Prof. Dr.

Helder Anibal Hermini

SUMÁRIO
Algumas Aplicações

O Treinamento da RNA

Redes Neurais em Identificação e Controle de Processos

Redes Neurais em Robótica

Redes Neurais em Visão Computacional

Comentários Finais
1) INTRODUÇÃO
MOTIVAÇÃO

Cérebro lida melhor com alguns problemas que o computador

 reconhecimento de padrões
 problemas de otimização combinatória

Outras características desejáveis

 capaz de aprender sem o conhecimento do algoritmo
 capaz de generalizar
 robustez

APLICAÇÕES
• reconhecimento de padrões
• processamento de sinais e imagens

1
 ALGUMAS APLICAÇÕES
• Eng. Civil:
– Avaliação da Condição de Pavimentos;
– Gerenciamento da Construção;
– Previsão da Resistência Mecânica do Concreto;

• Eng. Elétrica:
– Processamento de sinais;
– Previsão de carga elétrica;
– Diagnóstico de falhas;

• Financeira:
– Previsão da bolsa de valores;
– Previsão de falência de bancos;

• Controle de Processos:
– Modelagem / Identificação;
– Controle Adaptativo e Não-Linear;
– Otimização de Parâmetros;
 ALGUMAS APLICAÇÕES
• Robótica:
– Inteligência do Robô (tomada decisão);
– Planejamento da Trajetória;
– Controle Força / seguimento trajetória.

• Meteorologia:
– Previsão do Tempo;

• Biomédica:
– Análise de Batimentos Cardíacos;
– Diagnóstico Médico da Tuberculose;
– Detecção de Eventos Epiléticos;

• Linguagem Natural:
– Analisador Sintático;
– Compreensão de Texto;
– Corretor Gramatical;
 ALGUMAS APLICAÇÕES
• Processamento de Voz e Fala:
– Reconhecimento de Fala;
– Reconhecimento do Locutor (voz);

• Agricultura:
– Previsão de Produtividade da Lavoura;

• Eng. de Produção:
– Otimização de Processos de Fabricação;
– Monitoramento de Processos;

• Visão Computacional
REDES NEURAIS MULTICAMADAS

Um único neurônio pode realizar funções

de detecção de padrões muito simples.

O poder de computação neural vem da

conexão dos neurônios dentro de uma
rede.

Se o peso é zero, não há conexão.

CLASSIFICAÇÃO DAS RNAs
CLASSIFICAÇÃO DAS RNAs
CLASSIFICAÇÃO DE ARQUITETURAS

􀁺 Número de camadas

􀁺 Tipo de conexão

􀁺 Tipo de conectividade
CLASSIFICAÇÃO DE ARQUITETURAS

Quanto ao número de camadas:

Redes de camada única;

Redes de múltiplas camadas.

CLASSIFICAÇÃO DE ARQUITETURAS

Quanto ao tipo de conexão :

Redes Recorrentes ”(acíclica) - Não há

direção privilegiada para propagação da
informação);

Redes “Feedforward”(acíclica) - Sinal

vai sempre das entradas para as saídas).
11) FEEDFORWARD
 serão utilizadas 3 camadas
 propagação entrada/saída
 conjunto de operação
 rede treinada

A A Feedforward

REDE
B NEURAL
B
C C
13
 FEEDFORWARD - EXEMPLO
11.1) FEEDFORWARD
U 15432  11..W
U W
W15432bias
bias
VVXXX11.a.W
bias 
.W
a.W
aW
511a
4132a
.W VV2X
a
.W
2X bb.52
.XW W
b.42
W.Wb VV3 .W
12 b 3 .W43
3b
53
'
Y YV V' a1 tanh
bV
32
UU5U
tanh
tanh
tanh U 1 
342

U51432  11.. 00,,10230,1,1000,,01,06

U ,.10..,.1000,1,,1250 ,070,00.46
0,.06
1 7,..90.0,0,302,,210 ,74
,,,0746 000,05 63..1,10 ,
,,06
,63 1 0,715
0,097

-0
0,06

0,
- 0 ,1
0,06

,1

2
0 ,3
0 ,1
0,097
0 ,2

0,
5
- 0 ,1
0,46 0,46
- 0 ,1
0,614
0 ,2
0 ,3
2
0,

0,63 0,63
,1
-0

1 ,1 14
CLASSIFICAÇÃO DE ARQUITETURAS

Quanto ao tipo de
conectividade:

Parcialmente conectada

Completamente conectada
 REPRESENTAÇÃO DO CONHECIMENTO

“Conhecimento se refere à informação armazenada

ou a modelos utilizados por uma pessoa ou
máquina para interpretar, prever e responder
apropriadamente a estímulos do mundo exterior”.
 CONHECIMENTO EM UMA REDE NEURAL
“O conhecimento em uma RN é aprendido e armazenado de maneira
distribuída, sob a forma dos pesos das conexões. O número e a
topologia dos pesos depende do número de camadas, do tipo de
conexão e de conectividade entre os neurônios”.

“Aprendizagem de uma RN se constitui de um processo pelo qual

alguns parâmetros livres da rede são adaptados em função das
respostas que ela apresenta a estímulos que recebe do meio externo”.
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
 TREINAMENTO SUPERVISIONADO

O facilitador tem conhecimento sobre o ambiente. O

conhecimento é representado por um conjunto de exemplos
históricos.
 7) TREINAMENTO
7.2) TREINAMENTO SUPERVISIONADO
 conjunto de treinamento

A,B
A,B
A,B
P r o fe s s o r
erro,
ok,erro
erro
ok, ok

PADRÕES 1a ITERAÇÃO 2a ITERAÇÃO 3a ITERAÇÃO

A REDE X
D A A
B NEURAL
X
R XP B

9
TREINAMENTO NÃO SUPERVISIONADO (TENTATIVA OU
ERRO)
 TREINAMENTO NÃO SUPERVISIONADO (TENTATIVA OU
ERRO)

Não há um facilitador para supervisionar o processo de

aprendizagem, ou seja, não há exemplos rotulados da função a
ser aprendida pela rede.
TREINAMENTO POR REFORÇO (APRENDE POR AUTO ESTÍMULO)

Não há um facilitador;
Dado um padrão de entrada, as unidades
competem entre si para decidir qual delas
será a vencedora;
A unidade vencedora tem a sua saída
ativada e seus pesos são atualizados.
O TREINAMENTO DA RNA

Possível solução: ajustar pesos manualmente

até que a saída coincida com a desejada para
os valores dados de entrada.

Solução melhor: definir uma regra de ajuste

dos pesos (Regra de aprendizado).
POSTULADO DE APRENDIZAGEM DE HEBB

1. Se dois neurônios em ambos os lados de uma

sinapse são ativados simultaneamente, então a
força daquela sinapse é seletivamente aumentada.

2. Se dois neurônios em ambos os lados de uma

sinapse são ativados de forma assíncrona, então
aquela sinapse é seletivamente enfraquecida ou
eliminada.
 ALGORITMO DE TREINAMENTO DA RNA

1. Definir a saída desejada para cada conjunto de

entradas;

2. Definir valores iniciais aleatórios para cada peso;

3. Colocar um conjunto de valores na entrada;

4. Corrigir os pesos seguindo a regra de Hebb até obter

a saída desejada para aquela entrada;

5. Voltar ao passo 3 (valor seguinte de entrada).