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
B
C
A
REDE
NEURAL
Feedforward
B
C
13
FEEDFORWARD - EXEMPLO
11.1) FEEDFORWARD
U
..X
W
b V
XXX11.a.aW
.W
VV2X
W
bias 
511a
3 .W53
.42W
U15432 11..W
W
W15432bias
V
V
W
.W
W
.W
bb.b52
1
bias
3b
bias 
a.W
4132a
a
2X
2V
b 3 .W43
,74
U
020
,1


63
,,,0746
,070
 11..0
,1000,,01,06
01,.06
,.10..,.1000,1,
250
0.46
7,..9.00,0,032,,210
,,,06
U51432 
0,,1
3,1
,0
000,05
63..1,10,
10,715
0,097
'
 5  1
YYV
tanhU
bV
V' a1 
tanhU
tanhU
tanhU
32
0,06
0,1
1
0,
0,46
0,46
-0,1
0,2
0,3
0,9
0,63
-0
,1
0,
2
0,097
5
0,
0,2
-0,1
2
0,
-0,1
,1
-0 0,3
0,1
0,06
43 2
0,614
0,63
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
Professor
erro,
ok,erro
erro
ok, ok
PADRÕES
A
B
1a ITERAÇÃO
REDE
NEURAL
D
X
R
X
2a ITERAÇÃO 3a ITERAÇÃO
A
P
X
A
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).