redes multicamadas perceptron

Redes Perceptron Multicamadas
As redes Peceptron Multicamadas são usadas principalmente em problemas de reconhecimento de padrões. Trata-se de uma evolução do peceptron de camada única, esquecida por muito tempo por ser capaz de reconhecer apenas padrões representados por dados linearmente separáveis. O exemplo clássico da limitação da rede de camada única é a impossibilidade de se implementar a função lógica XOR.
Nas redes Perceptron Multicamadas este problema e contornado, através da inclusão de camadas escondidas. Sua arquitetura inclui uma camada que recebe os dados a serem tratados, em seguida uma seqüência de camadas escondidas, cada uma com um numero arbitrário de neurônios, e por fim a última camada que representa a saída da rede.
Cada neurônio está ligado aos neurônios da camada seguinte, sendo que cada ligação desta apresenta um peso sináptico distinto.
A operação de treinamento da rede e feita em duas etapas: a etapa progressiva, onde um dado de entrada e apresentado a primeira camada da rede. Este dado é passado para as camadas seguintes: o dado de cada neurônio da camada anterior é passado para cada neurônio da camada posterior observando o peso sináptico associado a esta ligação. Ao chegar ao neurônio, o sinal passa por uma função de ativação que normaliza o valor do dado para um valor mais conveniente, normalmente um valor que varie entre 0 e 1. Este operação e feita camada a camada até chegar à última camada, que representa a saída do sistema. Na fase de treinamento podemos comparar a saída do sistema com a saída esperada para um dado padrão de entrada.
Em seguida temos a etapa de retropropagacao. O erro da última camada é conhecido, pois temos um arquivo de treinamento para comparação. Os valores dos neurônios nas camadas escondidas, não tem muito significado pratico e assim não podemos associar, e nem conhecemos, um erro direto associado a estes neurônios. O que se faz é a propagação do erro ao longo dos valores dos pesos sinápticos