fundamentos de inteligência artificial [5cop099]€¦ · uma adaline de v arias camadas e chamada...
Post on 19-Jul-2018
230 Views
Preview:
TRANSCRIPT
Fundamentos de Inteligencia Artificial [5COP099]
Dr. Sylvio Barbon Junior
Departamento de Computacao - UEL
Disciplina Anual
Assunto
Aula 15Redes Neurais Artificiais (Adaline)
2 de 15
Aula 15 - Redes Neurais Artificiais (Adaline)
Sumario
• Introducao
• Bias (limiar)
• Rede Neural Adaline
3 de 15
Aula 14 - Redes Neurais Artificiais
Introducao
• A Rede Neural Perceptron, em seus ajustes de peso nao econsiderada a distancia entre a saıda e a resposta desejada;
• A Rede Neural Adaline (ADAptive LINEar) foi desenvolvida em1960 (Widrow e Hoff) e sua principal funcao era na area deprocessamento digital de sinais;
• Utiliza o ajuste de erro pela Regra Delta;
• Uma Adaline de varias camadas e chamada Madaline;
• E de arquitetura feedforward;
• Soluciona problemas de regressao;
4 de 15
Aula 14 - Redes Neurais Artificiais
Introducao
5 de 15
Aula 14 - Redes Neurais Artificiais
Bias (limiar) θ
• O bias (θ), tambem chamado de vies ou limiar tem a mesmafuncao do intercepto para os modelos de regressao. [representa oponto em que a reta regressora corta um dos eixos]
• Se uma RNA nao faz o uso do bias em uma dada camada nao serapossıvel produzir uma saıda diferente de 0 quando os atributosforem 0;
• O bias promove flexibilidade ao ajuste da RNA;
• Os valores atribuıdos ao bias sao normalmente -1 ou 1;
• O peso (w0) deve ser associado ao bias e ajustado como os outros.
6 de 15
Aula 14 - Redes Neurais Artificiais
Bias (limiar) θ
Funcoes sigmoides sem (esquerda) e com bias = 1 (direita)
7 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
• Uma das diferencas com relacao a Perceptron e o bloco deverificacao de erro, para Perceptron: erro = d − y , ja para aAdaline erro = d − u.
• Assim, para ajustes dos pesos serao utilizados os valores obtidosantes da funcao de ativacao g(.).
• O treinamento e baseado na Regra Delta que tem como nucleo oGradiente Descendente ou Mınimos Quadrados. Assim espera-seencontrar os pesos e limiar que minimizam a diferenca entre d e uem funcao do Erro Quadratico Medio (EQM).
Eqm(w) = 1p
p∑k−1
(d (k) − u)2
8 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
9 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
10 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
Epocas de treinamento para encontrar o melhor Hiperplano.
11 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
Comparacao entre Perceptron e Adaline
12 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
13 de 15
Aula 14 - Redes Neurais Artificiais
Rede Neural Adaline
14 de 15
Fundamentos de Inteligencia Artificial
Referencias
1. Coppin, B. Inteligencia Artificial. LTC. 2010.
2. Russell, S.; Norvig, P. Artificial Intelligence: a modern approach. Prentice Hall. 2010. Localizacao: BC – Numerode Chamada: 519.683 R967a 3.ed.
3. Luger, G. F. Inteligencia Artificial: estruturas e estrategias para a resolucao de problemas complexos.Bookman.2004. Localizacao: BC – Numero de Chamada: 519.683 L951a 4.ed.
4. Carvalho, Andre, et al. ”Inteligencia Artificial–uma abordagem de aprendizado de maquina.”Rio de Janeiro: LTC(2011).
5. Silva, IN da, Danilo Hernane Spatti, and Rogerio Andrade Flauzino. ”Redes neurais artificiais para engenharia eciencias aplicadas.”Sao Paulo: Artliber (2010).
15 de 15
top related