UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ
Curso de Bacharelado em Ciência da Computação
UNIOESTE - Campus de Cascavel
MODELO PARA ELABORAÇÃO DE PROJETOS DE TRABALHO DE CONCLUSÃO DE CURSO
1. IDENTIFICAÇÃO DA DISCIPLINA
1.1. Colegiado: Ciência da Computação
1.2. Nome da disciplina: Trabalho de Conclusão de Curso
1.3. Ano de realização: 2012
2. IDENTIFICAÇÃO DO ALUNO
2.1. Nome: Diego Henrique Pagani
2.2. Nº de matrícula: 188636
2.3. Professor orientador: Josué Pereira de Castro
2.4. Co-Orientador: Adriana Postal
3. PROJETO
3.1. Título: Estudo Comparativo entre redes neurais artificiais e redes neurais pulsadas
usando MATLAB®
3.2. Introdução:
As redes neurais são estruturas de processamento que pretendem simular o
sistema neural humano. As chamadas “Redes Neurais Artificiais” (RNA) são mais difundidas
entre as bibliografias do que as “Redes Neurais Pulsadas” (RNP), que na teoria, são mais
próximas do sistema neural humano. Considerando que existem diferenças na forma como
a informação é codificada em cada tipo de rede, é importante realizar estudos comparativos
destas arquiteturas que possam servir como auxílio para a escolha de um destes tipos como
o melhor para a realização de uma determinada tarefa.
A chamada Rede Neural Artificial (RNA) é uma arquitetura responsável por
identificar padrões. Entre os diversos modelos de RNA, podemos considerar o modelo
Perceptron como sendo um dos mais simples e funcionais [3]. Ela é formada por apenas um
único neurônio, que recebe várias entradas e a identifica padrões que dependem do
treinamento realizado. Com diversas pesquisas investidas nesta área em específico da
Inteligência Artificial, foi aprimorado este modelo de um único neurônio para um com vários
neurônios e este modelo é chamado de Multilayer Perceptron [2].
Este modelo é composto de vários neurônios separados em, pelo menos duas
principais camadas: a camada de entrada e a camada de saída. Pode-se ter mais camadas
de neurônios entre estas duas principais, chamadas de camadas ocultas. O funcionamento
deste modelo pode ser comparado a um grafo orientado: existem vários nós (neurônios) que
são ligados entre as camadas e cada ligação recebe um peso que representa a codificação
de uma informação. A camada de entrada faz um processamento com os dados de entrada
e passa para a próxima camada, que pode ser a própria camada de saída ou a primeira
1
camada oculta que passa, se existir, para as próximas camadas ocultas até chegar a
camada de saída [1].
Com o avanço da neurociência, descobriu-se que feito desta maneira seria
impossível para o cérebro fazer todos estes cálculos em tempo hábil e foi então que surgiu
outra teoria: o conjunto dos neurônios funciona com uma taxa de envio dependente do
tempo e da sua ordem e não como pesos de ligações. A partir dessa ideia, desenvolveu-se
um novo modelo de rede neural artificial, chamada de Rede Neural Pulsada (Spiking Neural
Network) que leva em conta a ordem e o tempo de pulso de cada neurônio [3].
Após a implementação dos referidos modelos de RNA em uma plataforma
comum (MATLAB®) e a realização dos testes de desempenho e qualidade de solução,
esperamos contribuir com o esclarecimento das diferenças entre as arquiteturas
implementadas, de modo a servir como um guia para a escolha da RNA mais adequada
para problemas de classificação.
3.3. Objetivos:
- Geral.
Realizar um estudo comparativo entre as duas arquiteturas de rede neural, usando a
qualidade da solução e tempo de respostas como fatores principais.
- Específicos.
• Implementação da “Rede Neural Artificial” de múltiplas camadas de neurônios do tipo
Perceptron;
• Avaliação de desempenho da tarefa de classificação da base Iris;
• Implementação da Rede Neural Pulsada de múltiplas camadas;
• Avaliação do comportamento realizando testes;
• Comparação da qualidade de solução e tempo de resposta.
3.4. Metodologia:
O método a ser utilizado para a realização deste trabalho consistirá nos seguintes passos:
(a) Levantamento bibliográfico sobre RNAs;
(b) levantamento bibliográfico sobre RNPs;
(c) Implementação de um modelo de RNA Multilayer Perceptron para classificação
em MATLAB®;
(d) Realizar o treinamento da RNA usando o algoritmo Backpropagation e a base de
dados Íris;
(e) Implementação de um modelo de RNP Perceptron para classificação em
MATLAB®;
(f) Realizar o treinamento da RNP usando base de dados Íris;
(g) Análise comparativa do desempenho de ambas as implementações usando a
mesma base de dados;
(h) Preparação da monografia que apresentará os resultados da pesquisa.
3.5. Cronograma de Atividades:
Ano: 2012
ETAPAS
Revisão
(RNA)
Fev
Mar
Abr
Mai
Jun
Jul
Ago Set
Out
Nov
Dez
bibliográfica
2
Revisão bibliográfica
(RNP)
Implementação
da
RNA em MATLAB®
Implementação
da
RNP em MATLAB®
Preparação da prévia
Testes
de
desempenho
e
qualidade
Preparação da versão
final
3.6. Referências Bibliográficas:
[1] FAUSETT, Laurene V. Fundamentals of neural networks - architectures, algorithms, and
application. USA, New Jersey: Pretince Hall International editions., 1994.
[2] HAYKIN, S. Redes Neurais, Princípios e Prática. Porto Alegre – RS: Ed. Bookman, 2001
[3] JASKOWIAK, Pablo A. Um Estudo Sobre as Redes Neurais Pulsadas. Dissertação
(Monografia) - Universidade Estadual do Oeste do Paraná, Cascavel – PR, 2008.
Monografia.
4. COMPOSIÇÃO DA BANCA*
Membro 1: Adriana Postal
Membro 2: Suzan Kelly Borges Piovesan, FAG/UNIPAR
5. ASSINATURAS
___________________________________
Assinatura do Aluno
___________________________________
Assinatura do Professor Orientador
6. PARECERES/SUGESTÕES DA BANCA:
(Composta por 3 professores do Curso, sendo 1 deles o próprio Professor-Orientador)
3