40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembro de 1999
|
|
- Herman Andrade Canejo
- 7 Há anos
- Visualizações:
Transcrição
1 RECONHECIMENTO DE FIGURAS GEOMÉTRICAS UTILIZANDO-SE REDES NEURAIS ARTIFICIAIS INVARIANTES À ROTAÇÃO DE 10 E A TRANSLAÇÃO Aderlon Mareelino Queiroz * e Edna Lúcia Flôres ** * Departamento de Ciência da Computação - UNIT Uberlândia - MG Te!.: (034) , FAX: (034) , amqueiroz@ufu.br/aqueiroz@facintr.com.br ** Departamento de Engenharia Elétrica - UFU Uberlândia - MG Te!.: (034) , FAX: (034) , edna@ufu.br Resumo Este artigo trata do reconhecimento de figuras geométricas através da utilização de Redes Neurais Artificiais (RNAs). Para chegar a um resultado satisfatório, antes das figuras geométricas serem treinadas e reconhecidas pela RNA, elas são submetidas a uma rede invariante à translação e rotação 'de 10, constituída de um neurônio ADALINE. O artigo consta de cinco itens principais, onde no primeiro é feito uma revisão geral dos trabalhos existentes com RNAs e tratamos das técnicas de reconhecimentos de padrões; no segundo,-expomos a técnicas utilizadas para tornar o neurônio ADALINE invariante à rotação de 10" e translação; no terceiro item, tratamos brevemente dos algoritmos utilizados para o treinamento e reconhecimento da RNA. No quarto item descrevemos os resultados obtidos. E finalmente no quinto item são feitas conclusões a respeito dos resultados obtidos. Palavras-chaves: Redes Neurais Artificiais, Neurônio ADALINE, Figuras Geométricas, Rede Invariante à Rotação de 10 e Translação 1 INTRODUÇÃO Vários centros de pesquisas e Universidades estão tentando desenvolver técnicas de reconhecimento que tenham um nível de desempenho praticamente. igual ao do ser humano. O principal motivo do desenvolvimento de sistemas de reconhecimento são as aplicações científicas e econômicas, que tais sistemas apresentam. Entre estes sistemas pode-se citar, os sistemas de: reconhecimento de código de endereçamento postal, leitura automática de cheques bancários, tarifação telefônica, leitura automática para cegos, reconhecimento de figuras geométricas, etc. A obtenção de um software que consiga fazer o papel do homem pode representar uma grande economia de tempo e um bom ganho para as empresas. Os métodos de reconhecimento de padrões convencionais requerem que os dados de entrada apresentem posição, orientação e tamanho similares a um determinado padrão. Na prática, porém, os dados de entrada podem apresentar diferença de tamanho, posição ou rotação em relação a um padrão prédeterminado. Além disso, os dados de entrada podem ser corrompidos por ruídos. Os métodos convencionais de reconhecimento, o casamento de padrões, por exemplo, não trabalham bem sob essas condições. A mudança de escala ocorre quando as dimensões do padrão utilizado no treinamento são diferentes das.dimensões do padrão utilizado no reconhecimento. A translação ocorre quando o padrão utilizado no treinamento encontra-se localizado em uma posição distinta à posição do padrão utilizado no reconhecimento. A rotação ocorre quando os padrões utilizados no treinamento e no reconhecimento apresentam inclinações diferentes. Com o objetivo de minimizar essas diferenças, a RNA deve ser insensível à mudança de escala, translação e rotação. Outra abordagem para o reconhecimento de padrões invariantes é o uso do critério de similaridade definido em termo de certas funções de transformações matemáticas, por exemplo, a transformada de Fourier, a transformada de Hough e a transformada de Wavelets. WIDROW e autores. [6] desenvolveram um sistema para o reconhecimento de padrões utilizando uma rede invariante e uma RNA classificadora treinada. A rede invariante é treinada ou projetada para produzir um conjunto de saídas que é insensível à translação e à rotação de.90 do padrão de entrada. Os resultados obtidos são aplicados a RNA classificadora para.0 treinamento ou o reconhecimento. FUKUMI e autores [2] utilizaram o ' mesmo princípio desenvolvido por Widrow para tornar a rede invariante somente à rotação. 586
