Introdução às
Redes Neurais Artificiais
e aplicações
Luiz P. Calôba.
caloba@ufrj.br, www.lps.ufrj.br/~caloba
Redes Neurais Artificiais
O que é isto ?
Para que serve ?
...
s
Neurônio
ProcessadorMISO
e
1e
2e
n-1e
nNeurônio biológico
x 1 x j x N x0=1 . . . . . . i ii i i ii i i i i i i ii i i ii i i ii i ui si wi0 wi1 wij win
)
(
...
2 2 1 1u
v
saída
x
w
x
w
x
w
u
n n=
+
+
+
=
Neurônio - elemento de processamento
Arquitetura da Rede
x
1x
2x
3y
2y
1( )
y
%
=
ϕ
x
Rede Neural
Mapeador não linear, universal
=
=
614
,
0
097
,
0
~
7
,
0
1
,
0
y
x
tgh tgh tgh lin tgh 1 x 1 x 2 1 .2 -.1 -.1 .3 .1 .2 -.1 .1 .2 .3 .9 .1 .5 -.1 -.1 .2 1.1 4 5 2 1 1 y ~ 2 y ~ 0,1 0,7 0,09 0,61E a memória,
onde está ?
Memória:
Redes Neurais FeedForward, “Backpropagation”
( )
y
%
=
ϕ
x
RN
y~ x 3 tgh tgh tg h lin tgh 1 x 1 x 2 1 .2 -.1 -.1 .3 .1 .2 -.1 .1 .2 .3 .9 .1 .5 -.1 -.1 .2 1.1 4 5 2 1 1 y ~ 2 y ~ 0,1 0,7 0,09 0,61( )
y
%
=
ϕ
x
Para que serve ?
Aplicações:
Simuladores
;
Controladores;
Classificadores;
Reconhecimento de padrões;
Filtragem não linear;
etc...
RN
~ySimulação (modelagem) de Sistemas:
Mundo real
Simulador
X
Y
X
Simulador
Y
Entradas: x1 = velocidade atual x2 = posição do acelerador x3 = posição do freio x4 = inclinação x5 = número de passageiros x6 = etc. Saídas: y1 = velocidade após 3 sModelagem clássica de um problema:
Mundo Real
objetos físicos
Representação
Matemática
dos objetos físicos por objetos matemáticosx
1x
2 e fórmulasUma nova maneira de ver:
Mundo Real
objetos físicos
Representação
Neural
dos objetos físicos por sinais biológicos e uma estrutura neuralRepresentação
Matemática
dos sinais biológicos por objetos matemáticosx
1x
2 e da estrutura neural por fórmulas conhecidasP
k
1
,
2
,...,
)
,
(
x
ky
k=
ϕ
y
k=
ϕ
(
x
k)
Simulador
w ϕ~ kx
ky
~
+
_
kε
ky
w
∆
aprendizado ou treinamento kx
Simulação de Sistemas:
Planta
P
k
1
,
2
,...,
)
,
(
x
ky
k=
ϕ
y
k=
ϕ
(
x
k)
Simulador
w ϕ~ kx
ky
~
+
_
kε
ky
w
∆
aprendizado ou treinamento kx
Aprendizado, Treinamento ou Ajuste do Simulador:
(
)
[
(
~
)
2]
,...
1
|
i
E
y
y
w
F
i=
=
−
Treinamento = Otimização = Minimização do erro na saída
Função Objetivo à Minimizar = EMQ na saída
Método: Gradiente descendente
i i i i i i
w
w
w
w
F
w
w
←
+
∆
∂
∂
−
=
∆
α
Demo: OCR
...
...
Robustez
Morte de neurônios
NeuralTB
Sistema de Apoio ao Diagnóstico de Tuberculose Bacteriana
Exemplos de aplicações:
• Modelagem de um Conversor
Siderúrgico da CSN • Modelagem de plantas de
destilarias da Petrobras
• Previsão de atrazo no pagamento por clientes (pessoas e instituições) • Previsão do PIB brasileiro
• Previsão de volatilidade de opções Telebrás
• Previsão de demanda de pico de energia • Identificação do locutor e do conteúdo da alocução • Identificação da confiabilidade de informantes • Identificação de patologias em eletrocardiogramas • Identificação de malignidade em anomalias na mama
• Classificação de defeitos em soldas via radiografia ou ultra-som
• Detecção de defeitos em dutos e
25
Aprendizado sem professor
Aprendizado supervisionado e não-supervisionado
Critério:
classificação por similaridade
RN
∆
w
ε
+
-y~
[
x,
y
]
RN
∆
w
ε
+
-y~
[
x,
y
]
RN
∆
w
x
y~
RN
∆
w
x
y~
26
Classificação por Similaridade
Classes agrupam elementos `similares` entre si
27
Ex: OCR: Figuras com ruído
Entradas ruidosas
Rede
Counter
propagation
Padroes28
Detecção de padrões desconhecidos
29
Time to frequency patterns:
30
Ex 2: Sonar Passivo
A Caçada Ao Outubro Vermelho
31
Classificador de Contatos Sonar (IPqM / UFRJ):
Classificação de alvos via análises Lowfar e Demon do ruído irradiado
32
Compressão de informações
Compressão de imagens
1 y 2 y m y 0 ux
w1 2 w m w 0 y 1 y 2 y m y 0 ux
w1 2 w m w 0 y+
s
p
1p
2p
m 1 y 2 y m y 1 y 2 y m yi
33
Exemplo de Compressao
Imagens original e comprimidas
(1x)
(11x)
34
Problemas de otimização combinatória
35
Caixeiro Viajante:
36
O problema das Quatro cores:
37
38
Resultados:
Percentual de acertos
Apresentação dos Sons
Exemplos School Vega
Tipo de processo % acertos
Som Criptografado
≈
0≈
0 Simulated Ann. eBusca exaustiva 73 91
39
Últimos Comentários
Redes Neurais
Modelam sistemas e fenômenos que não somos capazes de modelar Tem capacidade de aprender sózinhas
Resolvem problemas de otimização
40
Quando usar ?
Existe um algoritmo satisfatório ?
SIM - então use o algoritmo
NÃO - então pense em usar redes neurais
Como usar ?
41
Para saber mais:
1 – Ivan Silva, I.; Spatti, D. e Flauzini, R. - "Redes Neurais Artificiais para engenharia e ciências aplicadas", Artliber,2010
2 -Wasserman, P. – “Neural Computing”, Van Nostrand Reinhold, 1989, Cap 1-6. 3 - Sarle, W.S. - ftp://ftp.sas.com/pub/neural/FAQ.html - uma página com
42
INNS
International Neural Networks Society
43