Ao realizar um projeto de RNA é necessário pré-definir algumas características, tais como a topologia da rede, o número de neurônios, a função de ativação de cada neurônio e o algorítmo de treinamento. Algumas delas podem sofrer alterações em suas dimensões durante o desenvolvimento do projeto, porém são fundamentais para determinar seu início. A descrição destas e de outras propriedades são apresentadas na sequência (VILLANUEVA, 2006), como segue:
Os dados de saída podem ser relacionados aos de entrada de forma Auto-
associativa ou Hetero-associativas. A primeira armazena os padrões recebidos no processo
de treinamento pelo ajuste de sinapses, como, por exemplo, pode-se citar a Rede de Hopfield, a ART, os Mapas Auto-Organizáveis de Kohonen. A segunda armazena as associações entre as entradas e saídas que são recebidas durante o processo de treinamento pelo adequado ajuste de sinapses, os exemplos são a rede multilayer perceptron e a radial
basis function (RBF).
- Arquitetura
Basicamente a arquitetura de uma RNA é definida pelo número de camadas e pelas suas interconexões, como descrita na sequência:
(a) Número de camadas
Nas RNAs de uma camada, cada neurônio tem a função de receber o vetor de entrada e produzir a saída final desejada.
Em contrapartida nas de múltiplas camadas os neurônios são alocados, no mínimo, em três partes:
Camada de entrada - responsável por receber e propagar as informações adquiridas pela rede neural;
Camada oculta - composta por uma ou mais camadas e é responssável pelo mapeamento do sistema;
Camada de saída - responssável pelo processo de associação (nas redes auto-associativas) ou de combinação das informações provenientes da camada anterior (nas redes hetero- associativas).
(b) Conexões
Uma opção de conexão é Adiante (em inglês, Feedforward connection), ou seja, os nós de uma camada sempre são conectados aos nós da camada seguinte.
A outra forma de conexão é a Recorrente (em inglês, Feedforward/Feedback
conection) que, além das conexões para frente, é caracterizada por possuir laços de
realimentação.
- Aprendizagem
A modificação dos pesos sinápticos da RNA em função de dados que representam o sistema no qual ela está ou será inserida é realizada pelo processo da Aprendizagem. Este procedimento pode ser realizado de duas formas:
(a) Supervisionada
A partir de uma base de dados previamente coletada, e que representa o comportamento do sistema, um supervisor externo associa, de forma repetitiva, as saídas a cada entrada de com o objetivo de ajustar os pesos das conexões sinápticas, até obter o menor erro possível entre as saídas obtidas e as desejadas. Como exemplo de um algorítmo supervisor, pode-se citar o backpropagation.
(b) Não-supervisionada
Neste caso, são disponíveis para a RNA somente padrões de entrada que formam representações internas por meio de grupos ou classes de padrões. Como o processo de aprendizagem é não-supervisionado, os dados que representam os padrões de entrada devem ser alimentados várias vezes, até que se alcance o aprendizado desejado. Como exemplos de processos de aprendizado, podem-se ser citados o Hebbiano, o Competitivo e o Cooperativo.
- Ajuste dos pesos sinápticos
O procedimento de ajuste dos pesos presentes nas conexões sinápticas podem ser realizados dos seguintes modos:
Off-line - todos os ajustes são realizados antes da aplicação da RNA e, durante seu
funcionamento, os pesos sinápticos mantêm-se fixos;
On-line - não há distinção entre as fases de treinamento e operação, de modo que os
pesos são ajustados durante o funcionamento e em função de estímulos dados na entrada da rede.
- Características motivadoras para a aplicação das RNAs
As redes neurais artificiais são dispositivos de matemática flexível que pode ser utilizado para implementar controladores não-lineares (MILLER et al., 1995). Em particular, uma RNA de estrutura MLP com uma única camada intermediária é suficiente para aproximar qualquer função contínua dentro de uma unidade de hipercubo, sendo conveniente normalizar os dados de treinamento (HORNIK et al., 1989).
Assim sendo, a possibilidade de aprendizado a partir de dados representativos de um sistema (CHERKASSKY; MULIER, 2007), o potencial de preservar altos níveis de desempenho em pontos distintos de funcionamento (MELEIRO et al., 2009), e a existência de procedimentos estatísticos aplicáveis para maximizar a capacidade de generalização (MITCHELL, 1997; HAYKIN, 2008) são as principais motivações para a utilização de controladores de redes neurais.
Ao aplicá-lo é necessário determinar alguns pontos fundamentais, tais como o número de conexões (ou nó) da camada de entrada, que é definido em função do número de variáveis consideradas no controle, e as conexões da camada de saída, obtida em função das variáveis de controle.
Com relação à definição de qual é o número de neurônios da camada intermediária (ou oculta) mais adequado, não há orientações gerais. Porém, algumas diretrizes são relevantes. A escolha de um alto número de neurônios nesta camada pode ocasionar o sobreajustamento, tembém conhecido como overfitting, fato que reduz sua capacidade de generalização; por outro lado, a escolha de um baixo número de neurônios pode prejudicar a capacidade de representação da RNA, ao impedir a redução do erro de treinamento (HAYKIN, 2008). Na prática, e apenas como um ponto de partida, pode- se adotar um número de neurônios na camada intermediária 50% maior do que o número de nós da camada de entrada.
O aprendizado de máquinas, identificações de sistemas dinâmicos lineares e não lineares, reconhecimento de padrões, processamento de sinais, controle de processos e otimização de sistemas são exemplos de aplicações, dadas as características da RNA já enunciadas (CHERKASSKY; MULIER, 1998; SILVA et al., 2010). Destaca-se, nestes casos citados, a capacidade das redes neurais de sintetizar mapeamentos multidimensionais arbitrários de entrada/saída e, particularmente, as redes neurais artificiais supervisionadas apresentam capacidade de aproximação universal – é o caso da MLP –, o que garante a flexibilidade necessária para atender a tais aplicações.