2 Um dos algoritmos mais importantes na área de representação esquemática da translação cima-baixo dos pesos reconhecimento de padrões é o "Neocognitron", desenvolvido sinápticos de um único neurônio ADALINE idealizado por por FUKUSHIMA e autores [3,4]. Esse sistema de Widrow. reconhecimento possui múltiplas camadas de neurônios que são agrupadas em células de neurônios. O sistema é autoorganizãvel por aprendizado não supervisionado e adquire a habilidade parareconhecer padrões estímulos de acordo com as diferentes formas do contorno dos mesmos. O "Neocognitron" reconhece corretamente os padrões sem ser afetado pelos deslocamentos e pela deformação. FLÔRES [1] desenvolveu uma técnica para o reconhecimento de dígitos isolados invariantes à mudança de escala, translação o e rotação utilizando-se RNAs. 2 REDE INVARIANTE À ROTAÇÃO DE 10 E A TRANSLAÇÃO 2.1 Translação A rede invariante à translação é composta de dois mecanismos, a translação cima-baixo eatranslação esquerda-direita Translação Cima-Baixo O princípio da translação cima-baixo do padrão de treinamento consiste em realizar um movimento para procuraro a melhor situação para o reconhecimento. O movimento de busca é realizado no conjunto de pesos sinápticos de um neurônio ADALINE. A translação cima-baixo consiste em promover no conjunto de pesos sinápticos, um movimento de rotação com rolagem no sentido das linhas, tendo em vista que o conjunto de pesos sinápticos pode ser representado por uma matriz de números reais. A rotação com rolagem no sentido das linhas consiste em fazer com que os elementos de uma determinada linha sejam transladados para a linha inferior, com exceção dos elementos da última linha que serão transladados para a primeira linha da matriz. Optou-se por utilizar a rotação por rolagem no sentido das linhas iniciando em cima e indo para baixo, pode-se realizar a rotação no sentido contrário a este, contudo, os resultados da rotação serão diferentes. A figura 1 ilustra a rotação com rolagem no sentido das linhas realizado em uma matriz de dimensão 3 x Após a rotação com rolagem no sentido das linhas Figura 2- Representação esquemática da translação cimabaixo Na figura 2, o rótulo AD representa o neurônio ADALINE, o rótulo MAl representa a função MAl, e o rótulo TCB(x) (Translação Cima-Baixo) significa a rotação com rolagem no sentido das linhas promovida no conjunto de pesos sinápticos do neurônio ADALINE, e x representa a quantidade de linhas que foram rotacionadas nessa matriz. A função MAl (MAJority vote-taker, Maioria dos Votos Dados) realiza a soma dos resultados obtidos pelos vários elementos AD que tem o seu conjunto de pesos rotacionados por rolagem no sentido das linhas e que é calculado o valor da função de ativação, os valores obtidos em cada elemento AD são somados e a função MAl resulta em +1 ou -I conforme a maioria dos resultados for positivo ou negativo Translação Esquerda-Direita O princípio da translação esquerda-direita do padrão de treinamento consiste em realizar um movimento para buscar a melhor situação para o reconhecimento. O movimento de busca é realizado no conjunto de pesos sinápticos de um neurônio ADALINE. A translação esquerda-direita consiste em promover no conjunto de pesos sinápticos, um movimento de rotação com rolagem no sentido das colunas, tendo em vista que o conjunto de pesos sin ãpticos pode ser representado por uma matriz de números reais. A rotação com rolagem no sentido das colunas consiste em fazer com que os elementos de uma determinada coluna sejam transladados para a coluna a direita, com exceção dos elementos da última coluna que serão transladados para a primeira coluna da matriz. Optou-se por utilizar a rotação por rolagem no sentido das colunas iniciando na esquerda e indo para a direita, pode-se realizar a rotação no sentido contrário a este, contudo, os resultados da rotação serão diferentes. A figura 3 ilustra a rotação com rolagem no sentido das colunas realizada em uma matriz 3 x 3. Figura 1-Representação matricial da rotação com rolagem no sentido das linhas WIDROW [6] desenvolveu a operação rotação matriz de pesos sinápticos de um neurônio ADALINE para a obtenção de uma rede invariante à translação cima-baixo. A figura 2 ilustra a 587
