Aula 23 Perceptrons, Lei de Hebb e o aprendizado de Rosenblatt Prof. Dr. Alexandre da Silva Simões
|
|
- Thomaz Madeira Figueira
- 7 Há anos
- Visualizações:
Transcrição
1 Aula 3 Perceptrons, Le e Hebb e o aprenzao e Rosenblatt Prof. Dr. Alexanre a Slva Smões Organzação Introução Perceptron Dscrmnaor lnear Poer e representação Arqutetura o perceptron Trenamento Por que trenar uma RNA? Le e Hebb Le e aprenzao e Rosenblatt Lmtações o moelo Alexanre a Slva Smões Introução Dscrmnaor lnear Frank Rosenblatt (98 969) Fnal a écaa e 5: Frank Rosenblatt (Unversae e Cornel) eu prossegumento às éas e McCulloch Desenvolveu o perceptron : ree e múltplos neurônos o tpo scrmnaor lnear Rees passam a ter topologa, com camaa e entraa, camaa e saía e camaas ocultas (emas camaas) x [,] {,} ou ou x [,] {, } x é a exctação e entraa na snapse ; k é a resposta (ou saía) o neurôno k; w k é o peso snáptco a entraa o neurôno k; g(.) é a função e atvação o neurôno (egrau) Alexanre a Slva Smões 3 Alexanre a Slva Smões 4
2 Exercíco Sejam os neurônos abaxo com entraas x e e saías e. Determne as saías para os valores ncaos, supono w =,66; w =,83; w =7; w =. Consere que ambos os neurônos têm lmar e sparo ϕ=. Exercíco Sejam os neurônos abaxo com entraas x e e saías e. Determne as saías para os valores ncaos, supono w =,66; w =,83; w =7; w =. Consere que ambos os neurônos têm lmar e sparo ϕ=. x w x,5 x w x,5 w w,3, w w,3, w,7,6,3,9 w,7,6,3,9 Alexanre a Slva Smões 5 Alexanre a Slva Smões 6 Poer e representação Arqutetura o perceptron O scrmnaor lnear consegue representar qualquer função lnearmente separável camaa e entraa camaa(s) oculta(s) camaa e saía,8,66. x +,833. x =,,,6 x 7. x +. x = x entraa x x n m saía Alexanre a Slva Smões 7 Alexanre a Slva Smões 8
3 Como confgurar a ree? Para poucos neurônos, é relatvamente trval escolher constantes para mplementar um mapeamento esejao Esta mesma tarefa em uma ree com mutas constantes bera o mpossível sem um métoo Sstemas bológcos possuem a propreae e aprener uma função. Poerase, portanto, magnar uma manera e ensnar a uma RNA até que esta aprenesse tal função Conjunto e trenamento Seja: Ψ um conjunto com L exemplos e trenamento Caa exemplo l consste em um par o tpo (X l, Y l ) X l ={x l,x l,...,x l n } são as entraas que evem gerar as saías Y l ={ l, l,..., l m } x l n [,], ou x l n [,] l n {,}, one: nca que o exemplo pertence à classe Φ nca que o exemplo pertence à classe Φ Logo: Ψ = {( )} L l Yl l X, = Alexanre a Slva Smões 9 Alexanre a Slva Smões Le e Hebb Moelo matemátco a le e Hebb Donal Olng Hebb (94985) 949: Hebb (bólogo que estuava o comportamento e anmas) propôs um moelo para o qual o aprenzao poera ser reuzo a um processo puramente local Postulao e Hebb: Quano um axôno e uma célula A está próxmo o sufcente para exctar uma célula B e repetamente ou persstentemente partcpa e seu sparo, algum processo e crescmento ou muança metabólca ocorre em uma ou nas uas células tal que a efcênca e A como uma as células que spara B é aumentaa. O prncípo e Hebb com as evas aaptações para o scrmnaor lnear poe ser expresso matematcamente na forma: w novo = w velho ( l ) x l w = η.. one: w é o ésmo peso snáptco e um neurôno w novo é o valor o ésmo peso snáptco no tempo t w velho é o valor o ésmo peso snáptco no tempo t η é a taxa e aprenzao, que reflete a taxa com que os ganhos são alteraos em conseqüênca os erros l + w Alexanre a Slva Smões Alexanre a Slva Smões 3
