Mas o que ´e realmente uma rede neural artificial? Tem-se a seguinte defini¸c˜ao segundo Haykin [24]:
Defini¸c˜ao A.1. Uma rede neural ´e um processador maci¸ca e paralelamente distribu´ıdo consti- tu´ıdo de unidades de processamento simples, que tem a propens˜ao natural para armazenar co- nhecimento experimental e torn´a-lo dispon´ıvel para o uso. Ela se assemelha ao c´erebro em dois aspectos:
1. O conhecimento ´e adquirido pela rede a partir de seu ambiente atrav´es de um processo de aprendizagem.
2. For¸cas de conex˜ao entre os neurˆonios, conhecidas como pesos sin´apticos, s˜ao utilizadas para armazenar o conhecimento adquirido.
Assim, as redes neurais artificiais s˜ao modelos matem´aticos que assemelham `as estruturas neurais biol´ogicas e que tˆem capacidade computacional adquirida por meio de aprendizado e generaliza¸c˜ao. As redes neurais s˜ao formadas por unidades de processamento tamb´em chamadas de neurˆonios, que podem estar distribu´ıdas em uma ou em v´arias camadas. O estado de uma unidade, em um determinado instante, ´e representado por sua ativa¸c˜ao, um valor geralmente no intervalo [0, 1] ou [−1, 1]. A primeira camada da rede, chamada de entrada, possui unidades cujas ativa¸c˜oes representam valores para os atributos do dom´ınio do problema ao qual a rede est´a sendo aplicada. Atributos quantitativos s˜ao representados por uma unidade. Atributos qualitativos com n poss´ıveis valores s˜ao representados por n unidades de entrada. As unidades de camada de sa´ıda representam as decis˜oes feitas pela rede. Entre as unidades de entrada e de sa´ıda podem existir outras camadas, denominadas de camadas intermedi´arias. As unidades entre as camadas da rede est˜ao conectadas por meio de pesos, no qual cada peso corresponde a um valor num´erico.
Na verdade, as redes neurais artificiais procuram explorar os princ´ıpios adotados pelo c´erebro, especialmente o paralelismo, em busca de implementar sistemas que possam solucionar problemas da mesma forma que este ´ultimo. Existe uma grande variedade de arquiteturas e m´etodos de treinamento de redes neurais, tanto para problemas de aprendizado supervisionado como para n˜ao-supervisionado.
A.2 Algumas Considera¸c˜oes sobre Redes Neurais 109 O procedimento utilizado para realizar o processo de aprendizagem ´e chamado de algoritmo de aprendizagem, cuja fun¸c˜ao ´e modificar os pesos sin´apticos da rede de uma forma ordenada para alcan¸car um objetivo de projeto desejado.
A.2.1
Por Quˆe Utilizar Redes Neurais Artificiais?
Uma vantagem potencial das redes neurais artificiais ´e o processamento altamente para- lelo que ocorre em sua estrutura. Existe outro aspecto por´em, o qual coloca as redes neurais como uma classe muito especial de sistemas: a capacidade de generaliza¸c˜ao exibida pelas redes neurais. Por capacidade de generaliza¸c˜ao entende-se a capacidade de, na fase de diag- n´ostico, gerar respostas adequadas para entradas que nunca foram apresentadas `a rede. Estes dois aspectos fazem com que as redes neurais sejam capazes de solucionar problemas altamente complexos.
A utiliza¸c˜ao de redes neurais artificiais proporciona algumas caracter´ısticas muito ´uteis aos sistemas que as utilizam [21], a saber:
N˜ao-linearidade: A n˜ao-linearidade ´e uma propriedade inerente ao neurˆonio, sendo extrema- mente importante nos casos onde o sinal (ou entrada) analisado ´e gerado por um dispositivo n˜ao-linear, como ´e a maioria dos sistemas na natureza.
Mapeamento entre a entrada e a sa´ıda: Um dos paradigmas de aprendizado mais utilizado ´e o aprendizado supervisionado, o qual promove a modifica¸c˜ao dos pesos das conex˜oes da rede, aplicando um conjunto de entradas com as respectivas sa´ıdas. Para cada uma destas entradas escolhida aleatoriamente, ´e determinada a modifica¸c˜ao dos pesos de modo a minimizar a resposta desejada para a respectiva entrada. Desta forma, a rede aprende a partir de exemplos, construindo um mapeamento entre a entrada e a sa´ıda.
Adaptatibilidade: As redes neurais artificiais tˆem a capacidade natural de adaptar seus pa- rˆametros, em resposta a mudan¸cas no ambiente a sua volta, atrav´es do retreinamento. Contudo, se o ambiente ´e do tipo n˜ao-estacion´ario, a rede neural artificial pode ser cons- tru´ıda de forma a adaptar os parˆametros de suas conex˜oes em tempo real, em resposta `as mudan¸cas no ambiente. Um cuidado por´em deve ser observado quanto a esta adap- tatibilidade, uma vez que pode levar a perda de robustez da rede, ou seja, a rede neural artificial pode passar a responder a est´ımulos (ou entradas) `as quais n˜ao deveria responder,
como por exemplo, ru´ıdos. Este problema ´e conhecido como o dilema da estabilidade- plasticidade.
Tratamento de informa¸c˜ao contextual: Dependendo da arquitetura adotada na fase de trei- namento, a sa´ıda da rede ´e afetada pela atividade de todos os neurˆonios, e a corre¸c˜ao dos parˆametros pode atingir potencialmente todas as conex˜oes. Por exemplo, no caso dos pesos, este efeito faz com que a informa¸c˜ao armazenada na rede seja influenciada por todo o conjunto de dados apresentado, considerando n˜ao apenas cada padr˜ao apresentado mas tamb´em a correla¸c˜ao entre os mesmos, produzindo uma forma de informa¸c˜ao contextual. Tolerˆancia a falhas: Em v´arios modelos de rede, a sa´ıda recebe contribui¸c˜oes de todos os neu- rˆonios. Caso haja falha em um neurˆonio ou em um conjunto de conex˜oes, a sa´ıda ser´a apenas degradada. As redes neurais artificiais tendem a n˜ao apresentar falhas catastr´oficas com a perda de alguns neurˆonios, ou seja, ´e bastante tolerante a falhas.
Robustez: As redes neurais artificiais permitem processar ru´ıdo ou informa¸c˜ao incompleta de forma eficiente, assim s˜ao capazes de manter o seu desempenho quando h´a desativa¸c˜ao de algumas das suas conex˜oes.