Escolar Documentos
Profissional Documentos
Cultura Documentos
xj wji
f(.) o(i)
wni
xn
v( i) w ji
xj f(v(i)) = 1, se v(i)0
o(i ) f (v (i)) f(v(i)) = 0, se v(i)<0
Perceptron
Desenvolvido por Rosemblat
(1958)
Forma mais simples de uma Rede
Neural utilizada para classificao
de padres linearmente separveis
Utiliza o modelo de neurnio de
McCulloch-Pitts
Perceptron
Problemas linearmente separveis
Perceptron
Algoritmo de Treinamento
(Supervisionado)
iniciar todas as conexes com w j = 0;
repita
para cada padro de treinamento (x, d)
faa
calcular a sada o
se (d o)
ento ajustar pesos
at o erro ser aceitvel
Perceptron
Ajuste dos pesos por correo do
erro
wji = xj (dj - oj ), se (d o)
Onde (dj - oj ), representa o erro
e a taxa de aprendizado
wji = 0, se (d = o)
Perceptron
Algoritmo de Teste
Para cada padro x faa
apresentar x a entrada da rede
calcular a sada o
se (o=1)
ento x classe 1
seno x classe 2
Perceptron
Perceptrons de uma nica camada
resolvem apenas problemas
linearmente separveis
Grande nmero de aplicaes
importantes so no-linearmente
separveis
Perceptron
Exemplo: problema XOR
Perceptron
Soluo: perceptrons de mltiplas
camadas
Perceptrons de mltiplas
camadas
Uma rede neural MLP (Multi-Layer
Perceptrons) uma extenso do
Perceptron proposto por
Rosenblatt, composta de vrias
camadas de neurnios
Arquitetura de rede neural mais
utilizada
Perceptrons de mltiplas
camadas
Contm trs tipos de camadas:
1. camada de entrada
2. camada(s) intermedirias(s)
3. camada de sada
Qualquer neurnio de uma
camada pode interligar-se com
outro neurnio da camada
seguinte
Perceptrons de mltiplas
camadas
Camada
intermediri
a
Camada de
entrada
Camada de
sada
Perceptrons de mltiplas
camadas
O treinamento de uma rede neural MLP
realizado de maneira supervisionada
com o algoritmo Backpropagation (ou
retropropagao do erro)
Nesse algoritmo, a determinao do
sinal de erro um processo recursivo
que se inicia nos neurnios da camada
de sada e vai at os neurnios da
primeira camada intermediria
Backpropagation
O algoritmo Backpropagation opera em
dois passos:
1) Forward
um padro apresentado camada de
entrada da rede e propagado em direo
camada de sada
a sada obtida comparada com a sada
desejada para esse padro particular. Se
esta no estiver correta, o erro calculado
Backpropagation
2) Backward
o erro propagado a partir da camada de
sada at a camada de entrada
os pesos das conexes dos neurnios das
camadas internas vo sendo modificados
conforme o erro retropropagado
Backpropagation
Para os neurnios das camadas
intermedirias, onde no existem
sadas desejadas, o sinal do erro
determinado recursivamente em
termos dos sinais dos erros dos j
neurnios diretamente conectadas a
eles e dos pesos destas conexes
Backpropagation
Erro dos neurnios na camada de sada
Camada de
entrada
Mapas Auto-Organizveis
Os mapas auto-organizveis
possuem duas propriedades
principais:
1. Quantizao vetorial (reduo do
espao de entrada)
2. Agrupamento de padres similares
em regies geograficamente prximas
Mapas Auto-Organizveis
Algoritmo
1. Inicialize os vetores de pesos com valores
aleatrios wj = [wj1, wj2, , wjm], j=1,2,n
Onde m a dimenso do espao de entrada e n o
nmero total de neurnios do mapa
Restrio: os vetores de pesos devem ser diferentes
Caadore
s
Pssaros
Espcies
pacficas
Referncias
Mitchell, T., Machine Learning.
McGraw-Hill, 1997
Haykin, S. Redes Neurais
Princpios e prtica. 2. Ed. Porto
Alegre, RS: Bookman, 2001