Redes Neurais Artificiais

Autores: Carlos Alexandre, Edson Junior, Fadrique Brito, Geraldo Lucas e Heitor Garcia

Redes Neurais Artificiais (RNA) são técnicas de processamentos computacionais que se utilizam de um modelo matemático cujo é inspirado na estrutura neural de organismos inteligentes, adquirindo conhecimento a partir de experiências. Os sistemas assumem comportamentos e estrutura do cérebro humano, porém, claramente, com um conjunto limitado de neurônios.

Explicando brevemente, o sistema nervoso trabalha a partir de um conjunto fortemente complexo de neurônios. Os neurônios se comunicam e emitem impulsos nervosos entre eles, tendo como exemplo um impulso nervoso recebido por um neurônio A, e dado momento, é processado e processado então uma tarefa de ação, o neurônio A dispara uma substância neurotransmissora que flui do corpo celular para o axônio, podendo estar conectado a um dendrito de um outro neurônio B.

Uma RNA é feita através de várias unidades de processamento, que são conectadas através de canais de comunicação estando associadas a determinado peso. Tais unidades fazem processamentos e operações apenas sobre seus dados locais, cujo são recebidas através das suas conexões. As mais diversas interações e ligações entre as unidades de processamento da rede dão a características de comportamento inteligente para um RNA.

As entradas do RNA são similares à área de captação de estímulos, que resultam a uma série de ligações com outras unidades do RNA, ou saídas. Faz-se então a comparação ao sistema biológico, onde a área de captação de estímulos se conecta à diversos neurônios e cada um deles apresenta uma saída.

Em 1943 McCullock e Pitts propuseram um esquema de operação de uma unidade de processamento, que consistem em sinais sendo apresentados à uma entrada, tal sinal é multiplicado por um número, denominado peso, que indica o grau de sua influência na saída da unidade, a partir disto é feito uma soma ponderada dos sinais recebidos para se produzir um nível de atividade, caso esse nível de atividade exceda um certo limite, a unidade de processamento produz então uma determinada resposta de saída.

Esquema de unidade McCullock - Pitts.

Suponha que tenhamos p sinais de entrada X1, X2, ..., Xp e pesos w1, w2, ..., wp e limitador t; com sinais assumindo valores booleanos (0 ou 1) e pesos valores reais.

Neste modelo, o nível de atividade a é dado por:

a = w1X1 + w2X2 + ... + wpXp

A saída y é dada por:

y = 1, se a >= t ou

y = 0, se a < t.

A aprendizagem dos modelos de RNA se dá pela experiência, ou seja, um modelo apresenta uma regra de treinamento, cujo determina pesos a partir dos padrões apresentados. Tendo uma arquitetura organizada em camadas, com unidades que podem estar conectadas à outras unidades da camada adiante. Pode-se citar três grupos onde se classificam as camadas:

• Camada de Entrada: Onde os padrões são apresentados à rede.
  
• Camada Intermediárias (Escondidas): Onde acontece a grande parte do processamento a partir das conexões ponderadas.
•          Camada de Saída: Onde o resultado final é concluído de apresentado.

O processo de aprendizagem se faz a parte mais importante para o processamento das habilidades de uma RNA. Aprendendo através de iterações com o ambiente, aplicando e ajustando o peso, e tendo então uma espécie de treinamento, onde gradativamente vai aprendendo mais coisas e situações.

O aprendizado é um conjunto de regras claramente definidas para que se encontre a solução de dado problema. Há diversos tipos de algoritmos de aprendizagem específicos para certos modelos de redes neurais artificiais, tendo como diferença entre eles, principalmente, o modelo em que os pesos são alterados.

Um fator importante, é a maneira como uma RNA se interage com o ambiente externo, impactando no seu aprendizado. Sobre essa situação, podemos citar alguns certos modelos de aprendizagem:

•       Aprendizagem supervisionado: Há um agente externo (uma pessoa) que indica para a rede qual a resposta correta para aquele tipo de problema, tendo-se assim o padrão de resposta desejado para o padrão apresentado de entrada.
•    Aprendizagem não-supervisionada: Não há um agente externo auxiliando nas respostas corretas para dado problema. Também podendo-se chamar de auto-organização.
•   Reforço: Quando um agente crítico externo analisa e avalia a resposta de saída da rede à um dado problema de entrada.

Um ciclo, é a apresentação das entradas e saídas de um conjunto de treinamento no processo de aprendizagem. A correção de cada ciclo pode ser feita de duas maneiras:

·         Modo Padrão: Nesse modelo, a correção é feita a cada apresentação independente, do conjunto de treinamentos.  Cada correção de peso específico é baseada somente no erro em questão daquela iteração. Ou seja, para um ciclo de 10 apresentações, teremos então 10 correções.

Modo Batch: Nesse modelo a correção é feito apenas uma vez, para todo o ciclo. Todos os pares (entrada e saída) do ciclo são apresentados, tendo seu erro médio calculado e então faz-se as correções de pesos