Escolar Documentos
Profissional Documentos
Cultura Documentos
Von Zuben
DCA/FEEC/Unicamp
Modelos e Aplicaes de
Redes Neurais Artificiais
(Parte I)
Baseado em Notas de Aula da disciplina de ps-graduao IA353 Redes Neurais (FEEC/Unicamp)
1. Histrico .............................................................................................................. 2
2. Definio Genrica de Redes Neurais Artificiais ................................................ 3
3. Modelo matemtico de McCulloch e Pitts........................................................... 6
4. Modelo matemtico do perceptron ...................................................................... 7
5. Tipos de funes de ativao ............................................................................... 9
6. Dos neurnios s redes neurais.......................................................................... 13
1. Histrico
1943 McCulloch e Pitts
1948 Wiener
1949 Hebb
1957 Rosenblatt
1958 Widrow e Hoff
1969 Minsky e Papert
1960- Kohonen, Grossberg, Widrow,
1980 Anderson, Caianiello,
Fukushima,
1974 Werbos
1982 Hopfield
1986 Rumelhart e McClelland
Tabela 1 Histrico da pesquisa em Redes Neurais Artificiais
por este motivo que as mais avanadas estratgias de aprendizado passaram a ser
responsveis pela definio automtica de muitas caractersticas de projeto, antes
a cargo do projetista.
o projetista geralmente no possui informao a priori suficiente para definir, por
exemplo, a melhor topologia da rede e as funes de transferncia que devem ser
utilizadas em cada neurnio, deixando apenas as conexes ajustveis a cargo do
algoritmo de treinamento.
quando o projetista incumbido desta tarefa ingrata, boas estimativas podem ser
obtidas apenas a partir de procedimentos exaustivos de tentativa e erro.
quando o aprendizado atua apenas modificando as conexes, diz-se que o
conhecimento adquirido armazenado nas conexes.
ora, isto significa que, ao arbitrar a topologia da rede e as funes de transferncia
que devem ser utilizadas em cada neurnio, o projetista est introduzindo um
conhecimento inicial, cujo nvel de adequao pode no estar a seu alcance.
n
y = g wi xi
i =1
xn wn 1
n
y = g (u ) = g w0 + wi xi
i =1
1 w0
x w1
1
u y e
g
x2 w2
yd
xn wn
m
y = g v 0 + vi xi
i =1
1 v0
x1 v1
+ g y
xm vm
ai
0.8 0.8 ui
0.6 0.6
a i(0)
0.4 0.4
0.2 0.2
0 0
-5 0 5 -5 0 5
a) b)
Figura 3 Funo sinal (a) e sua derivada em relao entrada interna (b)
1 se pu i 1
a i (u i ) = pu i se 0 < pu i < 1 com p constante e positivo.
0 se pu i 0
0.8 p
0.6
0.4
0.2
0 0
0 1/p 0 1/p
a) b)
Figura 4 Funo semi-linear (a) e sua derivada em relao entrada interna (b)
Tpico 1.2: Modelos e Aplicaes de Redes Neurais Artificiais (Parte I) 10
EA072 Prof. Fernando J. Von Zuben
DCA/FEEC/Unicamp
e pui 1 a i
a i (u i ) = = = pa i (1 a i ) > 0
e pui + 1 1 + e pui u i
0.8
1
0.7
0.8 p=3
0.6
p=1.5
p=3
p=0.8
0.5
0.6
p=1.5
0.4
p=0.8
0.4
0.3
0.2
0.2
0.1
0
0
-5 0 5 -5 0 5
a) b)
Figura 5 Funo logstica (a) e sua derivada em relao entrada interna (b)
e pui e pui
a i ( u i ) = tanh( pu i ) = pu
a i
( )
= p 1 a 2i > 0
e i + e pui u i
2.5
1
p=2.2
2
p=1
0.5
p=0.6 p=2.2
1.5
p=1
0
1 p=0.6
-0.5
0.5
-1
0
-5 0 5 -5 0 5
a) b)
Figura 6 Funo tangente hiperblica (a) e sua derivada em relao entrada interna (b)
1 wi0
yj
g
w
ui yi
g
xij
wij
z -1
..
.
z -1
z -1
w 11 = 0
w 12 y1
.. +
.
w 1n u1
w 21
y2
w 22 =0
.. +
.
w 2n u2
.. ..
. .
w n1
w n2 yn
.. +
.
w nn = 0 un
x( k + 1) = g (k , x( k ), u (k ))
y (k ) = h(k , x(k ), u (k ))
y(k)
u(k) h
x(k+1) x(k)
g z-1
. .
. .
v11 y1
+ g
1 w 10
v1m w 11
+ ^s
1
1 v20 w 12
x1 v21 y2
+ g w 1n
xm v2m 1 w r0
w r1
+ ^s
r
w r2
1 vn0
yn
vn1
+ g w rn
vnm
Figura 14 Rede neural artificial perceptron com uma camada intermediria (neste
caso, a funo de ativao dos neurnios da camada de sada tomada como sendo a
identidade). Mais camadas intermedirias poderiam ser introduzidas.
e
w n m+r
z -1
z -1
Figura 15 Rede neural artificial com uma camada intermediria e recorrncia externa
y = f(x )
w0
1 +
w1 wn
wj
h 1 (x ) ... h j (x ) ... h n (x )
(x1 c j1 )2 (x 2 c j 2 )2 (x m c jm )2
h j (x) = exp ...
j1 j2 jm
0.8
0.6
hj(x)
0.4
0.2
0
-2 -1 0 1 2
i
+ 1 se i = l t11
til = 1
se i l , < n wij y1
j tn1
x1 y2
r r x2
y (0) = Wx
xdim
t1n
n
y i ( k + 1) = max 0, til y l ( k )
l =1
yn
ordem 2
ordem 1
ordem 0
...
x1 x2 xdim
...
x1 x2 xdim
mi
mi
Arranjo em
2
Neurnios mi
Pesos sinpticos
[mi1, ..., miD]
v1
v2 Dados de
Entrada
M
vD
7
8
6
1 6 5
1
0 4
0
4
-1 -1 3
0 0
2
2 2 2
4 4 1
6 6
8 0 8 0
Toroide
Cilindro
0.5
-1
0 8
-2
6
-0.5
4
2 1
-0.5 0 0.5
0.5 1 0
0
-0.5 -2
0 -1
1
2
1 v10
v11 y1
+ f1
1 w10
v1m w11
+ ^s
1
1 v20 w12
x1 v21 y2
+ f2 w1n
xm v2m 1 wr0
wr1
+ ^s
r
wr2
1 vn0
yn
vn1
+ fn wrn
vnm