Introdução às Redes Neurais Artificiais e aplicações

Introdução às

Redes Neurais Artificiais

e aplicações

Luiz P. Calôba.

caloba@ufrj.br, www.lps.ufrj.br/~caloba

Minicurso IC - 2011

Redes Neurais Artificiais

O que é isto ?

Para que serve ?

De onde veio ?

Neurônio biológico

... s

Neurônio

Processador

MISO

e1

e2

en-1

en

Neurônio biológico

Comunicação entre neurônios:

x 1

x j

x N

x0=1

.

.

.

.

.

.

iiii iiii iiii

iiii iiii iiii

ui

si

wi0

wi1

wij

win

)(

...2211

uvsaída

xwxwxwu nn

=

+++=

Neurônio - elemento de processamento

Arquitetura da Rede

x1

x2

x3

y2

y1

( )y xϕ=%

Rede Neural

Mapeador não linear, universal

=

=

614,0

097,0~ 7,0

1,0yx

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

0,61

E a memória,

onde está ?

nas sinapses !

Memória:

E o aprendizado ? Alteração das sinapses !

Redes Neurais FeedForward, “Backpropagation”

( )y xϕ=%

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 xϕ=%

Para que serve ?

Aplicações:

Simuladores; Controladores;

Classificadores;

Reconhecimento de padrões;

Filtragem não linear;

etc...

RN

y ~ x

Simulação (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 s

y2 = distância para parar

Modelagem clássica de um problema:

Mundo Real objetos físicos

Representação Matemática

dos

objetos físicos por

objetos matemáticos x1 x2 e

fórmulas

Uma nova maneira de ver:

Mundo Real objetos físicos

Representação Neural

dos

objetos físicos por

sinais biológicos

e uma

estrutura neural

Representação Matemática dos

sinais biológicos por

objetos matemáticos x1 x2

e da

estrutura neural por

fórmulas conhecidas

P k ,..., 2 , 1 ) , ( = k k y x

ϕ ) ( k k

x y ϕ =

Simulador

w

ϕ ~ k

x k

y ~

+

_

k ε k

y

w ∆ aprendizado

ou

treinamento

k x

Simulação de Sistemas:

Planta

P k ,..., 2 , 1 ) , ( = k k y x

ϕ ) ( k k

x y ϕ =

Simulador

w

ϕ ~ k

x k

y ~

+

_

k ε k

y

w ∆ aprendizado

ou

treinamento

k x

Aprendizado, Treinamento ou Ajuste do Simulador:

Planta

( ) ( )[ ]2~,...1| yyEiwF i −==

Treinamento = Otimização = Minimização do erro na saída Função Objetivo à Minimizar = EMQ na saída

Método: Gradiente descendente

iii

i

ii wwww

Fww ∆+←

∂

∂−=∆ α

Demo: OCR

...

...

Rede Neural

Robustez Morte de neurônios

NeuralTB Sistema de Apoio ao Diagnóstico de Tuberculose Bacteriana

HU & COPPE / UFRJ

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

risers para transporte de petróleo

25

Aprendizado sem professor Aprendizado supervisionado e não-supervisionado

Critério:

classificação por similaridade

RN

∆w

ε

+ -

y~[ ]yx, RN

∆w

ε

+ -

y~[ ]yx, 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

Padroes

28

Detecção de padrões desconhecidos Ex 1: Dolphin Ecolocation

29

Time to frequency patterns:

Pattern determination

30

Ex 2: Sonar Passivo A Caçada Ao Outubro Vermelho (The Hunt For Red October)

31

Classificador de Contatos Sonar (IPqM / UFRJ):

Classificação de alvos via análises Lowfar e Demon do ruído irradiado

utilizando-se reconhecimento de padrões através de redes neurais.

32

Compressão de informações Compressão de imagens

1y

2y

my

0u

x

w1

2w

mw

0y

1y

2y

my

0u

x

w1

2w

mw

0y

+ s

p1

p2

pm

1y

2y

my

1y

2y

my

i

33

Exemplo de Compressao

Imagens original e comprimidas (1x) (11x) (15x) (28x)

34

Problemas de otimização combinatória Redes Realimentadas - redes de Hopfield

35

Caixeiro Viajante:

Solução ótima Vizinho mais próximo

36

O problema das Quatro cores:

Demo 4 cores:

37

Time Segment Permutation

38

Resultados:

Percentual de acertos

Apresentação dos Sons

Exemplos School Vega

Tipo de processo % acertos

Som Criptografado ≈ 0 ≈ 0

Simulated Ann. e Busca exaustiva

73 91

Som Original 100 100

39

Últimos Comentários Redes Neurais Modelam sistemas e fenômenos que não somos capazes de modelar Tem capacidade de aprender sózinhas Resolvem problemas de otimização

mas não são a panacéia universal !!

40

Quando usar ?

Existe um algoritmo satisfatório ?

SIM - então use o algoritmo

NÃO - então pense em usar redes neurais

Como usar ?

Emular em PC ( 99% dos casos)

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

muitas informações interessantes.

42

INNS

International Neural Networks Society

INTERNATIONAL NEURAL NETWORK SOCIETY

43

Fim.

Obrigado pelo interesse.