Redes Neurais Perceptron e Hopfield
-
Upload
lucas-sabadini -
Category
Technology
-
view
122 -
download
4
Transcript of Redes Neurais Perceptron e Hopfield
![Page 1: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/1.jpg)
Neurais Artificiais
![Page 2: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/2.jpg)
ROTEIRO
1. NEURÔNIO NATURAL
2. NEURÔNIO ARTIFICIAL
3. PERCEPTRON
4. HOPFIELD
5. REFERÊNCIAS
![Page 3: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/3.jpg)
NEURÔNIO NATURAL
• São células nervosas, que conduzem os impulsos nervosos.
• São as unidades básicas do sistema que processam as informações e estímulos nocorpo humano.
• Estima-se que um humano adulto possui cerca de 85 bilhões de neurônios.
• Os neurônios podem ser considerados como pequenos microprocessadores.
• Ex: considere que você tenha batido seu dedinho do pé em uma quina, seusistema nervoso através de impulsos elétricos transmitem esse estímulo para océrebro, que através dos neurônios é capaz de tratar essa informação como sendouma dor.
Entrada Processamento Saída
Figura 1 – Fluxo de dadoFonte: Autor.
![Page 4: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/4.jpg)
NEURÔNIO ARTIFICIAL
• O neurônio artificial segue os mesmos princípios do neurônio natural.
• Porém utiliza algoritmos específicos processáveis por computadores, ao invésde utilizar os fatores biológicos como o neurônio natural.
• Com a junção de vários neurônios temos a formação das chamadas RedesNeurais.
• A principal propriedades da Rede Neural Artificial é o fato de simular (aindade forma limitada) a capacidade do cérebro de aprendizagem.
• Essas redes podem ser empregadas em jogos ou até em auxílios de tomada dedecisão, identificação de padrões, dentre outros.
![Page 5: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/5.jpg)
NEURÔNIO ARTIFICIALArquitetura
Sinais de entrada
Sinal de saída
Função de Ativação
Figura 2 – Arquitetura de Rede Neural ArtificialFonte: http://www.ene.unb.br/adolfo/Lectures/ICIN/Ex1_ISI.htm.
![Page 6: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/6.jpg)
NEURÔNIO ARTIFICIALPERCEPTRON
• No final dos anos 1950, Rosenblatt da Universidade de Cornell, criou uma das primeiras redes neuraisartificiais, chamada Perceptron.
• Seu funcionamento baseia-se em treinamentos, ou seja, pode-se definir uma saída desejada e assimo algoritmo tentará produzir um resultado que corresponde aos valores das amostras de entrada.
• Sua principal vantagem é verificar padrões linearmente separáveis.
Figura 3 – Teorema de ConvergênciaFonte: http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf
*demonstração via software
![Page 7: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/7.jpg)
NEURÔNIO ARTIFICIALPERCEPTRON
• Exemplo: Verificar se o ser vivo é quadrúpede ou bípede
Interpretação das saídas: Taxa de aprendizagem = 1Quadrúpede = 1Bípede = -1
Vetores de amostrasx1 x2 x3 x4 Saída desejada
Cão [ 1 -1 1 1 ] 1Gato [ 1 1 1 1 ] 1 Cavalo [ 1 1 -1 1 ] 1Homem [ -1 -1 -1 1 ] -1Galinha [ -1 1 -1 1 ] -1Avestruz [ 1 -1 1 -1 ] -1
Figura 4 – Arquitetura Rede Neural PerceptronFonte: http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf
![Page 8: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/8.jpg)
NEURÔNIO ARTIFICIAL - PERCEPTRONLÓGICA IMPLEMENTADA
• Implementado em C• IDE utilizada: DEV C++
Matriz de amostrascoluna j
x1 x2 x3 amostras[nl][nc];Amostra 1 linha i [ 2 -1 4 ] saídas[nl];Amostra 2 [ 1 1 2 ] amostrasW[nw];Amostra 3 [ 1 7 5 ] h; Amostra 4 [ 8 2 0.1] n;
Lógica:Usuário define número: linhas (nl), colunas (nc),amostras W, saídas, interações e taxa deaprendizagem.
nl = quantidade de amostrasnc = valores das amostrasnw = nl+1
• Cada linha (nl) recebe o valor -1 por padrão;
• Multiplica-se a linha (nl) corresponde da matriz pelovetor de amostras W.
• (Ex: linha 1 * posição 1 do vetor amostrasW);
• O resultado é comparado com a primeira posição dovetor de saídas.
• Caso o sinal (- ou +) não seja igual, faz se o treinamentode acordo com a taxa de aprendizagem.
• Faz-se então uma nova comparação. Caso for igual, irápara a próxima linha da matriz, se não, faz novamente otreinamento com os valores resultantes, até o númeromáximo de n.
![Page 9: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/9.jpg)
NEURÔNIO ARTIFICIAL HOPFIELD
• Em 1982, John Hopfield desenvolveu uma rede neural associativa;
• É baseada na definição de “energia” da rede. É uma prova de que arede opera minimizando esta energia quando evolui para padrõesestáveis de operação;
• Só consegue computar problemas linearmente separáveis.
Vídeo 1 – Demonstração Rede Neural HopfieldFonte: https://pt.wikipedia.org/wiki/Rede_neural_artificialns.pdf
A = B = C = *
**
![Page 10: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/10.jpg)
NEURÔNIO ARTIFICIAL HOPFIELD - ARQUITETURA
Figura 5 – Arquitetura Rede HopfieldFonte: http://www.cin.ufpe.br/~gcv/web_lci/Aula-Hopfield.pdf
![Page 11: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/11.jpg)
NEURÔNIO ARTIFICIAL HOPFIELD
• Principal aplicação: reconstituir padrões corrompidos ou incompletos,
Exemplo 1:Imagine um terrorista que possui uma foto sem óculos em um banco de dadosda INTERPOL ;Assim, como podemos identificá-lo pelas câmeras de um aeroporto quandoestiver utilizando óculos?Através da Rede Neural de Hopfield, reconstruindo os padrões, eliminando oóculos.
Exemplo 2:Radares de trânsito podem capturar imagens com imperfeiçõesDessa forma é necessário reconstruir padrões para identificar o número daplaca do veículo;Aplicando a Rede Neural de Hopfield.
![Page 12: Redes Neurais Perceptron e Hopfield](https://reader034.fdocumentos.com/reader034/viewer/2022052514/58edd9771a28aba35e8b474d/html5/thumbnails/12.jpg)
REFERÊNCIAS
http://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf
http://www.cerebromente.org.br/n05/tecnologia/nervoso.htm
http://www.ene.unb.br/adolfo/Lectures/ICIN/Ex1_ISI.htm
http://www.todabiologia.com/anatomia/neuronios.htm
https://pt.wikipedia.org/wiki/Rede_neural_artificial
http://moschneider.tripod.com/rn_rna.pdf