3 40. SBAI - Simpósio Brasileiro de Automação Inteligente. São Paulo. SP de Setembro de 1999 sentido da linhas. A figura 6 ilustra a rede composta por um neurônio ADALINE invariante à translação. Figura 3- Representação matricial da rotação com rojagem no sentido das colunas WIDROW [6] desenvolveu um esquema de rotação da matriz de pesos sinápticos de um neurônio ADALINE para obtenção de uma rede invariante à translação esquerda-direita. A figura 4 ilustra a representação esquemática da translação esquerda - direita dos pesos sinápticos. -r Figura 6- Representação esquemática da translação completa. Os rótulos mostrados na figura 6 são os mesmos mostrados nas figuras 2 e 4. O rótulo TED(y)TCB(x) significa que foi feito primeiro a translação cima-baixo e depois a translação esquerda-direita, y é a quantidade de colunas transladadas exé a quantidade de linhas transladadas. 2.2 Rotação Figura 4- Representação esquemática da translação esquerda-direita Os rótulos indicados na figura 4 são os mesmos da figura 3, com exceção para TED(x) (Translação Esquerda-Direita), que significa a rotação com rolagem no sentido das colunas do conjunto de pesos sinápticos do neurônio ADALINE, e x representa a quantidade de colunas que foram rotacionados Translação Completa A rede invariante à translação é a união da rotação por rolagem no sentido das linhas e da rotação por rolagem no sentido das colunas. A rede invariante à translação realiza primeiro o mecanismo de translação cima-baixo e em seguida realiza o mecanismo de translação esquerda-direita. A figura 5 ilustra uma matriz em que foi realizada uma rotação por rolagem no sentido das linhas e em seguida uma rotação por rolagem no sentido das colunas feita em uma matriz 3 x Antes da rotação com rolagem no sentido das linhas e no sentido das colunas Após a rotação com rolagem no sentido das linhas e no sentido das colunas.. Figura 5- Representação matricial da translação completa Rotação de 90 O princípio da rotação de 90 do padrão de treinamento consiste em realizar um movimento de busca da melhor situação para o reconhecimento. O movimento de busca é realizado no conjunto de pesos sinápticos de uma neurônio ADALINE. Devido ao fato de que a matriz do padrão a ser treinado ser quadrada, só é possível tornar a RNA invariante a rotação de ângulos múltiplos de 90. A rotação de 90 consiste em promover no conjunto pesos sinápticos um movimento de transposição dos elementos, tendo em vista 'que o conjunto de pesos sinápticos pode ser representado por uma matriz de números reais. A transposição dos elementos da matriz consiste em fazer com que os elementos que ocupam uma linha sejam transportadas para uma coluna, ou seja, os elementos da primeira linha ocupam a última coluna, os elementos da segunda coluna vão para a penúltima coluna, e assim é feito até que os elementos da última linha ocupem a primeira coluna ; Optou-se por utilizar na transposição dos elementos da matriz no sentido de rotação horário, pode-se realizar a transposição no sentido contrário a este, contudo, os resultados da transposição serão diferentes. A figura 7 ilustra um exemplo das transposições feitas em uma matriz 3 x 3. ' WIDROW [6] desenvolveu um esquema para realizar as rotações com rolagem em ambas as direções. A rede invariante é composta de vários elementos chamados lajes (que são iguais aos mostrados nas figuras 2 e 4), colocadas lado a lado, onde a diferenças de uma laje para outra é que a matriz de peso sináptico sofre uma rotação com rolagem no sentido das colunas, e dentro de cada laje uma rotação com rolagem no no Figura 7- Representação matricial da transposição no sentido horário ' no 588