4 Le o aprenzao e Rosenblatt Exercíco Rosenblatt empregou o prncípo o aprenzao e Hebb para alterar os pesos snáptcos e um scrmnaor lnear Iéa básca:. Incalzar os pesos w e os lmares ϕ com valores ranômcos pequenos. Até que as saías l a ree concam com as saías especfcaas l para too o conjunto e trenamento, fazer:. Apresentar a entraa x l e a saía l esejaas. Calcular a saía atual l o neurôno 3. Utlzar a Le e Hebb para alterar os valores e pesos snáptcos Aplque o prncípo o aprenzao e Hebb para ensnar ao neurôno abaxo ncalmente com w =w =,7 e ϕ= a função AND. Utlze a taxa e aprenzao η=,. x w w x Alexanre a Slva Smões 3 Alexanre a Slva Smões 4 Atualzação os pesos Separação as classes Iteração x w w w.7 w.7,.7.7 Classe Φ 3, ,, ,7. x +,7. x =,7. x +,7. x =,85,97x +,97. x =,7. x +,97. x = ,7. x +,7. x = ,,85 Classe Φ x Alexanre a Slva Smões 5 Alexanre a Slva Smões 6 4
5 Exercíco Atualzação os pesos Repetr o problema anteror utlzano η=,7. Iteração 3 x w,7 w,7 w w ,7,7.7.7 x w w x ,7,7,7,7,7, ,7,7.7.7 Alexanre a Slva Smões 7 Alexanre a Slva Smões 8 Separação as classes Taxa e aprenzao,85,,85 x Conserações: Taxas pequenas fazem com que o neurôno precse e mutas terações e trenamento para convergr, mas sempre atngem o resultao Taxas granes poem fazer o neurôno convergr mas epressa, mas também poem nvablzar a convergênca Escolher a taxa e aprenzao é um problema a aboragem neural. η eve ser sempre uma constante pequena! Alexanre a Slva Smões 9 Alexanre a Slva Smões 5
6 Conclusões Prncpas contrbuções o moelo e Rosenblatt: Estene o moelo e McCulluch a estímulos que poem assumr valores contínuos, em oposção aos valores apenas bnáros Formalza uma le e trenamento para o perceptron, que começava a ser conserao como seno a base e uma possível ntelgênca artfcal Os anos e slênco Rosemblat não conseguu estener para rees a le e trenamento o perceptron 969: Marvn Mnsk e Semour Pappert publcam o texto perceptrons enfatzano as lmtações o moelo e ressaltam a mpossblae e se mplementar funções como o ou exclusvo (rees e perceptrons não eram possblaes reas na argumentação e Mnsk e Pappert) A écaa e 7 representa um períoo obscuro nas pesqusas com RNAs, que só fo encerrao na écaa e 8 Alexanre a Slva Smões Alexanre a Slva Smões Atvaes extraclasse Letura e exercícos: KOVÁCS, Z. L. Rees neuras artfcas. ª eção. São Paulo: Collegum cognto, 996. Capítulo 3. Bblografa KOVÁCS, Z. L. Rees neuras artfcas. ª eção. São Paulo: Collegum cognto, 996. HAYKIN, S. Rees Neuras: prncípos e prátca. ª eção. Tra: Paulo Martns Engel. São Paulo: Bookman companha etora,. RIBEIRO, C. H. C. Rees neuras artfcas. Notas e aula. Insttuto Tecnológco e Aeronáutca, São José os Campos, 5. NASCIMENTO JUNIOR, C. ; YONEYAMA, T. Intelgênca Artfcal em Controle e Automação. a Eção. São Paulo: Egar Blucher,. Alexanre a Slva Smões 3 Alexanre a Slva Smões 4 6
Primeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisAprendizagem de Máquina
Plano e Aula Aprenzagem e Máquna Rees Neuras Artfcas (RNAs) Alessanro L. Koerch Mestrao em Informátca Aplcaa Pontfíca Unversae Católca o Paraná (PUCPR) Introução Motvação Bológca Perceptron Superfíce e
Leia maisClassificação das Equações de Conservação
