Escolar Documentos
Profissional Documentos
Cultura Documentos
ADALINE
(Adaptative Linear Neuron)
Montes Claros
2017
INTRODUO
O Adaline foi desenvolvido em 1960 por Widrow
e Hoff e sua principal aplicao era o
chaveamento de circuitos telefnicos.
As principais contribuies do modelo so:
1) Desenvolvimento do algoritmo de aprendizado
Regra Delta;
2) Aplicaes de RNAs de forma prtica para
solues de sinais analgicos;
3) Foi a primeira rede neural aplicada na
indstria.
ADALINE
ADALINE e Perceptron surgiram quase que
simultaneamente.
Tem seus pesos ajustados em funo do erro de
sua sada linear, antes da aplicao da funo de
propagao .
Continua com o problema de uma nica camada
de pesos ajustveis .
A funo de custo a ser minimizada quadrtica
nos pesos de entrada, e a minimizao feita
pelo mtodo do gradiente
O Adaline similar ao Perceptron, com
diferena apenas pelo seu algoritmo de
treinamento. Enquanto o Perceptron ajusta
os pesos somente quando um padro
classificado incorretamente, o Adaline
utiliza a regra Delta para minimizar o
erro mdio (MSE) aps cada padro ser
apresentado, ajustando os pesos
proporcionalmente ao erro.
Vantagens e Limitaes do ADALINE
Vantagens: Treinamento mais suave que o do
Perceptron .
Montes Claros
2017
Relembrando conceitos:
Redes de uma camada: constituda de apenas
uma camada de entrada e uma camada neural de
sada.
Redes de mltiplas camadas: constituda por
uma camada de entrada, uma ou mais camadas
intermedirias (ou escondidas/ocultas) de
unidades computacionais e uma camada de
sada.
Feedforward de uma nica camada
Feedforward de mltiplas camadas;
Obs:
- Feed-Forward: as entradas se propagam
pela rede, da camada de entrada at a camada de
sada.
- Feed-Backward: os erros se propagam na
direo contrria ao fluxo de dados, indo
da camada de sada at a primeira camada
escondida.
Primeira camada intermediria: cada nodo
traa retas no espao de padres de treinamento.
Segunda camada intermediria: cada nodo
combina as retas traadas pelos neurnios da
camada anterior, formando regies convexas.
Camada de sada: cada nodo forma regies
que so combinaes das regies convexas
definidas pelos nodos a eles conectados da
camada anterior
Definidos regies com formatos abstratos.
Grande incentivo para criao do
Perceptron de Mltiplas camadas:
Redes com uma camada:
Redes com uma camada resolvem apenas
problemas linearmente separveis
Redes de duas camadas:
Soluo: Utilizar mais de uma camada
Camada 1: uma rede Perceptron para cada
grupo de entradas linearmente separveis.
Camada 2: uma rede combinando as sadas
das redes da 1 camada, produzindo a
classificao final.
Redes Neurais Multicamadas
Uma ou mais camadas ocultas;
No h como prever sada nas camadas
intermedirias;
Os neurnios possuem uma funo de ativao
no-linear do tipo sigmoidal (e.g. funo
logstica ou tangente hiperblica).
A rede possui um alto grau de conectividade.
A funo de ativao substituda por uma
sigmide ou tangente hiperblica.
Arquitetura da Rede
Nmero de camadas escondidas da rede? Uma,
duas ou mais?
O nmero adequado de nodos na camada
intermediria depende de vrios fatores (Nmeros
de exemplos, complexidade da funo e outros).
Nmero elementos por camada?
Maior, menor ou igual ao nmero de
entradas.
Funes de propagao?
sigmide ou tangente hiperblica linear.
Tipos de treinamento