4 40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembro de 1999 WIDROW [6] desenvolveu uma operação de transposição na Na figura 9 tem-se uma matriz circular onde a raia é o conjunto matriz de pesos sinápticos de um neurônio ADALINE de elementos que estão na mesma direção e segmento é o seguindo o mesmo procedimento mostrado nas subseções conjunto de elementos que estão a mesma distância do centro anteriores, com o objetivo de obter uma rede invariante à da matriz. rotação de 90. A figura 8 ilustra o esquema da laje que torna a RNA invariante à rotação de 90. FUKUMI [2] utilizou uma matriz circular no lugar de uma matriz' comum ou quadrada para melhorar o mecanismo da rede invariante à rotação de Widrow. Para criar uma rede R(O)@- invariante a rotação utilizando as matrizes circulares, é necessário primeiro transformar a matriz comum em circular, para então fazer a transposição e finalmente transformar a matriz circular em matriz comum. Então, foram criados dois procedimentos para utilizar os princípios de Fukumi, o primeiro toma a matriz quadrada em circular e é chamado de circularização e o segundo realiza o processo inverso que é chamado de quadratização.. Figura 8- Representação esquemática da rotação de 90. Os rótulos mostrados na figura 8 são os mesmos mostrados nas figuras anteriores, com exceção para o rótulo R(z), que representa a transposição dos elementos da matriz de pesos sinápticos do neurônio ADALINE, e z é o ângulo de transposição. A circularização toma uma matriz quadrada em circular, onde a transformação significa transferir os elementos da matriz comum para a matriz circular. A quadratização torna uma matriz circular em quadrada, onde a transformação transfere os elementos da matriz circular para a matriz comum. A figura 10 ilustra um exemplo de circularização de uma matriz comum. 2:2.2 Rotação de 10 Na seção 2.2.1, foi explicada a teoria de redes invariantes à rotação de 90, contudo, pode-se verificar a limitação que tal rede invariante apresenta, pois o intervalo de rotação da matriz de pesos sinápticos é muito grande. O que limita em muito a ação desta rede invariante. Para resolver este problema, foi utilizado o princípio exposto por FUKUMl [2], onde substituise a rede invariante à rotação de 90 por uma rede invariante à rotação para qualquer ângulo. O trabalho de Fukumi trata de uma rede invariante à rotação para qualquer ângulo, o que tomou muito atrativo o seu mecanismo para compensar o mecanismo de WIDROW [6], porém, para utilizar os princípios de Fukumi é necessário fazer uma adaptação do seu mecanismo. O trabalho de Widrow utiliza uma matriz quadrada, o que limita o mecanismo da rede invariante à rotação, a solução foi utilizar as matrizes circulares mostradas por Fukumi para obter uma rede invariante à rotação. A matriz circular é uma matriz diferente da matriz comum, pois a matriz comum é composta de linhas colunas, a matriz circular é composta de raias e segmentos, tendo os contornos arredondados, e isso é-ideal para construir uma rede invariante à rotação. A figura 9 mostra uma matriz circular onde estão representados o que são raias e segmentos.. Figura 10 - Transformação de uma matriz quadrada em. matriz circular O valor do ângulo de rotação é obtido pela eq. (1). Onde n é a ordem da matriz quadrada. Neste trabalho as figuras geométricas tem ordem igual a lo, utilizando a eq. (1) obtêmse os 10 da rede invariante a rotação de ' A=-- 4(N -1) FUKUMI [2] propôs um mecanismo semelhante ao desenvolvido por WIDROW [6] para a rede invariante à rotação, a diferença reside no fato de que a laje desenvolvida por Widrow só realiza 4 operações de rotação, e na de Fukurni são realizadas 36 operações Translação e rotação de 10 Utilizando os princípios desenvolvidos por Widrow e Fukurni! possível criar uma rede invariante à translação e rotação de 10. Esta rede é ilustrada na figura 11. (1) Figura 9- Indicações de raias e segmentos em uma matriz circular 589
