Unidade Curricular: Inteligência Artificial II

Título: Redes Neurais Artificiais. Redes de Hopfield e Mapas de Kohonen.

Tipo: Práctica
Número da Actividade: 11

Sumário:
11.1. Introdução ................................................................................................................ 1
11.2. Exercícios resolvidos ............................................................................................... 1
11.3. Bibliografia .............................................................................................................. 5

11.1. Introdução
Nesta aula temos por objectivo a resolução de exercícios sobre Redes Neurais
Artificias, com ênfase nas redes de Hopfield e nos mapas de Kohonen.
11.2. Exercícios resolvidos
Ex.1 Conhecida a configuração inicial de uma rede de Hopfield,
determine qual o estado alcançado após uma única iteração do
algoritmo.

Seleccionamos uma unidade, se a soma das vizinhas activas é

positiva, então a unidade se activa, caso contrário se desactiva.
As unidades de seleccionam de forma aleatória.
1. Seleccionamos U4: Vizinhas activa: U3. Soma = -1. U4 permanece inactiva.
2. Seleccionamos U2: Não tem vizinhas activas.
3. Seleccionamos U1: Vizinhas activas: U3. Soma = +1. U1 se activa.
4. Seleccionamos U3: Vizinhas activas: U1. Soma = +1. U3 permanece activa.
5. Seleccionamos U7: Não tem vizinhas activas.
6. Seleccionamos U5: Vizinhas activas: U3. Soma = +2. U5 se activa.
7. Seleccionamos U6: Vizinhas activas: U3 e U5. Soma = +2. U6 se activa.
A rede finalmente fica:

Elaborado por: Eng.ª Lissette Montero Herrera | 1

Ex.2 Se pretende treinar uma Rede de Hopfield simples de 4 unidades para aprender dois
padrões de uma imagem de 4 pixels. Os pixels só podem tomar dois valores: branco (se
representa com -1) e preto (se representa com 1).
Padrão 1 Padrão 2

a) Desenhar qual à Rede de Hopfield a ser usada para este problema (unidades e
conexões).
Rede de Hopfield

1 2

3 4

Estados estáveis:
Estado Estável 1 Estado Estável 2

1 2 1 2

3 4 3 4

b) Quais são os vectores de entrada E1 e E2 à Rede?

Estados estáveis:
Estado estável 1: 𝐸1 = [1 − 1 1 − 1]
Estado estável 2: 𝐸2 = [−1 1 − 1 1]
(Se o estudante pode definir os estados estáveis no exercício anterior)
c) Determine os pesos das conexões entre as unidades da Rede proposta.
Calculando 𝑊1 :
1 1 0 0 0 1 −1 1 −1 1 0 0 0 0 −1 1 −1
−1 [1 0 1 0 0 −1 1 −1 1 0 1 0 0 −1 0 −1 1
𝐸1𝑇 ∗ 𝐸1 − 𝐼 = [ ] ∗ − 1 1 − 1] − [ ]= [ ]−[ ]=[ ]
1 0 0 1 0 1 −1 1 −1 0 0 1 0 1 −1 0 −1
−1 0 0 0 1 −1 1 −1 1 0 0 0 1 −1 1 −1 0

Calculando 𝑊2 :
−1 1 0 0 0 1 −1 1 −1 1 0 0 0 0 −1 1 −1
1 [−1 0 1 0 0 −1 1 −1 1 0 1 0 0 −1 0 −1 1
𝐸2𝑇 ∗ 𝐸2 − 𝐼 = [ ] ∗ 1 − 1 1] − [ ]= [ ]−[ ]=[ ]
−1 0 0 1 0 1 −1 1 −1 0 0 1 0 1 −1 0 −1
1 0 0 0 1 −1 1 −1 1 0 0 0 1 −1 1 −1 0

Calculando 𝑊:
1 −1 1 −1 1 −1 1 −1 0 −1 1 −1 0 −1 1 −1 0 −2 2 −2
−1 1 −1 1 −1 1 −1 1 −1 0 −1 1 −1 0 −1 1 −2 0 −2 2
𝑊 = 𝑊1 + 𝑊2 = [ ]+[ ]=[ ]+[ ]=[ ]
1 −1 1 −1 1 −1 1 −1 1 −1 0 −1 1 −1 0 −1 2 −2 0 −2
−1 1 −1 1 −1 1 −1 1 −1 1 −1 0 −1 1 −1 0 −2 2 −2 0

Elaborado por: Eng.ª Lissette Montero Herrera | 2

Sendo assim, a rede de Hopfield fica:

-
- -
2
2 2

Ex.3 Se pretende treinar uma Rede de Hopfield simples de 9 unidades para aprender dois
padrões de uma imagem de 9 pixels. Os pixels só podem tomar dois valores: branco (se
representa com -1) e preto (se representa com 1).
Padrão 1 Padrão 2

a) Quais são os vectores de entrada E1 e E2 à Rede?

Por determinar quais os vectores E1 e E2
Estado estável 1: 𝐸1 = [1 −1 −1 −1 1 −1 −1 −1 1]
Estado estável 2: 𝐸2 = [−1 −1 −1 −1 −1 −1 1 1 1]
Observe que: os neurónios foram numerados de esquerda à direita.

b) Determine apenas a matriz de pesos W1.

