🧠

Redes Neurais
são mais adaptados a ruídos
Consegue identificar o caminho da base de dados se é ou não
linear.
Consegue ajustar um modelo levando em consideração 3 tipos
distintos de dados (Biomassa, carbono e volume)

Por que aprender a aplicar RNA na mensuração e no manejo florestal?

Capacidade de aprendizado e generalização

Facilidade de implementação em softaware e em hardware; Tolerância a ruídos dos

dados;

Superioridade em relação às estimativas de modelos de regressão;

Capacidade de modelar diversas variáveis e suas relações não-liner;

Possibilidade de considerar variáveis categóricas na modelagem;

Softaware gratuito específico para o Setor Florestal.

Em que situações posso aplicar as RNA?

Reconhecimento/Classificação de Padrões

Designa um padrão de entrada representado por um vetor de características

para uma entre várias classes pré-definidas.

Predição de séries temporais

Agrupamento de dados (Clausterização)

Otimização de sistemas

Encontrar uma solução qie

Redes Neurais 1
 Memórias associativas (aviões)

🚨 Em erros neurais é possível não ter erro. Erro igual a zero. Mas isso é um
problema pq ela decora um caminho e isso impossibilita a aplicação de uma
nova base de dados.

Principais exemplos de RNA em mensuração e manejo florestal?

Estimativa de volume (Classe de sítio

Estimativa de DAP sem casca

Estimar volume e biomassa (para áreas nativas)

Estimar dados de milho para predizer a produção de milho utilizando as

informações de solo

Trabalha na tecnologia da madeira

Modelagem e crescimento da madeira

Densidade energética da madeira

Estrutura e aprendizado de uma RNA

Quais os componentes de uma RNA?

Camadas ocultas
Camadas de saídas

Conexões (feita por sinapses)

O que é um neurônio artificial?

Redes Neurais 2
 🚨 É um modelo simplificado e aparentado do neurônio real, na qual suas
propriedades básicas são a adequação e a reprodução de informações
baseada em conexões, sendo este a unidade de processamento de
informações de uma RNA, onde a mesma é construída de “n” entradas
(DAP, altura, idade) e uma saída y (volume, sítio). As entradas são
associadas a pesos w1, w2,…, que representam as sinapses. Essas podem
ser negativas ou positivas.

Explicação do funcionamento do neurônio

Tipos de funções:

Função degrau;

Função degrau bipolar;

Função rampa simétrica

Função logística

Função tangente hiperbólica;

Função linear

Quais os principais tipos de RNA

ADALAINE: não tem camada oculta, só tem camadas de entradas e saídas, esse
tipo de rede possui um único neurônio de processamento. Usar quando funções
tem características lineares.

MLP: com uma ou mais camadas ocultas, ou intermediarias maior poder

computacional que a rede adelaine. Aplicável em todo problema de aproximação
de função e classificação de padrões.

RPF: com uma camada oculta com elevado número de neurônios e função de
ativação gaussiana e camada de saída com função de atividade linear. Aplicável a
todo problema de aproximação de função e classificações de padrões.

Redes Neurais 3
 Estrutura e aprendizado de uma rede neural artificial

Um RNA com bons resultados no treinamento, é garantia de que

pode ser aplicada a outros dados do mesmo tipo de problema?

Como aplicar uma RNA treinada a novos dados?

Redes Neurais 4