Escolar Documentos
Profissional Documentos
Cultura Documentos
Contedo
Conceitos Relevantes Problemas de Otimizao Conceitos de Estabilidade e Convergncia Teoremas de Lyapunov Rede Neural de Hopfield Aplicaes do modelo de Hopfield Clusterizao de Pixels em Imagens Nvel de Cinza Roteamento em Grafos Consideraes Finais
2
Problemas de Otimizao
Um problema de otimizao geralmente pode ser descrito por uma funo de energia decomposta em duas partes: a funo de custo associada ao problema e suas restries
= +
=1
Restries So incorporadas funo de energia descritora do problema com a seguinte ideia: se as restries forem obedecidas, ento a funo de energia minimizada
Khalil, H.K., Nonlinear Systems, Englewood Cliffs, NJ, Prentice Hall, 1992
Estabilidade Assinttica O ponto estvel assintoticamente se convergente e estvel, no importando a condio inicial
Khalil, H.K., Nonlinear Systems, Englewood Cliffs, NJ, Prentice Hall, 1992
4
Khalil, H.K., Nonlinear Systems, Englewood Cliffs, NJ, Prentice Hall, 1992
Teorema de Lyapunov
De maneira geral, o teorema de Lyapunov apresenta apenas
condio suficiente para a estabilidade de sistemas dinmicos Uma funo de energia Lyapunov se as seguintes propriedades so satisfeitas concomitantemente
1.
2. 3.
A funo () tem derivadas parciais contnuas = 0, sendo um ponto de equilbrio (estvel) > 0, se no representar um ponto estvel
Ademais,
se estvel, ento
()
0
()
<0
Haddad, W.M., Chellaboina V., Nonlinear Dynamical Systems and Control: A Lyapunov-based Approach, Princeton University Press, 2008
6
ao problema No modelo discreto, o domnio de estados de cada neurnio abrange *1, 1+ Na sua forma mais simples, a funo de ativao utilizada a funo degrau
Limitaes: presena de estados esprios, baixa
similaridade dados pertencentes a grupos distintos so diferentes de acordo com uma funo de similaridade
denotado por (, ) A matriz = , - de dimenses representa as parties fuzzy (onde denota o nmero de neurnios e , o nmero de clusters desejados) Restries:
0,1 , 1 e 1 c
=1
Ex: Matriz ( = 2, = 2)
= 1, 1 , 1 c
=1
, , =
=1 =1
( )
onde = 1 , 2 , , indica o vetor de centrides dos clusters, representa o item de dado e > 1 denota um parmetro denominado fator de fuzzification
10
11
por:
= 2
, =1 =1
=1
, =1 ,
+ 2
,
=1 =1
cluster
O segundo termo responsvel pela restrio do problema
12
fatores ponderadores e
Buscar valores timos de e pode constituir uma tarefa lenta, sendo
estamos considerando uma classificao fuzzy Por consequncia, a soma de todos os elementos de U deve valer N, pois existem N itens de dados
13
t , =
=1
, , =1
2 = ,
, =
=1
, ,
=
=1
, ,
15
16
5.
6. 7.
8.
Escolha , > 1 e > 0 Normalize os pixels da imagem Determine os centrides primrios (dispostos aleatoriamente) Calcule os valores iniciais dos nveis de dominao , Compute os valores dos novos centrides Compute os valores dos novos , Compute +1 Se +1 < , pare. Caso contrrio, volte ao passo (5)
17
Simulaes Computacionais
18
Simulaes Computacionais
19
Roteamento em Grafos
O problema a ser considerado o de roteamento com
mltiplos destinos, partindo-se de um vrtice-fonte Sejam o vrtice-fonte e = ,1 , 2 , , - os destinos que se desejam atingir, j ordenados O problema de otimizao formulado a seguir:
= 1 + 1 2 + + 1
Tcnicas de reduo do espao de vrtices da rede sero
Roteamento em Grafos
Mtodo de Reduo do Espao de Vrtices (Screening) Encontre a aresta de mnimo custo, , e a de maior custo, Comeando de um valor de threshold = , eliminam-se todas as arestas cujo custo exceda o valor Se no existir ainda um caminho da fonte ao destino, incrementa-se o threshold at tal caminho existir
= + 1 , 1 = ( ) 1
21
Procedimento de Screening
22
Roteamento em Grafos
Considere as seguintes variveis
Custo:
=
23
Problema de Otimizao
24
Funo de Energia
25
Roteamento em Grafos
A minimizao da funo de energia anterior leva o
processo a um estado atrator, o qual constitudo por um mnimo local ou global de energia
Quando o processo estiver neste estado estvel, o mesmo
26
Simulaes Computacionais
= 11 = 961
27
Simulaes Computacionais
28
Simulaes Computacionais
29
Consideraes Finais
As redes neurais apresentam vantagens na resoluo de
problemas complexos em relao aos processos computacionais convencionais A rede neural de Hopfield um exemplo vivo disso, pois permite a resoluo de vrios problemas combinatoriais NP-completos com timas referncias na literatura Ademais, o modelo de Hopfield passvel de aplicaes em vrios ramos da cincia
Este trabalho uma tentativa de provar exatamente isso, uma