Redes neurais artificiais

neuronio As redes neurais artificiais constituem um sistema que simula o funcionamento e comportamento do cérebro humano através do aprendizado pela experiência. Por meio de técnicas computacionais que usam um modelo matemático, consegue-se treinar uma rede para a classificação de padrões afim de resolver problemas variados. Podem ser definidas como um conjunto de unidades de processamento, caracterizadas por neurônios artificiais interligados por um grande número de interconexões (sinapses artificiais), que são representadas por vetores/matrizes de pesos sinápticos. Estão inseridas dentro da área conhecida como sistemas inteligentes ou inteligência computacional.

Entre suas principais características podemos citar:

  • adaptação por experiência: a partir de uma apresentação sucessiva de exemplos (padrões, amostras, medidas), ajustam-se os pesos sinápticos da rede. Isso possibilita que a rede aprenda por experimentação.
  • Capacidade de aprendizado: através do método de treinamento, a rede consegue relacionar as variáveis que constituem o processo.
  •  Habilidade de generalização: após o treinamento, a rede consegue generalizar o conhecimento, estimando soluções até então desconhecidas.
  • Tolerância a falhas: como possui várias interconexões, torna-se tolerante a falhas.
  • Facilidade de prototipagem: implementar uma arquitetura neural pode ser facilmente prototipada em hardware ou software, pois após o treinamento, os resultados são, geralmente, obtidos por operações matemáticas elementares.

Motivação

Desde a criação e, posteriormente com a evolução das máquinas, um grande desejo do homem é a criação de uma máquina que possa operar independentemente do controle humano. Uma máquina cuja independência se desenvolva a partir do aprendizado e que tenha a capacidade de iteragir com ambientes incertos (desconhecidos por ela), é uma máquina que pode ser chamada de autônoma,neuronios inteligente ou cognitiva.

O cérebro humano foi uma inspiração para o desenvolvimento deste tipo de máquina, proporcionando diversas dicas para o desenvolvimento de algoritmos de aprendizado e adaptação.

Os computadores funcionam de modo sequencial, proporcionando maior eficiência na resolução de tarefas nas quais se deve seguir etapas, enquanto o cérebro humano funciona de modo paralelo, pois sendo extremamente conectado é mais eficiente na resolução de tarefas que exigem várias variáveis.

Histórico

A primeira publicação relacionada à neurocomputação é de 1943, através do artigo de McCulloch & Pitts. Os autores realizaram o primeiro modelamento matemático inspirado no neurônio biológico, resultando assim na primeira ideia de neurônio artificial.

Em 1949 Donald Hebb propôs o primeiro método de treinamento, através do livro “The Organization of Behavior”, (A organização do comportamento em tradução livre). Os pesquisadores continuaram a desenvolver técnicas de modelos matemáticos fundamentados no neurônio biológico, gerando várias estruturas e algoritmos de aprendizado. Dentre esses pesquisadores, Frank Rosenblatt ganhou destaque por ter desenvolvido entre 1957 e 1958 o primeiro neurocomputador, denominado Mark I – Perceptron, idealizando o modelo básico do Perceptron. Esse modelo despertou interesse devido à capacidade de reconhecer padrões simples.

Em 1969, a publicação de um livro trouxe um revés à área de neurocomputação. Os autores demonstravam as limitações das RNA´s constituídas de apenas uma camada, o que as impossibilitava de realizar a classificação correta de padrões para classe não linearmente separáveis.

Apenas no final dos anos 80 é que os pesquisadores voltaram a se interessar pelo assunto, e nessa época surgiram estudos e publicações de redes com mais de uma camada. A retomada das pesquisas se deve ao desenvolvimento de computadores com maior capacidade de processamento, criação de algoritmos mais eficientes e novas descobertas sobre o sistema nervoso biológico (de onde se baseiam as redes neurais). Recentemente, além de inúmeras aplicações práticas em diferentes áreas do conhecimento, outras novas contribuições têm permitido alavancar o desenvolvimento associado às redes neurais.

Neurônio biológico x neurônio artificial

A célula elementar do sistema nervoso cerebral é o neurônio e seu papel se resume a conduzir impulsos sob determinadas condições de operação.  Os neurônios estão conectados uns aos outros através de sinapses, e juntos formam uma grande rede. As sinapses transmitem estímulos através de diferentes concentrações de Na+ (Sódio) e K+ (Potássio), e o resultado disto pode ser estendido por todo o corpo humano. Esta grande rede proporciona uma fabulosa capacidade de processamento e armazenamento de informação. O neurônio é dividido em três partes principais: dendritos, corpo celular e axônio.