5 w(k +1)=w(k) +!---;::::=:!==> ',1 (3) Onde no denominador da eq. (3) é colocado o módulo do vetor de entrada do padrão à ser reconhecido. As duas últimas RNAs são treinadas pelo mesmo algoritmo de correção dos pesos sinápticos, contudo, existem algumas alterações para quando a RNA possui mais de uma camada oculta. TEIXEIRA [5] apresentou uma boa seqüência lõgica para explicar sobre este algoritmo. A eq. (4) é o mecanismo de correção na camada de saída e a eq. (5) na camada oculta. Figura 11 - Representação esquemática da rede invariante à translação e rotação de 10 W q(ll+ l)=wq(ll) +1/'Ô;Z} (4) Na figura 11 pode-se observar que a rede invariante é composta de um conjuntos de lajes, onde cada laje recebe a matriz de pesos sinápticos rotacionados pelo mecanismo de Fuk.umi e realiza a translação completa conforme Widrow desenvolveu. Na figura 11 não são mostrados os processos de circularização e quadratização, deve-se subentender que para cada laje de rotação, o padrão é trarisformado em uma matriz circular', rotacionado por um ângulo, transformado em matriz quadrada, para então aplicar a translação. 3 REDES NEURAIS ARTIFICIAIS Neste trabalho foram utilizadas quatro RNAs diferentes. A primeira 'RNA não possui camada oculta e foi treinada pela regra Delta, a segunda não possui camada oculta eétreinada pela regra MADALINE li, a terceira RNA possui uma camada oculta e é treinada pela regra Back-Propagation, e a última RNA possui duas camadas ocultas e é treinada pela regra Back- Propagation. A primeira RNA utiliza a regra delta para correção dos pesos sinápticos do neurônio ADALINE mostrada na eq. (2), onde w éoconjunto de pesos sinápticos da camada de saída. 4 RESULTADOS OBTIDOS Os testes realizados nas quatro RNAs foram obtidos após as mesmas serem treinadas para todas as possibilidades de alterações (translação e rotação de 10 ). Nos testes foram realizados várias alterações de deslocamento e inclinação, nas figuras geométricas e no reconhecimento foi adicionado ruído nas figuras. O ruído utilizado possui distribuição uniforme, variando de O% a 50 %, ou seja, a figura geométrica sem ruído adicionado até a figura com 50 % de ruído adicionado. As figuras geométricas treinadas possuem a porcentagem de 5 % de ruído adicionado. No reconhecimento, a figura geométrica é transladada e rotacionada por valores aleat órios, então são utilizadas para serem reconhecidas pelas RNAs. As figuras de 12 a 15 ilustram os resultados obtidos para cada tipo de RNA quando foram treinadas 25 figuras geométricas. Em cada teste foi utilizada a mesma quantidade de figuras geométricas a serem reconhecidas., Porcentagem de ertradas roconhecidas Onde o parâmetro 11 é a constante de aprendizagem do neurônio Xl d é o vetor do padrão que está sendotreinado e 'y,d é o vetor desejado como resposta na saída da RNA o 100,00% 1 95,00% -! 90,00% J -+-Porcentagem de enlllldas reconheckias w(k+l) = W(k)+1i!ô,x:, '..I. (2) 80,00%... 75,00% 0% 10% 20% 30% 40% 5O"fo Porc:enlBgom ciorufdo A segunda RNA utiliza a regra MADALINE II para correção dos pesos sinápticos do neurônio ADALINE. A eq. (3) mostra esta regra para o treinamento das RNAs. Figura 12 - Resultado obtido para uma RNA sem camada oculta e treinada pela regra Delta com 256guras geométricas treinadas Pode-se verificar na figura 12 que os valores obtidos para a RNA sem camada oculta e treinada pela regra delta diminuíram com o aumento da porcentagem de ruído adicionado à figura geométrica. 590
6 Poroontagem de onlrndas recnrllocidas Contudo, os resultados obtidos mantiveram-se bem altos, acima 'de 70 % de acerto, o que sugerir um bom nível de acerto. 120,00% i 100,00% ' 80,00% i 80,00% f 40,00% 1$ 20,00% a. 0,00% -+-Porcentagemde en1rlldas I8COflhoddaa Figura 13 - Resultado obtido para uma RNA sem camada oculta e treinada pela regra MADALINE 11com 25 figuras geométricas treinadas A figura 13 mostra que os resultados obtidos para a RNA sem camada oculta e treinada pela regra MADALINE n decresceram com o aumento da porcentagem de ruído adicionado a figura o 120,00% 100,00% 80,00% i 60,00% f 40,00% i 20,00% 0.00% Porcentagem de erwadaarecorilecfdas O'l'. 