Por calcular a matriz de pesos:
1 1 0 0 0 0 0 0 0 0
−1 0 1 0 0 0 0 0 0 0
−1 0 0 1 0 0 0 0 0 0
−1 0 0 0 1 0 0 0 0 0
𝐸1𝑇 ∗ 𝐸1 − 𝐼 = 1 ∗ [1 −1 −1 −1 1 −1 −1 −1 1] − 0 0 0 0 1 0 0 0 0
−1 0 0 0 0 0 1 0 0 0
−1 0 0 0 0 0 0 1 0 0
−1 0 0 0 0 0 0 0 1 0
[ 1] [0 0 0 0 0 0 0 0 1]

1 −1 −1 −1 1 −1 −1 −1 1 1 0 0 0 0 0 0 0 0
−1 1 1 1 −1 1 1 1 −1 0 1 0 0 0 0 0 0 0
−1 1 1 1 −1 1 1 1 −1 0 0 1 0 0 0 0 0 0
−1 1 1 1 −1 1 1 1 −1 0 0 0 1 0 0 0 0 0
𝐸1𝑇 ∗ 𝐸1 − 𝐼 = 1 −1 −1 −1 1 −1 −1 −1 1 − 0 0 0 0 1 0 0 0 0
−1 1 1 1 −1 1 1 1 −1 0 0 0 0 0 1 0 0 0
−1 1 1 1 −1 1 1 1 −1 0 0 0 0 0 0 1 0 0
−1 1 1 1 −1 1 1 1 −1 0 0 0 0 0 0 0 1 0
[ 1 −1 −1 −1 1 −1 −1 −1 1 ] [0 0 0 0 0 0 0 0 1]

Elaborado por: Eng.ª Lissette Montero Herrera | 3

 0 −1 −1 −1 1 −1 −1 −1 1
−1 0 1 1 −1 1 1 1 −1
−1 1 0 1 −1 1 1 1 −1
−1 1 1 0 −1 1 1 1 −1
𝑇
𝐸1 ∗ 𝐸1 − 𝐼 = 1 −1 −1 −1 0 −1 −1 −1 1
−1 1 1 1 −1 0 1 1 −1
−1 1 1 1 −1 1 0 1 −1
−1 1 1 1 −1 1 1 0 −1
[ 1 −1 −1 −1 1 −1 −1 −1 0]

Ex.4 Se conhece o seguinte mapa de Kohonen.

Determinar qual o neurónio vencedor para o padrão de
entrada X= {0, 0, 1}.
Primeiro, calcular as distâncias:
𝑑(𝑋, 𝑁1) = √(0 − 1)2 +(0 − 2)2 + (1 − 1)2 = √5 ou
𝑑(𝑁1, 𝑋) = √(1 − 0)2 +(2 − 0)2 + (1 − 1)2 = √5

𝑑(𝑋, 𝑁2) = √(0 − 0)2 +(0 − 1)2 + (1 − 0)2 = √2 ou

𝑑(𝑁2, 𝑋) = √(0 − 0)2 +(1 − 0)2 + (0 − 1)2 = √2

𝑑(𝑋, 𝑁3) = √(0 − (−1))2 +(0 − (−1))2 + (1 − (−2))2 = √11 ou

𝑑(𝑁3, 𝑋) = √(−1 − 0)2 +(−1 − 0)2 + (−2 − 1)2 = √11

𝑑(𝑋, 𝑁4) = √(0 − (−1))2 +(0 − 2)2 + (1 − 2)2 = √6 ou

𝑑(𝑁4, 𝑋) = √(−1 − 0)2 +(2 − 0)2 + (2 − 1)2 = √6

O neurónio vencedor é N2.

Ex.5 Para o mapa de Kohonen do exercício anterior. Determinar qual o neurónio vencedor
para o padrão de entrada X= {2, 2, 1}. Justifique sua selecção.
𝑑(𝑋, 𝑁1) = √(2 − 1)2 +(2 − 2)2 + (1 − 1)2 = √1 ou
𝑑(𝑁1, 𝑋) = √(1 − 2)2 +(2 − 2)2 + (1 − 1)2 = √1

𝑑(𝑋, 𝑁2) = √(2 − 0)2 +(2 − 1)2 + (1 − 0)2 = √6 ou

𝑑(𝑁2, 𝑋) = √(0 − 2)2 +(1 − 2)2 + (0 − 1)2 = √6

𝑑(𝑋, 𝑁3) = √(2 − (−1))2 +(2 − (−1))2 + (1 − (−2))2 = √27 ou

𝑑(𝑁3, 𝑋) = √(−1 − 2)2 +(−1 − 2)2 + (−2 − 1)2 = √27

𝑑(𝑋, 𝑁4) = √(2 − (−1))2 +(2 − 2)2 + (1 − 2)2 = √10 ou

𝑑(𝑁4, 𝑋) = √(−1 − 2)2 +(2 − 2)2 + (2 − 1)2 = √10

O neurónio vencedor é N1 é o mais semelhante (ou próximo) ao padrão de entrada.

Elaborado por: Eng.ª Lissette Montero Herrera | 4

11.3. Bibliografia
Furtado, M. I. (2019). Redes Neurais Artificiais: Uma abordagem para sala de aula.
Belo Horizonte: Atena Editora.
Haykin, S. (2001). Redes Neurais – Princípios e Práticas. Porto Alegre: Editora
Bookman.
Joshi, A. V. (2020). Machine Learning and Artificial Integillence. Springer.
doi:https://doi.org/10.1007/978-3-030-26622-6

Elaborado por: Eng.ª Lissette Montero Herrera | 5