Escolar Documentos
Profissional Documentos
Cultura Documentos
BOLTZMANN
Gustavo Bruno do Vale, Gilberto Arantes Carrijo
Universidade Federal de Uberlndia. Faculdade de Engenharia Eltrica, Uberlndia-MG
gbvale@reito.ufu.br, gilberto@ufu.br
I. INTRODUO
Cada vez mais necessita-se de sistemas que automatizem o
reconhecimento de pessoas, de assinaturas e de outros tipos de
padres facilitando, agilizando e aumentando a segurana
deste tipo de processo. Para atender esta demanda so
utilizadas vrias formas de padres para posteriormente o
sistema realizar o reconhecimento, tais como: reconhecimento
de faces, identificao atravs da ris do olho, reconhecimento
de escritas cursivas, reconhecimento de fala, entre outros.
Existem vrios mtodos de reconhecimentos de padres
que so aplicados nestes sistemas. Neste artigo ser aplicado
um mtodo de aprendizagem estocstica conhecida com
Mquina de Boltzmann (BM).
O mtodo aplicado neste trabalho utilizar uma estrutura
como das Redes Neurais Artificiais (RNA) porm com
diferenas nos valores dos neurnios desta rede. As RNAs so
aplicadas em alguns sistemas de reconhecimento de padres,
onde a estrutura desta rede utiliza um mtodo parecido com o
aprendizado de um neurnio biolgico.
Porm, neste artigo o mtodo conhecido com Mquina de
Boltzmann utiliza esta estrutura de RNA com a diferena dos
neurnios terem valores binrios e aleatrios. Estes valores
so modificados e os pesos da rede so ajustados at que se
encontre valores que minimizem a funo de energia da rede.
Ser aplicado algoritmos da Mquina Boltzmann que um
conceito da termodinmica que realiza o abaixamento da
temperatura de um sistema at que ocorra um equilbrio de
energia.
Para se testar a eficincia do algoritmo em realizar o
reconhecimento de padres foi aplicado diferentes algoritmos
que buscam criar uma rede que otimize este processo de
reconhecimento. Estes algoritmos foram testados atravs do
software Matlab treinando uma rede, a diferena entre os
algoritmos a forma como os pesos so atualizados. Feito o
treinamento da entrada da rede com sua respectiva sada, o
algoritmo realizar a classificao da sada ideal de acordo
com a entrada. Desta forma, pode-se mensurar a eficincia do
sistema em realizar um reconhecimento de um padro.
Onde:
Si
E
N
1
2
,=1
(1)
Onde:
ab = Eb - Ea
T
- Temperatura.
Onde:
Si
li
= ( , ) = tanh[ ]
(4)
(2)
Onde:
Si
T
i
o
(5)
VI. RESULTADOS
Conforme mencionado, os algoritmos descritos nos tpicos
acima, foram simulados atravs do software Matlab.
Primeiramente foram testados os algoritmos de recozimento
para abaixar a energia total do sistema. Criou-se uma funo
que gera os valores de Si, sendo que foi gerado todas as
configuraes possveis de valores -1 e +1 para uma rede de 7
neurnios. Atravs do algoritmo fora bruta que testa a rede
com todas as configuraes possveis, encontrou-se os valores
de Si que mantem a rede com a menor energia total. Porm
este mtodo foi utilizado apenas para testar o algoritmo de
recozimento simulado, pois seria invivel em rede com grande
quantidade de neurnios.
No algoritmo determinstico de recozimento explicado no
item III 2, foi criado uma rede de 7 neurnios, foi escolhida
uma temperatura inicial T(1)=1 e esta temperatura foi
reduzida k vezes com k = 20 seguindo a seguinte expresso a
cada passo: T(k)=T(1)*0,9k . No algoritmo testado encontrouse o valor Si dos neurnios que minimizam a energia do
sistema testando o algoritmo fora bruta e o valor Si dos
neurnios utilizando o algoritmo recozimento simulado.
Observou-se que o algoritmo de recozimento simulado teve
um resultado satisfatrio pois teve uma sada parecida com a
do algoritmo de fora bruta.
10
until k = kmax ou encontrar critrio de convergncia
11 return wij
12 end
Fig. 5. Algoritmo determinstico de Boltzmann.
REFERNCIAS
[1] R.O. Duda, P.E. Hart, and D.G. Stork, Pattern
Classification, John Wiley & Sons Inc., 2 Edio, Nova
York, 2001.
[2] S. N. Sivanandam, S. Sumathi, Introduction to Neural
Networks using Matlab 6.0, Tata McGraw-Hill
Education, New Delhi, 2006.
[3] R. Salakhutdinov, G.E. Hinton, Deep boltzmann
machines, in Proceedings of the international
conference on artificial intelligence and statistics, vol. 5,
no. 2, pp. 448-455, Cambridge, MA: MIT Press.
[4] S.E. Fahlman, G.E. Hinton, Connectionist Architectures
for Artificial Intelligence. Computers for Artificial
Intelligence
Processing.
WHA,
B.
W.
&
RAMAMOORTHY, C. V. John Wiley & Sons Inc., Nova
York, 1990.
[5] G.E. Hilton, T.J. Sejnowski, Learning and Relearning in
Boltzmann Machines, MIT Press, Cambridge, Mass., 1,
282317, 1985.
1 -1