10% 20% 30% 40% 50% ""'-oom do Ruldo Figura 14.; Resultado obtido para uma RNA com 1 camada oculta e treinada pela regra Back-Propagation com 25 figuras geométricas treinadas Os resultados obtidos na figura 14 para a RNA com 1 camada oculta, treinada pela regra Back-Propagation, a porcentagem de acerto diminui com o aumento da porcentagem de ruído adicionado à figura geométrica Poroontagom de enlrad80recome<:idae -+-Porcentagem de enlnldas reconhocidas 5 CONCLUSÃO Este trabalho mostrou os algoritmos para tornar uma RNA invariante à translação e rotação de 10. Primeiro foi Jeito um resumo dos vários métodos para solucionar o problema de invariância, em seguida foi exposto os mecanismos invariantes à translação e posteriormente à rotação. Foram explicados alguns métodos para a correção dos pesos sinápticos e por último, foram ' mostrados os resultados obtidos após o treinamento: Os resultados obtidos mostraram que os métodos utilizados para tornar as RNAs invariantes à translação e rotação de 10 apresentam ótimos resultados para as quatro RNAs implementadas neste trabalho. Ocorreram resultados superiores a 70 % de acerto, mesmo com ruído e as alterações de posição e inclinação. Os melhores resultados obtidos foi para a RNA com 1 camada oculta e treinada pela regra Back-Propagation. 6 REFERÊNCIAS BIBLIOGRÁFICAS [1] Flôres, E. L. (1997). Reconhecimento de Caracteres Numéricos Manuscritos que Considera as. Características Intrínsecas e Comuns de Cach\ Dígito. Campinas: Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e Computação, Departamento de Comunicações. 2v; 771p.. [2] Fukurni, M., et al. (1992). Rotation-Invariant Neural Pattern. Recognition System with Application to Coin Recognition. IEEE Transaction on Neural Networks, VoI. 3, No. 2, pp [3] Fukushima, K e Miyake, S. (1982). NEOCOGNITRON: A New Algorithm for Pattem Recognition Tolerant of Deformations and Shifts in Position. Pattern Recognition, VoI. 15, No. 6, pp [4] Fukushima, K, et ai. (1983). NEOCOGNITRON: A Neural Networks Model for a Mechanism of Visual Pattern Recognition. IEEE Transaction os Systems, Mf11I, and Cybemetics, VoI. SMC-13, No. 5, pp. Figura 15 - Resultado obtido para uma RNA com 2 camadas ocultas e treinada pela regra Back-Propagation com 25 figuras geométricas treinadas Pode-se verificar' na figura 15 que a porcentagem de acerto diminui com o aumento da porcentagem de ruído, ocorreu o mesmo comportamento para a RNA com 2 camadas ocultas e treinada pela regra Back-Propagation. [5] Teixeira, E. P.(1991). Controle de Sistemas Não Lineares Através de Redes Neurais. Campinas: Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica, Departamento de Engenharia de Computação e Automação Industrial. 191p. [6] Widrow, B., et al.(1988). Layered Neural Nets for Partem Recognition. IEEE Transaction on Acoustics, Speech, and Signal Processing, VoI. 36, No. 7, pp Ao analisar as figuras 12, 13, 14 e 15 pode-se verificar que os melhores resultados 'obtidos foram para a RNA com 1 camada oculta, e os piores para a RNA com duas camadas ocultas. 591
Redes Neurais Artificiais Invariantes à Rotação de 10 o e a Translação Utilizada no Reconhecimento de Figuras Geométricas
Proceedings of the VI Brazilian Conference on Neural Networks - VI Congresso Brasileiro de Redes Neurais pp. 295 300, June 2 5, 2003 Centro Universitário da FEI, São Paulo - SP - Brazil Redes Neurais Artificiais
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisRedes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO
Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisTransformações de Pontos. Computação Gráfica Prof. Dr. Paulo Roberto Gomes Luzzardi Aluna: Karina da Silva Salles
Transformações de Pontos Computação Gráfica Prof. Dr. Paulo Roberto Gomes Luzzardi Aluna: Karina da Silva Salles Sumário Motivação Definição Translação Escala Rotação Reflexão Shearing Referências Motivação
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisREDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS
REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia mais3 REDES CLÁSSICAS PERCEPTRON E ADALINE
w b Professor José Gomes de Carvalho Jr. 3 REDES CLÁSSICAS PERCEPTRON E ADALINE 3.-Redes com funções de ativação de limiar Uma rede simples de uma camada, consiste em um ou mais neurônios de saída j conectados
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisRedes Neurais Feedforward e Backpropagation. André Siqueira Ruela
