Upload
hayfa-phelps
View
23
Download
1
Embed Size (px)
DESCRIPTION
UPE – Caruaru – Sistemas de Informação Disciplina: Redes Neurais Prof.: Paulemir G. Campos. Introdução a Redes Neurais (Parte 2). Roteiro da Aula. Conceitos Básicos; Principais Arquiteturas. Referências. Conceitos Básicos. Unidades de Processamento. - PowerPoint PPT Presentation
Citation preview
04/20/23 RN - Prof. Paulemir Campos 1
UPE – Caruaru – Sistemas de InformaçãoDisciplina: Redes NeuraisProf.: Paulemir G. Campos
Introdução aRedes Neurais
(Parte 2)
04/20/23 RN - Prof. Paulemir Campos 2
Roteiro da Aula
Conceitos Básicos; Principais Arquiteturas.
Referências.
04/20/23 RN - Prof. Paulemir Campos 3
Conceitos Básicos
04/20/23 RN - Prof. Paulemir Campos 4
Unidades de Processamento Função: receber entradas de conjunto
de unidades A, computar função sobre entradas e enviar resultado para conjunto de unidade B.
Entrada Total:
N
uj = wjixi
i=1
04/20/23 RN - Prof. Paulemir Campos 5
Unidades de Processamento Representação
Local: unidades representam objetos bem definidos (Ex. letras, palavras, faces, etc);
Distribuída: unidades representam elementos abstratos.
Localização das unidades Intermediária (escondida); Saída.
04/20/23 RN - Prof. Paulemir Campos 6
Unidades de Processamento Estado de ativação:
Representa o estado dos neurônios da rede;
Pode assumir valores: Binários (0 e 1); Bipolares (-1 e +1); Reais
Definido através de funções de ativação.
04/20/23 RN - Prof. Paulemir Campos 7
Funções de Ativação Processa conjunto de entradas
recebidas e o transforma em estado de ativação;
Funções de ativação típicas envolvem: Adições; Comparações; Transformações matemáticas.
04/20/23 RN - Prof. Paulemir Campos 8
Funções de Ativação Função de ativação
Atualiza estado de ativação a(t + 1) = F [a(t), u(t)] a(t + 1) = F [a(t)] a(t + 1) = F [u(t)]
Atualização Síncrona (mais comum) Assíncrona
04/20/23 RN - Prof. Paulemir Campos 9
Funções de Ativação Funções de ativação mais comuns
04/20/23 RN - Prof. Paulemir Campos 10
Funções de Ativação Sigmoid Logística
04/20/23 RN - Prof. Paulemir Campos 11
Funções de Ativação Tangente Hiperbólica
04/20/23 RN - Prof. Paulemir Campos 12
Funções de Saída Função de saída
Transforma estado de ativação de uma unidade em seu sinal de saída
yi(t) = fi (ai(t))
Geralmente é uma função identidade.
04/20/23 RN - Prof. Paulemir Campos 13
Valores de Entrada e Saída Sinais de entrada e saída de uma RNA
geralmente são números reais Números devem estar dentro de um
intervalo Tipicamente entre -1 e +1 ou 0 e 1 Codificação realizada pelo projetista da rede
Técnica de codificação mais simples é a binária Número restrito de aplicações.
04/20/23 RN - Prof. Paulemir Campos 14
Conexões Definem como neurônios estão
interligados Nós são conectados entre si através
de conexões específicas. Codificam conhecimento da rede
Uma conexão geralmente tem um valor de ponderamento ou peso associada a ela.
04/20/23 RN - Prof. Paulemir Campos 15
Conexões Tipos de conexões (wik(t))
Excitatória: (wik(t) > 0) Inibitória: (wik(t) < 0) Conexão inexistente: (wik(t) = 0)
Número de conexões de um nó Fan-in: número de conexões de entrada; Fan-out: número de conexões de saída.
04/20/23 RN - Prof. Paulemir Campos 16
Principais Arquiteturas
04/20/23 RN - Prof. Paulemir Campos 17
Número de Camadas
Uma camada (Ex.: Perceptron, Adaline)
Multi-camadas (Ex.: MLP) Completamente conectada; Parcialmente conectada; Localmente conectada.
04/20/23 RN - Prof. Paulemir Campos 18
Topologias Multi-Camadas Completamente Conectada
04/20/23 RN - Prof. Paulemir Campos 19
Topologias Multi-Camadas Parcialmente Conectada
04/20/23 RN - Prof. Paulemir Campos 20
Topologias Multi-Camadas Localmente Conectada
04/20/23 RN - Prof. Paulemir Campos 21
Arranjo das Conexões Redes Feedforward
Não existem loops de conexões Redes Recorrentes
Conexões apresentam loops Mais utilizadas em sistemas
dinâmicos Lattices
Matriz n-dimensional de neurônios
04/20/23 RN - Prof. Paulemir Campos 22
Redes Feedforward Sinal segue numa única direção; Tipo mais comum.
04/20/23 RN - Prof. Paulemir Campos 23
Redes Recorrentes Possuem conexões ligando saída
da rede a sua entrada;
Podem lembrar entradas passadas e, conseqüentemente, processar seqüência de informações (no tempo ou espaço)
04/20/23 RN - Prof. Paulemir Campos 24
Redes Recorrentes Exemplos
04/20/23 RN - Prof. Paulemir Campos 25
Lattices
. . . . . .
Camada de Entrada
1 i n
Camada de Saída
Nodo Vencedor
04/20/23 RN - Prof. Paulemir Campos 26
Referências Braga, A. P.; Ludermir, T. B. e
Carvalho, A. C. P. L. F. Redes Neurais Artificiais: Teoria e Aplicações. Editora LTC, 2000.
Notas de aulas da Profa. Teresa B. Ludermir e do Prof. Aluízio Araújo, ambos do CIn/UFPE.