UNIVERSIDADE FEDERAL DE UBERLNDIA FACULDADE DE ENGENHARIA ELTRICA PS-GRADUAO EM ENGENHARIA ELTRICA

REDES NEURAIS ARTIFICIAIS

Nelson da Silva Paz Osias Baptista de Souza Filho

NOVEMBRO 2007

Prof. Keiji Yamanaka

RECONHECIMENTO DE DGITOS USANDO PERCEPTRONS

Resumo O estudo visa treinar uma rede neural com o algoritmo de treinamento Perceptron fazendo com que sejam reconhecidos os dgitos 1, 2, 3, 4, 5, 6, 7, 8, 9 e 0. Devero ser experimentadas diferentes taxas de aprendizagem e ser contados os nmeros de ciclos necessrios para completar o treinamento. A rede ser treinada com os padres usados no treinamento, inclusive inserindo rudos nos padres para verificar sua tolerncia a erros. Abstract The study it aims at to train a neural net with the algorithm of Perceptron training being made with that digits 1, 2, 3, 4, 5, 6, 7, 8, 9 and 0 are recognized. Different taxes of learning will have to be tried and to be counted the numbers of cycles necessary to complete the training. The net will be trained with the used standards in the training, also inserting noises in the standards to verify its tolerance the errors. Palavras-chave Redes Neurais Artificiais, Perceptron. 1- Introduo No final da dcada de 1950, Rosenblatt na Universidade de Cornell, criou uma genuna rede de mltiplos neurnios do tipo discriminadores lineares e chamou esta rede de perceptron. Um perceptron uma rede com os neurnios dispostos em camadas. Estes podem ser considerados o primeiro modelo de redes neurais. Perceptron aprende conceitos, ele pode aprender a responder com verdadeiro (1) ou falso (0) pelas entradas que ns apresentamos a ele, estudando repetidamente os exemplos que lhe so apresentados. O perceptron uma rede neural cujos os pesos e inclinaes podem ser treinados para produzir um vetor alvo que quando apresentamos tem que corresponder ao vetor de entrada. 2- Rede Neural Artificial As redes neurais artificiais consistem em um mtodo de solucionar problemas de inteligncia artificial, construindo um sistema que tenha circuitos que

simulem o crebro humano, inclusive seu comportamento, ou seja, aprendendo, errando e fazendo descobertas. mais que isso, so tcnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento atravs da experincia. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento, enquanto que o crebro de um mamfero pode ter muitos bilhes de neurnios. 3- Neurocomputao Os modelos neurais, procuram aproximar o processamento dos computadores ao crebro. As redes neurais possuem um grau de interconexo similar a estrutura do crebro e um computador convencional moderno a informao transferida em tempos especficos dentro de um relacionamento com um sinal para sincronizao.

4- Processos de aprendizado de uma rede neural artificial A propriedade mais importante das redes neurais a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. Isso feito atravs de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe de problemas. Denomina-se algoritmo de aprendizado a um conjunto de regras bem definidas para a soluo de um problema de aprendizado. Existem muitos tipos de algoritmos de aprendizado especficos para determinados modelos de redes neurais, estes algoritmos diferem entre si principalmente pelo modo como os pesos so modificados. A rede neural se baseia nos dados para extrair um modelo geral. Portanto, a fase de aprendizado deve ser rigorosa e verdadeira, a fim de se evitar modelos esprios. Todo o conhecimento de uma rede neural est armazenado nas sinapses, ou seja, nos pesos atribudos s conexes entre os neurnios. De 50 a 90% do total de dados deve ser separado para o treinamento da rede neural,

dados estes escolhidos aleatoriamente, a fim de que a rede "aprenda" as regras e no "decore" exemplos. O restante dos dados s apresentado rede neural na fase de testes a fim de que ela possa "deduzir" corretamente o interrelacionamento entre os dados. 5- Por que utilizar Redes Neurais? Inferncia de mltiplas variveis; Grande tolerncia a falhas; Modelamento direto do problema; Paralelismo inerente.

6- Experimentos Para a execuo do trabalho, que foi codificado na linguagem de programao Visual Basic.NET, que pode ser executado na plataforma Windows. Apresentarei uma breve descrio do desenvolvimento do programa Gerao dos padres de entrada Foi considerado o array X de entrada na forma de matriz i por j, onde [ij] = n. Usando n = 200 elementos, ou seja, i = 10 linhas por j = 20 colunas. Padro de Entrada:

Foi considerado o vetor T de sada na forma de matriz i por j, onde [ij]= n. usando n = 100 elementos, ou seja, i = 10 linhas por j = 10 colunas. Padro de Sada:

Foi definida uma taxa inicial de aprendizagem (alfa) igual a 0.01 e valor final de 0.001 com variao de 0.001. Uma rotina com o algoritmo de perceptron foi desenvolvida para efetuar o treinamento da rede com o valor inicial de aprendizagem 0.01 e uma rotina para teste da rede, onde a soma do produto entre pesos e entradas alimenta cada neurnio de sada, e se o resultado desta operao exceder o limiar (0), o neurnio coloca o valor 1 na sada; se o resultado for inferior ao limiar, o neurnio coloca o valor -1 na sada, devendo-se configurar o caracter atravs da seleo dos caracteres ou configurando diretamente o caracter em um mapa de caracteres de entrada. Na fase inicial foi selecionado o caracter de nmero 0 (zero), efetuando o teste da rede e o caracter selecionado no foi identificado, conforme figura 1.

Figura 1

Efetuando o treinamento da rede, com a taxa de aprendizagem inicial de 0.010 resultando em um nmero de ciclos = 26, o caracter foi identificado corretamente, foi realizado um teste para todos os caracteres de 0 a 9 e todos foram identificados corretamente, conforme figura 2 referente ao teste realizado para o nmero 0.

Figura 2 Colocando rudo, na configurao do caracter, conforme figura do mapa de caracteres de entrada, observa-se que o resultado da sada verificado foi 8 e 9, conforme figura 3.

Figura 3

Foram efetuados vrios testes aumentando a taxa de aprendizagem ou diminuindo a taxa de aprendizagem e notou-se que havia uma variao com relao ao caracter de sada, no entanto o nmero de incidncia do caracter oito e nove foi o mais predominante, independente da taxa de aprendizagem se o caracter no possusse rudo, ou seja, fosse realmente o configurado no sistema, o valor correto era encontrado. Com relao a taxa de aprendizagem nota-se que ao aument-la, o nmero de ciclos diminui e vice-versa. 7- Aplicaes das Redes Neurais Anlise de assinaturas; Anlise de caractersticas demogrficas para marketing; Anlise do grau de satisfao de um cliente; Controle de processos industriais; Deteco de cartes de crdito falsos; Monitoramento para manuteno de motores; Previso da bolsa de valores e cotao de moedas; Previso do mercado financeiro; Reconhecimento de caracteres e impresses digitais; Reconhecimento tico de caracteres.

8- Dificuldades das redes Neurais As redes neurais artificiais trabalham com um nmero reduzido (centenas) de neurnios artificiais, enquanto as redes neurais biolgicas trabalham com milhes de neurnios. 9- Referncias http://www.pg.cefetpr.br/ppgep/Ebook/ARTIGOS/9.pdf http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf http://www.din.uem.br/ia/neurais/#artificial http://www.lem.ep.usp.br/pef411/~Cristiano %20Oliveira/CristianoOliveira/Paginas/RedesNeurais.htm http://www.lactec.org.br/OInstituto/downloads/Biblioteca/2001/054_2001.pdf