Redes Neurais Feedforward e Backpropagation André Siqueira Ruela Sumário Introdução a redes feedforward Algoritmo feedforward Algoritmo backpropagation Feedforward Em uma rede feedforward, cada camada
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisTransformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisResultados 6.1. Teste de Deformação
6 Resultados 6.1 Teste de Deformação O teste foi realizado com a montagem mostrada na Figura 41. No centro da circunferência branca (moldura de nylon) encontra-se a região ativa com duas linhas pretas
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia mais3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Motivado pela importância do estabelecimento de um sistema de apoio à decisão que auxiliasse o operador de tempo real durante
Leia maisRedes Neurais. Prof. Aurora Pozo. Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco
Redes Neurais Prof. Aurora Pozo Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisVISÃO COMPUTACIONAL PARA A LEITURA DO DISPOSITIVO MOSTRADOR DE INSTRUMENTOS DE MEDIÇÃO
VISÃO COMPUTACIONAL PARA A LEITURA DO DISPOSITIVO MOSTRADOR DE INSTRUMENTOS DE MEDIÇÃO Danilo Alves de Lima 1, Guilherme Augusto Silva Pereira 2, Flávio Henrique de Vasconcelos 3 Departamento de Engenharia
Leia maisUtilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado AMBIENTE E SETUP DE MEDIÇÃO
Utilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado JULIANA MONTEIRO, MÁRCIO RODRIGUES, GLEYCE CALDEIRA E JOSIANE RODRIGUES. Instituto de Estudos Superiores
Leia maisModelagem Cinemática de Robôs Industriais. Prof. Assoc. Mário Luiz Tronco
Modelagem Cinemática de Robôs Industriais Prof. Assoc. Mário Luiz Tronco Transformação direta de coordenadas 1 2... N Variáveis de junta Variáveis cartesianas Transformação inversa de coordenadas Transformação
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.6. Deep Learning 2.6.1. O Problema da Extração de Características
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisRedes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia mais8.1 Principais Resultados
8 Conclusões Nesta dissertação, descrevemos um sistema multi-agente para negociação em leilões simultâneos de bens relacionados. Quando falamos de agentes de negociação nos referimos ao software que negocia
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisClassificação de Problemas de Qualidade de Energia Utilizando a Transformada Wavelet Discreta
Classificação de Problemas de Qualidade de Energia Utilizando a Transformada Wavelet Discreta L. F. R. B. Toledo, UTFPR, A.E. Lazzaretti, UTFPR, L. V. A. Campanelli, UTFPR, J. E. Rocha, UTFPR Resumo Este
Leia maisPROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS
PROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO 1. Você recebeu do fiscal o seguinte material: (a) Este caderno, com o enunciado das 20 (vinte) questões
Leia maisRECONHECIMENTO DE IMAGENS BIDIMENSIONAIS UTILIZANDO REDES NEURAIS ARTIFICIAIS
RECONHECIMENTO DE IMAGENS BIDIMENSIONAIS UTILIZANDO REDES NEURAIS ARTIFICIAIS Guy Perelmuter, Enrique Vinicio Carrera E., Marley Vellasco e Marco Aurélio Pacheco ICA: Núcleo de Pesquisa em Inteligência
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia mais1ª PROVA ICIN 1º/2015
ENE/FT/UnB Deartamento de Engenharia Elétrica Faculdade de Tecnologia Universidade de Brasília Prof. Adolfo Bauchsiess Laboratório de Automação e Robótica 63848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO
Leia maisVisualização por Computador: Teoria, Prática e Aplicações
Visualização por Computador: Teoria, Prática e Aplicações Noções de Geometria e Álgebra Linear Claudio Esperança Programa de Engenharia de Sistemas e Computação COPPE / UFRJ Master of Information Management,
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia mais3 Modelos Flex ıveis 3.1 Active Contour Model
3 Modelos Flexíveis Em Visão Computacional, uma das principais premissas é processar uma imagem com a finalidade de compreendê-la e retirar dela informações úteis. É utilizada em diversas aplicações atualmente,
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia mais