Fig#1.1_RNA

Os dendritos têm por função receber os estímulos transmitidos pelos outros neurônios. O corpo de neurônio é responsável por coletar e combinar informações vindas de outros neurônios. O axônio é constituído de uma fibra tubular que pode alcançar até alguns metros, e é responsável por transmitir os estímulos para outras células.

O modelo de neurônio artificial mais simples foi proposto em 1943 por McCulloch & Pitts. Nessa representação, cada neurônio da rede pode ser implementado conforme mostra a figura.

Fig#1.5_RNA

Os diversos sinais de entrada advindos do meio externo (aplicação) são espelhados pelo conjunto {x1, x2, …, xn}, que são análogos aos impulsos elétricos externos captados pelos dendritos no neurônio biológico. As ponderações exercidas pelas junções sinápticas do modelo biológico são representadas no neurônio artificial pelo conjunto de pesos sinápticos {w1, w2, …, w3}. A relevância de cada uma das entradas {xi} do neurônio é então executada através de multiplicações pelo respectivo peso {wi}. Assim, torna-se possível verificar que a saída do corpo celular artificial, denotado por u, é a soma ponderada de suas entradas.

Aplicações

As redes neurais artificiais possuem inúmeras aplicações práticas. Permitem a resolução de diversos tipos de problemas advindos das mais diferentes áreas de conhecimento.

Um exemplo para introdução são as técnicas no prognóstico de mercados financeiros. Grupos de investimento conhecidos utilizam redes neurais para analisar pelo menos uma parte do mercado financeiro e fazerem suas seleções.

O reconhecimento ótico de caracteres (OCR) é outro tipo de aplicação que já existe e está crescendo, e em breve estaremos em constante contato com esse tipo de aplicação. Outras aplicações bem sucedidas das técnicas de redes neurais artificiais são: controle de processos industriais, aplicações climáticas, e identificação de fraude de cartão de crédito. Um banco americano chamado Mellon Bank instalou um sistema de detecção de fraudes de cartão de crédito implementado com técnicas de redes neurais e os prejuízos evitados pelo novo sistema conseguiram cobrir os gastos de instalação em seis meses. Vários outros bancos começam a utilizar sistemas baseados em redes neurais para controlar fraudes de cartão de crédito. Estes sistemas têm a capacidade de reconhecer uso fraudulento com base nos padrões criados no passado com uma precisão melhor que em outros sistemas.

Outro exemplo da utilização de redes neurais para melhoria na tomada de decisões é no diagnóstico médico. Em seu aprendizado, são submetidos uma série de diagnósticos de pacientes, de várias características, com vários sintomas e os resultados de seus testes. Também serão fornecidos os diagnósticos médicos para cada doença. Então quando forem apresentados os dados de um novo paciente, com seus sintomas, a rede fornecerá um diagnóstico para os novos casos. Isto essencialmente criará um sistema com o conhecimento de vários médicos, e fornecerá um diagnóstico inicial em tempo real à um médico. É importante mencionar que com isso o que se pretende é implementar uma ferramenta de auxílio ao médico, e não um programa que o substitua.

Outras aplicações:

  • Análise e processamento de sinais;
  • controle de processos;
  • robótica;
  • classificação de dados;
  • reconhecimento de padrões em linhas de montagem ;
  • filtros contra ruídos eletrônicos;
  • análise de imagens;
  • análise de voz;
  • avaliação de crédito;
  • análise de aroma e odor- um projeto que está em desenvolvimento, buscando a análise de odor via nariz eletrônico;
  • análise e diagnóstico de descargas parciais pelo reconhecimento do padrão acústico- trata-se de uma tese de mestrado cujo objetivo é criar um sistema com capacidades de classificar o padrão acústico de uma descarga parcial ;

Não perca em um próximo post aplicações de redes neurais em Engenharia!

Fonte: Redes Neurais Artificiais para engenharia e ciências aplicadas – Ivan Nunes da Silva/ Danilo Hernane Spatti/ Rogério Andrade Flauzino

Redes Neurais

Anúncios

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair / Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair / Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair / Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair / Alterar )

Conectando a %s