Você está na página 1de 43

Uso de redes neurais artificiais para componente

arbreo em sistemas integrados


Eng. Florestal Lucas Srgio de Sousa Lopes
O QUE UMA REDE NEURAL?

Estmulo Receptores Rede neural Atuadores Resposta

Resposta ao ambiente e aos estmulos;


10 bilhes de neurnios e 60 bilhes de sinapses;
Altamente plstica.
O QUE UMA REDE NEURAL?

A organizao e complexidade do
crebro humano serviu de base para
a construo do paradigma das
redes neurais artificiais.
O QUE UMA REDE
NEURAL ARTIFICIAL?
O QUE UMA REDE NEURAL ARTIFICIAL?

Conceitualmente, so definidas como sistemas


paralelamente distribudos, compostos por
unidades de processamento simples, chamados de
nodos ou neurnios, cuja funo consiste em
calcular funes matemticas (HAYKIN, 2002).
O QUE UMA REDE NEURAL ARTIFICIAL?

Conceitualmente, so definidas como sistemas


Sistema totalmente
conectado paralelamente distribudos, compostos por
unidades de processamento simples, chamados de
nodos ou neurnios, cuja funo consiste em
calcular funes matemticas (HAYKIN, 2002).
A menor unidade que
forma a estrutura da
rede.
O QUE UMA REDE NEURAL ARTIFICIAL?

Conceitualmente, so definidas como sistemas


paralelamente distribudos, compostos por
unidades de processamento simples, chamados de
nodos ou neurnios, cuja funo consiste em
calcular funes matemticas (HAYKIN, 2002).
PRA QUE SERVE UMA REDE NEURAL ARTIFICIAL?

ESTIMAR;
RECONHECER PADRES;
CLASSIFICAR;
INTELIGNCIA ARTIFICIAL;
CRIAR APLICATIVOS;
CRIAR ROBS;
MELHORAR PROCESSOS...
ESTRUTURA DE UM NEURNIO ARTIFICIAIS
Isso um neurnio artificial ou
nodo. As redes so formadas
por grandes quantidades
desses neurnios
ESTRUTURA DE UM NEURNIO ARTIFICIAIS
Sinapses = Conexes Combinador linear: Soma os
valores ponderados.

Sinais de entrada:
Valores utilizados
para alimentar a
rede. Corresponde
ao estimulo do Sinal de sada
ambiente.

Funo matemtica utilizada


para restringir a amplitude
Pesos: Valor atribudo a uma dos dados de sada.
conexo (sinapse) utilizado para
ponderar o valor das entradas.
Armazena conhecimento
ESTRUTURA DE UM NEURNIO ARTIFICIAIS

Estmulo Resposta

Estmulo Receptores Rede neural Atuadores Resposta


TIPOS DE REDE

Perceptron de camada nica: Uma camada de entrada e uma de sada, apenas.

Entrada Sada

Multiperceptron (MLP): Possui uma ou mais camadas ocultas.

Entrada Oculta Sada


ESTRUTURA DA REDE (MLP)

Camada de Camada de Camada de


entrada oculta sada

Legenda:

Varivel contnua

Varivel categrica

Neurnio oculto
ESTRUTURA DA REDE

Camada de Camada de Camada de


entrada oculta sada

Neurnios de entrada Legenda:

Varivel contnua

Varivel categrica

Neurnio oculto
Neurnios de sada

Sinapses

Neurnios ocultos
ESTRUTURA DA REDE

CAMADA DE ENTRADA CAMADA OCULTA CAMADA DE SADA

Pode ser constituda de


Dados que alimentam a
uma ou mais camadas; Dados gerados pela
rede;
Funo principal rede;
Equivalente a variveis
extrair estatsticas mais Resposta desejada;
independentes;
apuradas; Corresponde a varivel
Podem ser continuas ou
Aumenta a dependente.
categricas.
conectividade.
CAPACIDADE DE APRENDIZADO

As redes aprendem, por isso so capazes de generalizar;


Aprendem atravs de algoritmos;
Algoritmo = rotina;
Algoritmo de aprendizado mais difundido o Backpropagation.
BACKPROPAGATION

Pares de dados; Forward


Ajustar os pesos da rede;
Duas fases: forward (propagao) e fase
backward (retropropagao).

Backward
BACKPROPAGATION

Cada ida e volta considerada um Forward


ciclo;
A partir desses ciclos, estima-se o erro.
Erro = diferena entre sada desejada e
sada produzida.

Backward
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
ALGUMAS APLICAES (SLIDE COM SPOILER DE GOT)

Escrever GAME OF THRONES

Rede alimentada com 5.376 pginas;


Treinada pra escrever o restante da historia;
A rede acertou que: Jon ia montar um drago;
Fez previses de: Varys envenena Daenerys; Jaime mata
Cersei.
ALGUMAS APLICAES

Decifrar a obra de Chico Xavier

Rede alimentada com livros psicografados por Chico;


Identificao de diferentes gneros e estilos literrios;
A grosso modo, confirma que Chico realmente psicografava.
APLICAES NO MEIO FLORESTAL

Contexto

Fenmenos altamente influenciados por variveis no


modelveis;
Necessidade de incrementar a preciso;
Incorporar ganhos $$$$.
APLICAES NO MEIO FLORESTAL

Estimar o volume;
Estimar a altura;
Estudo da forma;
Distribuio diamtrica;
Diminuio de custos de inventrios;
Inventrio florestal por SIG;
Classificao de stio.
APLICAES NO MEIO FLORESTAL

MUITO aplicada em plantadas;


POUCO aplicada em nativas;
PRATICAMENTE NENHUMA aplicao em SAFs.
PAUSA PRAS DVIDAS ETC
AVALIANDO AS ESTIMATIVAS GERADAS

RAIZ QUADRADA DO ERRO MDIO %


AVALIANDO AS ESTIMATIVAS GERADAS

CORRELAO ENTRE VALORES ESTIMADOS E OBSERVADOS (r)

Prxima de 1 = Forte e positiva (desejvel);


Prxima de -1 = Forte e negativa;
Quanto mais prxima de 0, mais fraca.
AVALIANDO AS ESTIMATIVAS GERADAS

ANLISE GRFICA DOS RESDUOS

Adequao da rede e/ou modelo;


Comportamento da varincia;
Presena de dados discrepantes;
Tendenciosidade nas estimativas;
E escolha da melhor rede e/ou equao.
AVALIANDO AS ESTIMATIVAS GERADAS
ANLISE GRFICA DOS RESDUOS (a) Tendncia a subestimao
para valores pequenos de X;

(b) Tendncia em toda a


amplitude, com subestimao
para valores pequenos de X e
superestimao de valores altos;

(c) Heterocidasticidade (no


homogeneidade da varincia);

(d) Baixa preciso;

(e) Ajuste ideal;

(f) Modelo inadequado.


AVALIANDO AS ESTIMATIVAS GERADAS
TESTE DE GUIMARES
TREINO E VALIDAO

Treino = Aprendizado
BANCO DE DADOS
Validao = Generalizao
UNDERFITTING E OVERFITTING
UNDERFITTING = Poucos neurnios na camada oculta;
Rede no aprende e no generaliza;
Baixo erro no treino e erro alto na validao.

OVERFITTING = Muitos neurnios na camada oculta;


Rede decora e no generaliza;
Baixo erro no treino e erro alto na validao.
UNDERFITTING E OVERFITTING
VAMOS PRATICAR