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