em um computador, a partir do pensamento de que o neurnio em si uma estrutura simples e a complexidade est na quantidade muito grande de processamento de forma paralela que ele capaz de fazer. Com isso um neurnio artificial, chamado de unidade de processamento, uma funo matemtica. A RNA composta por vrias unidades de processamento, essas unidades so conectadas por canais que tem um determinado peso. Essa conexo que permite a uma rede neural artificial ter um comportamento inteligente

Funcionamento: 1) Sinais so apresentados entrada;

2) Cada sinal multiplicado por um peso; 3) feita uma soma ponderada dos sinais que produzem um nvel

de atividade;
4) Se este nvel exceder um certo limite, a unidade reproduz uma

certa resposta de sada.

Sinapses e pesos: A transmisso de sinais pelos neurnios Sem entrar na fsico-qumica do processo, a transmisso de sinais entre neurnios pode ser entendida do seguinte modo: O sinal entra no neurnio atravs dos dendritos, passa pelo corpo celular e em seguida transmitido para outros neurnios, da rede neural, atravs do axnio. A passagem do sinal de um neurnio para os dendritos de outro neurnio chamada de sinapse.Em um neurnio artificial a intensidade da sinapse simulada por um fator de ponderao chamado peso da sinapse ou simplesmente peso.

O sinal total que entra no corpo de processamento de um neurnio artificial chamado Net, cujo valor calculado atravs da multiplicao do sinal que chega ao neurnio pelo peso da sinapse em questo Net = Sinal de entrada (input) x Peso. Neurnios possuem um grande nmero de dendritos e, portanto, podem estabelecer vrias sinapses com outros neurnios da rede neural, simultaneamente. Assim, o clculo do net deve ser generalizado para nentradas (inputs). Chamando os sinais de entrada de xi e os pesos de wi , o valor do net ser dado por:

Funes de Transferncia Como j poderamos imaginar, a sada de um neurnio (output) ser obtida em funo do sinal de entrada (input), isto , a sada ser funo do net Sada = f (net) A funo f (net) deve possuir as propriedades: 1) A funo de transferncia no deve ser negativa, pois ou o neurnio troca sinal com outro neurnio ou no troca, no h como trocar sinal negativo. 2) A funo de transferncia deve ser contnua, pois um neurnio no pode trocar sinal com outro neurnio, indefinidamente. Trs funes so usadas frequentemente, so elas: 1) Funo sigmoidal ou logstica Esta a funo de transferncia mais utilizada em redes neurais. Esta funo tambm a que mais se aproxima da sada de um neurnio biolgico. Matematicamente, escrevemos a funo sigmoidal como segue:

2) Funo degrau de Heaviside A funo de heavside muito simples e s pode assumir os valores 0 ou 1.

3) Funo Linear A sada do neurnio ser dada por:

Aprendizado

A maioria dos modelos de redes neurais aprende atravs de exemplos, analogias e explorao e descoberta. Sua arquitetura organizada em camadas, com unidades que podem estar conectadas as outras unidades de uma camada posterior. Exemplo:

Aprendizado Supervisionado Um professor indica se o comportamento foi bom ou ruim. Por exemplo, uma rede direta com dois neurnios utilizada para reconhecer duas letras, as letras so colocadas em frente a uma retina artificial, observa-se qual o neurnio de sada est mais excitado e se for o que caracteriza a letra correta nada deve ser corrigido, caso contrario modifica-se os valores das conexes de sinapse a fim de a sada se aproximar ao mximo do resultado desejado.

Aprendizado no Supervisionado

quando para fazer modificaes nos valores das conexes sinpticas no se usa as informaes sobre se a resposta da rede foi correta ou no. Usa-se um

esquema que para exemplos semelhantes a rede responder de forma semelhante. tambm chamado de rede auto organizadora devido a propriedade bsica de seu funcionamento.

Classificao quanto a Finalidade do Aprendizado

Um terceiro modo de classificao quanto nalidade do aprendizado. Assim temos um auto associador, um hetero associador ou um detetor de regularidades. Em um auto-associador uma coleo de exemplos apresentado rede, a qual suposta memorizar os exemplos. Depois, quando um destes exemplos for novamente apresentado de modo deteriorado supe-se que a rede restitua o original sem deteriorao. Neste caso aprende-se a funcionar como um ltro. Um hetero-associador e uma variante do auto-associador em que se memoriza um conjunto de pares. O sistema aprende a reproduzir o segundo elemento do par mesmo que o primeiro se j apresentado de modo contendo pequenas alteraes. Este hetero-associador tambm conhecido como um reconhecedor de padres, onde o primeiro elemento apresentado elemento a reconhecer e o segundo um elemento do conjunto de padres considerado. O detetor de regularidades um reconhecedor de padresem que os padres possveis no denido a priori. O sistema deve se auto-organizar, e criar os possveis padres.

Retropropagao

Sem entrar em detalhes a retropropagao uma regra de aprendizado supervisionado. Apresenta-se rede um exemplo e verica-se a sada da rede, sada esta que comparada sada esperada dando um erro. Calcula-se o gradiente deste erro com relao aos valores sinpticos da camada de sada que atualizada por um passo escolhido podendo-se ento calcular o erro da sada da penltima camada, e assim por diante propagando para trs o erro (origem do nome backpropagation) por todas as camadas de conexes. A seguir apresenta-se um exemplo e continua-se o processo ate que o erro seja menor que uma tolerncia desejada. Esta talvez a mais popular regra de aprendizado. A maioria dos programas para tratar RNA dispem de uma implementao da backpropagation ou na forma original (usando gradiente) ou em uma forma modicada para melhorar a performance da regra. alm de ser a primeira regra inventada para efetuar treinamento supervisionado de redes diretas com mais de duas camadas e consequentemente no limitada a resolver problemas linearmente separveis, tem ainda a vantagem de que, se a funo de ativao for uma funo analtica

derivvel, a derivada pode ser calculada explicitamente, evitando todos os problemas inerentes derivao numrica.

Mquina de Resolver Problemas O estudo das possibilidades de RNAs na soluo de problemas implica na existncia de computadores usando estas redes. Chama-se neurocomputador um computador em que o funcionamento interno feito por redes neurais. Por outro lado tem computadores que no tem essa tecnologia. Esses computadores sofisticados so chamado de Computadores Baseados em Instrues.

O Computador na Resoluo de Problemas

O computador pode ser considerado uma mquina de resolver problemas e dependendo da mquina usada poder ser resolvido diferentes problemas. Para estudar se em um CBI e em um neurocomputador um problema computvel e qual a complexidade da soluo, necessrio explicitar como um neurocomputador e um CBI enfrentam a tarefa de resolver problemas. Em ambos pode-se distinguir os trs pontos seguintes: a)-Em um CBI tem-se: 1 - o computador virtual (circuitos e programas), 2 - o ato de fazer o computador apto a resolver um problema especco (carregar o programa no computador), 3 - resolver o problema (rodar o programa). b)-Em um neurocomputador tem-se: 1 - a rede de neurnios com entradas e sadas (simulado ou materialmente implementado), 2 - um meio de xar os pesos das conexes, muitas vezes usando um algortmo de aprendizagem (equivalente a carregar o programa), 3 - usar a rede j educada para resolver o problema com os dados a serem usados na entrada da rede (equivalente a rodar o programa).

Os RNAs se mostram serem um grande aliado na resoluo de problemas, pois seu mtodo de aprendizado e de inteligncia se diferencia dos demais sistemas.