DCA

CT UFRN
Inteligncia Artificial Aplicada
Lista 1 (04/03/2015)
Prof. Marcelo Augusto Costa Fernandes
mfernandes@dca.ufrn.br

1 Dada uma rede MLP com ?? entrada(s), dois neurnios na camada escondida e ?? neurnio(s) na
camada de sada treinada com o algoritmo do backpropagation. Mostre o valor do erro quadrtico
mdio e o valor dos pesos aps o final de uma iterao (apenas um exemplo de entrada). Suponha que a
rede MLP est aprendendo a funcionalidade da porta XOR e da porta AND. Utilize a funo sigmoide na
camada escondida e a funo linear na camada de sada. Mostre todos os clculos para encontrar o
valor dos pesos. No necessrio treinar para todos os exemplos de entrada, mas mostre que sero os
exemplos de treinamento e validao. Justifique a arquitetura utilizada.

(
(

)
)

f xiL (n ) eiL (n ) para o i - simo neurnio da camada de sada (k = L)

N k +1

ik (n ) =
xik (n ) wijk +1 (n ) ik +1 (n ) para k = L - 1,,1
f

i =1

k
ij

k
ij

eiL (n ) = d i (n ) yiL (n )

w (n + 1) = w (n) + ik (n)y kj 1 (n) + wijk (n 1)

2 Dado um conjunto de N imagens diferentes de 100x100 pixels representado retratos 3x4 de rostos
de N pessoas diferentes. Explique em detalhes (processo de treinamento e processo de validao) como
utilizar um MLP para fazer seus reconhecimentos.

3 Dada uma rede RBF com ?? entrada(s), quatro centros na camada escondida e ?? neurnio(s) na
camada de sada treinada com o algoritmo do LMS. Mostre o valor do erro quadrtico mdio e o valor
dos pesos aps uma iterao (apenas um exemplo de entrada). Suponha que a rede RBF est
2
aprendendo a funcionalidade da funo x . Mostre todos os clculos para encontrar o valor dos pesos.
No necessrio treinar para todos os exemplos de entrada, mas mostre que sero os exemplos de
treinamento e validao. Justifique a arquitetura utilizada. (3,0)

1
h ( x ) = exp 2 x ch
2
H

y j (n ) = wkh h ( x ),

, h = 1,2, . . . , H

j = 1,2, . . . , m

4 Dada uma rede Perceptron com ?? entrada(s) treinada com o algoritmo do LMS. Mostre o valor do
erro quadrtico mdio e o valor dos pesos aps uma iterao (apenas um exemplo de entrada).
Suponha que a rede Perceptron est aprendendo a funcionalidade da funo AND. Mostre todos os
clculos para encontrar o valor dos pesos. No necessrio treinar para todos os exemplos de entrada,
mas mostre que sero os exemplos de treinamento e validao. Justifique a arquitetura utilizada.
h =1

5 Faa uma comparao de desempenho entre as redes neurais MLP, RBF e o Perceptron. Mostre as
limitaes, as funcionalidades e as vantagens e desvantagens de cada rede.
6 Dada uma rede do tipo Mapa Auto-organizado de Kohonen (Self-Organizing Maps SOM) com
quatro neurnios dispostos em um espao unidimensional no qual, cada neurnio possui duas
entradas. Mostre o valor dos pesos aps uma iterao para uma entrada qualquer.

7 Dado um conjunto de N imagens diferentes de 100x100 pixels representado retratos 3x4 de rostos
de N pessoas diferentes. Apresente uma estratgia para solucionar o problema utilizando uma RNA
(treinamento no supervisionada) conhecida como Mapa Auto-organizado de Kohonen (Self-Organizing
Maps SOM) associada a RNA de Funes Radiais de Base (treinamento supervisionado). Mostre em
detalhes o processo de treinamento e funcionamento desta estratgia bem como suas vantagens em
relao a utilizar apenas uma nica RNA com treinamento supervisionado.
8 Explique em detalhes (processo de treinamento e processo de validao) como utilizar uma rede
neural do tipo RBF para interpolar a funo .
9 Mostre um problema de classificao e como ele pode ser resolvido por uma Rede Neural Artificial
do tipo Perceptron de Mltiplas Camadas.