19
CT-215 – Inteligência Artificial Uma proposta de uma Célula Neural Artificial Paraconsistente de Aprendizagem Márcio de Freitas Minicz São José dos Campos, 28 de Novembro de 2013

Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

  • Upload
    minicz

  • View
    75

  • Download
    2

Embed Size (px)

DESCRIPTION

CNAPap

Citation preview

Page 1: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

CT-215 – Inteligência Artificial

Uma proposta de uma Célula Neural Artificial Paraconsistente de Aprendizagem

Márcio de Freitas Minicz

São José dos Campos, 28 de Novembro de 2013

Page 2: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Lógica Clássica - Princípios

● Princípio da Identidade – ρ = ρ– Toda proposição ou objeto é idêntico a si mesmo

● Princípio da Identidade Proposicional – ρ ⟶ ρ

– Toda proposição implica nela mesma

● Princípio do terceiro excluído – ρ ∨ ⌐ρ– De duas proposições contraditórias, isto é, uma nega a outra,

uma delas é verdadeira

● Princípio da não-contradição – ⌐(ρ ∨ ⌐ρ)

– Entre duas proposições contraditórias, uma delas é falsa

Page 3: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Problema

No mundo real nem todas as situações podem ser classificadas simplesmente como

verdadeiras ou falsas!!

O mundo não é binário!!

Page 4: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Lógica Paraconsistente

Remove o 3º Princípio (Terceiro excluído)

– Consequência ● Contradição

● Incerteza

Page 5: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Lógica Paraconsistente Anotada

● É um classe da Lógica Paraconsistente

● Traz proposições acompanhadas de anotações em forma de graus de evidências ou crenças

● Permite 4 possibilidades:

⊤ – InconsistenteV – Verdadeiro

F – Falso

⊥ – Indeterminado

Page 6: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

LPA2v

● Lógica Paraconsistente Anotada com anotação de Dois valores

● Graus de Evidência:● Grau de evidência favorável – μ [0,1]● Grau de evidência desfavorável – λ [0,1]

μ

λ

P(0,1)=F P(1,1)=⊤

P(1,0)=VP(0,0)=⊥

Page 7: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

LPA2v

Grau de Certeza

Grau de Contradição

Grau de Certeza Real

GC=μ−λ

GCt=μ+λ−1

GCR=1−√(1−∣Gc∣)2+GCt

2

normalizando

Grau de Evidência Resultante

Grau de Contradição Normalizado

Grau de Evidência Resultante Real

μE=GC+1

2=

μ−λ+12

μCtr=GCt+1

2=

μ+λ

2

μER=GCR+1

2

Page 8: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Rede Neural Artificial Paraconsistente

Operadores

Negação Lógica Complementação Lógica

Células Neurais Artificiais Paraconsistentes (CNAP)

Analítica Analítica Real

Passagem Conexão Lógica Simples

Conexão Lógica Seletiva Complementação

Detecção de Igualdade Decisão

Passagem e Decisão Aprendizado

Page 9: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

CNAPap - Objetivo

Ser treinada para aprender qualquer padrão de entrada na velocidade definida pelo Fator de

Aprendizagem

Page 10: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

CNAPap – Equações da Literatura

Equação 1:

Equação 2:

μE (k +1)=(μ1−μE (k )C⋅F A)+1

2

μE (k +1)=(μ1−μE (k )C)⋅F A+1

2

CNAPapFA

FDA

μ1

μE

C

Page 11: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Equação 1 - Resultados

μE(k +1)=(μ1−μE (k)C⋅F A)+1

2

Page 12: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Equação 2 - Resultados

μE(k +1)=(μ1−μE (k)C )⋅F A+1

2

Page 13: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Nova CNAPap - PROPOSTA

Baseado no Grau de Contradição:

CNAPapFA

FDA

μ1

μE

C

μEC=1−μE

GCt=μ1+μEC−1

μE (k +1)=μE (k )+GCt⋅F A

Page 14: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Resultados

μE (k +1)=μE (k )+GCt⋅F A

Page 15: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Algoritmo Completo

1 Início – célula virgem: Ue := 0,5

2 Entra com o valor do padrão: U1

3 Complementação lógica: Uec := 1 – Ue

4 Calcula o Grau de Contradição: Gct := U1 – Uec + 1

5 Se U1 > Ue então: Ue := Ue + Gct * Fa

6 Se U1 < Ue então: Ue := Ue + Gct * Fda

7 Volta para 2.

Page 16: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Resultados

Page 17: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

Resultados

Page 18: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

O que vem depois?

Page 19: Uma proposta de uma célula neural artificial paraconsistente de aprendizagem

O que vem depois?