Estrutura B´asica de Treinamento de RNAs

Redes neurais artificiais possuem a capacidade de aprender por exemplos e fazer inter- pola¸c˜oes e extrapolac˜oes do que aprendem atrav´es de um algoritmo de treinamento. Entende- se por algoritmo de treinamento um conjunto de procedimentos bem definidos os quais adap- tam os parˆametros de uma RNA de modo que a mesma possa aprender uma determinada fun¸c˜ao. Existem diversos tipos de algoritmos de treinamento para os mais variados tipos de RNAs. O que difere um dos outros ´e a maneira na qual os pesos de uma rede s˜ao atualizados. Os m´etodos para o treinamento de redes podem ser divididos em dois grupos: aprendizado supervisionado e aprendizado n˜ao-supervisionado. A seguir ´e feita uma breve descri¸c˜ao sobre cada tipo.

Aprendizado Supervisionado

M´etodo no qual a entrada e a sa´ıda desejada da rede s˜ao fornecidas por um supervisor externo. Neste caso a rede tem a sua sa´ıda calculada comparada com a sa´ıda desejada, recebendo ent˜ao informa¸c˜oes do supervisor sobre o erro da resposta atual, assim direcionando o processo de treinamento. A minimiza¸c˜ao do erro ´e incremental de tal forma que pequenos ajustes feitos nos pesos a cada etapa de treinamento fa¸ca com que a rede caminhe para uma solu¸c˜ao, se houver alguma. A maior desvantagem neste m´etodo ´e que, na ausˆencia de um supervisor, a rede n˜ao conseguir´a aprender novas estrat´egias para situa¸c˜oes n˜ao contempladas pelos exemplos na fase de treinamento. A Figura 3.8 ilustra o mecanismo de aprendizado supervisionado.

Figura 3.8: Aprendizado supervisionado.

Uma varia¸c˜ao deste m´etodo ´e o aprendizado por refor¸co, onde a ´unica informa¸c˜ao de realimenta¸c˜ao fornecida pelo supervisor ´e se determinada sa´ıda est´a correta ou n˜ao, ou seja, n˜ao ´e fornecido a resposta correta para o padr˜ao de entrada.

Aprendizado N˜ao-Supervisionado

No aprendizado n˜ao-supervisionado, como o nome sugere, n˜ao h´a supervisor externo. Somente os dados de entrada da rede est˜ao dispon´ıveis. Este algoritmo serve para desenvolver a habilidade de formar representa¸c˜oes internas para codificar caracter´ısticas da entrada e criar novas classes ou grupos de forma autom´atica, ou seja, segmentar o espa¸co dos dados de entrada em grupos espec´ıficos. A Figura 3.9 mostra o mecanismo de aprendizado n˜ao-supervisionado.

Figura 3.9: Aprendizado N˜ao-Supervisionado.

Neste contexto de aprendizado n˜ao-supervisionado existe um caso particular chamado aprendizado por competi¸c˜ao. A id´eia ´e que a partir de um est´ımulo de entrada, as sa´ıdas da rede disputem entre si para serem ativadas, conseq¨uentemente fazendo com que os pesos da ganhadora sejam atualizados. Este algoritmo exige que as unidades de sa´ıda da rede seja conectados entre si, sendo essas conex˜oes chamadas de conex˜oes inibit´orias. Durante o processo de treinamento os neurˆonios vencedores ficam cada vez mais fortes, fazendo com que o efeito inibit´orio sobre os neurˆonios adjacentes se torne mais forte tamb´em. Com o tempo somente o neurˆonio vencedor ficar´a ativo, e os demais inativos. Este processo tamb´em ´e chamado de winner takes all.

Um conjunto de classes bases foi criado de forma a abstrair conceitos e tarefas comuns a grande parte dos algoritmos de aprendizagem. A Figura 3.10 apresenta um diagrama de classes com as classes criadas para serem a base de desenvolvimento de algoritmos de treinamentos de RNAs.

Abaixo ´e feita uma breve descri¸c˜ao sobre cada classe. Classe TRAIN

Classe usada como base para os algoritmos de treinamento n˜ao-supervisionado. Ela cont´em uma referˆencia para uma instˆancia da classe NNET, al´em de diversos m´etodos para gerenciar instˆancias da classe PARM durante a fase de treinamento, e m´etodos para se obter a sa´ıda da rede a partir de um determinado conjunto de entradas, organizado em forma de matriz.

Classe TRAINSUP

Classe base usada para algoritmos de treinamento supervisionados. Ela cont´em todas as funcionalidades da classe TRAIN, acrescida de uma lista e m´etodos de gerenciamento de instˆancias da classe PARM, as quais representam sa´ıdas desejadas do sistema.

Al´em das classe descritas acima, foi necess´ario criar algumas classes auxiliares durante o desenvolvimento de modo a facilitar a manipula¸c˜ao de dados de entrada e sa´ıda, tanto para ajudar no processo de codifica¸c˜ao, quanto para auxiliar desenvolvedores durante o uso do sistema. A Figura 3.11 mostra o diagrama de classes com as classes que foram criadas.

Figura 3.11: Diagrama de classes base para treinamento de RNAs.

Classes Auxiliares

Abaixo ´e feita uma breve descri¸c˜ao sobre cada classe.

• Classe VEC<>: classe template usada para armazenar dados em forma de vetor; • Classe MAT<>: classe template usada para armazenar dados em forma de matriz.

• Classes DATAVEC e DATAMAT: s˜ao simples defini¸c˜oes de tipos(typedef);

• Classe TRAINDATA: classe derivada da classe DATAMAT onde um m´etodo chamado

load(filename) foi acrescentado de forma a facilitar a manipula¸c˜ao de grande quantidade

de dados. Este carrega uma matriz de dados a partir de um arquivo texto;

• Classe EXCEPTION: classe usada para tratamento de erros. Ela deve ser usada em blocos tipo try{ ... } catch( EXCEPTION e) { ... } durante o processo de desenvol- vimento para se obter mensagens detalhadas de erros, caso alguma inconsistˆencia for encontrada durante a execu¸c˜ao do programa.