Redes neurais

Disponível somente no TrabalhosFeitos
  • Páginas : 6 (1451 palavras )
  • Download(s) : 0
  • Publicado : 16 de abril de 2012
Ler documento completo
Amostra do texto
Redes Neurais

1. Defina o que é uma Rede Neural.
Resposta: Redes Neurais são sistemas paralelos distribuídos compostos por unidades de processamento simples interligadas entre si e com o ambiente por um número de conexões. Também podem ser definidas, como modelos inspirados na estrutura paralela do cérebro e que buscam reter algumas de suas propriedades, as unidades representando osneurônios, enquanto que a interconexão, as redes neurais. No geral, conexões estão associadas a pesos que armazenam o conhecimento da rede e servem para ponderar a entrada recebida pelo neurônio, ou seja, aprendizagem gerada a partir de conhecimento.

2. O Perceptron é um classificador linear, justifique. Qual a diferença entre o Perceptron e o Adaline?
Resposta: O Perceptron é um classificar do tipolinear, pois o resultado da sua função de ativação é tal que a superfície de decisão forma um hiperplano, ou seja, para um dos lados está uma classe, para o outro, a outra. A diferença entre o Perceptron e o Adaline é que, enquanto o Perceptron é uma unidade linear com threshold, ou seja, a atualização dos pesos é baseada no erro da saída da rede após a aplicação do limiar (threshold output), e oseu algoritmo de aprendizagem converge dentro de um número finito de passos para um vetor de passos que classifica corretamente todo o conjunto de treinamento, sendo ele linearmente separável, o Adaline é uma unidade linear sem threshold, ou seja, a atualização dos pesos é baseada no erro da saída da rede sem a aplicação do limiar (unthreshold output), e o seu algoritmo de aprendizagem convergeapenas assintoticamente para um vetor de pesos com um erro mínimo, possivelmente requerendo um número ilimitado de passos, independentemente do conjunto de treinamento ser linearmente separável.

3. O que é Perceptron?
Resposta: O Perceptron é a forma mais simples de uma RNA usada para classificação de padrões linearmente separáveis, ou seja, padrões que estão em lados opostos de um hiperplano.Consiste basicamente de um único neurônio com pesos sinápticos ajustáveis e uma polarização (bias).

4. O que foi proposto no modelo McCulloch e Pitts?
Resposta: A estrutura do neurônio artificial proposto por McCulloch e Pitts é baseada no neurônio biológico. De maneira extremamente simplificada, um neurônio biológico é formado por um corpo celular ou soma que contém o núcleo da célula, diversosdendrites, através dos quais impulsos elétricos são recebidos, e um axônio, através do qual impulsos elétricos são enviados. A propagação de um impulso elétrico ao longo de um dendrite ou de um axônio se dá através da alteração da concentração dos íons K- e Na+ em ambos os lados da membrana. As interligações entre neurônios são efetuadas através de sinapses, pontos de contato entre dendrites eaxônios controlados por impulsos elétricos e por reações químicas devidas a substâncias chamadas neurotransmissores.
A maior limitação do modelo de neurônio de McCulloch e Pitts é sua natureza binária. Esta limitação, consequência da crença por parte de McCulloch de que o funcionamento do sistema nervoso central era baseado em uma representação do tipo “tudo ou nada”, também pode ser incluída comouma das razões para o pouco sucesso obtido inicialmente pelas redes neuronais. O funcionamento do modelo pode ser descrito intuitivamente da seguinte maneira: se a soma ponderada dos sinais de entrada de um neurônio ultrapassar um determinado limite de disparo, então a saída toma valor um; se não ultrapassar, toma valor zero. As entradas do neurônio também são binárias.
Consequências Positivas: 1.Combinação dos neurônios implementa qualquer função lógica. 2. Rede Neural como Computador Digital.
Consequências Negativas: 1. Não explica como são formadas as topologias das Redes Neurais nem como acontece o aprendizado. 2. Rede Neural só funciona corretamente se todos os elementos funcionarem corretamente.
O aprendizado de Hebb (1949), uma forma de aprendizado para o modelo de McCulloch...
tracking img