Angela Neckele PUC-Ro Classcação as Equações e Conservação Equação erencal parcal lnear e seguna orem, com uas varáves nepenentes (x, y) ou (x, t) B AC 0 elíptca Classcação: B AC 0 parabólca B AC 0 perbólc
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisFiltro Digital Neural
Fltro Dgtal Neural Gulherme a Slvera Insttuto Tecnológco e Aeronáutca Bolssta PIBIC-CNPq E-mal: gulherme_aslvera@yahoo.com.br Rubens e Melo Marnho Jr Departamento e Físca Insttuto Tecnológco e Aeronáutca
Leia maisCap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS DE FRUTAS E HORTALIÇAS
Celso Correa e SOUZA / José Francsco REIS NETO / Leanro Olvera ARAUJO Heer Sato NUNES / Laís Rorgues ISSN CONCEIÇÃO 1516-6503 eissn 2316-3402 UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N? N S Intelgênca Artfcal Usar o homem
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
Leia maisSistemas de Apoio à Decisão Redes neuronais (MLP) V 1.2, V.Lobo, EN/ISEGI, 2010
Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conunto
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
Leia maisAprendizado Supervisionado. Aprender uma função. Mo8vação Biológica. Obje8vos 1/12/12
// PCS 8 / PCS 9 lntelgênca r8cal Pro. Dra. nna Helena Real Costa Materal com contrbuções e: Pro. Carlos H. C. Rbero, I Dvsão e Cênca a Computação Pro. Renalo. C. Banch, EI Depto. Engenhara Elétrca Proa.
Leia maisCapítulo 4: Equações e Considerações Adicionais para Projeto
68 Capítulo 4: Equações e Conserações Aconas para Projeto Bem feto é melhor que bem to. Benjamn Frankln (106-190) 4.1. Apresentação A partr a análse matemátca o crcuto retfcaor apresentao no Capítulo,
Leia maisRedes Neurais Artificiais
Rees Neurais Artificiais Profa. Anna Helena Reali Costa POLI PCS/EPUSP Material com contribuições e: Prof. Reinalo A. C. Bianchi, FEI Depto. Engenharia Elétrica Profa. Leliane N. Barros, IME USP Prof.
Leia maisRedes Neurais. O ADALINE e o algoritmo LMS. Prof. Paulo Martins Engel O ADALINE
Rees Neurais O ADALINE e o algoritmo LMS O ADALINE No contexto e classificação, o ADALINE [B. Wirow 1960] poe ser visto como um perceptron com algoritmo e treinamento baseao em minimização e um ínice e
Leia maisUNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 26 Macroeconoma I 1º Semestre e 217 Professores: lberto Taeu Lma e Pero arca Duarte Lsta e Exercícos
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 maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia mais3 Redes Neurais Auto-Associativas
44 3 Redes Neuras Auto-Assocatvas 3.1. Neurôno Artfcal Redes neuras artfcas são estruturas compostas por dversas undades processadoras, chamadas de neurônos artfcas, que são nterlgados através de conexões,
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisPerceptron de Múltiplas Camadas (MultiLayer Perceptron-MLP) com algoritmo de treinamento por RetroPropagação de Erros (Error BackPropagation)
Perceptron e Múltiplas Camaas (MultiLayer Perceptron-MLP) com algoritmo e treinamento por RetroPropagação e Erros (Error BackPropagation) IF67D Sistemas Inteligentes 1 UTFPR - 2015 Prof. João Alberto Fabro
Leia maisPlano de Aula Leitura obrigatória Mecânica Vetorial para Engenheiros, 5ª edição revisada, Ferdinand P. Beer, E. Russell Johnston, Jr.
UC - Goás Curso: Engenhara Cvl Dscplna: Mecânca Vetoral Corpo Docente: Gesa res lano e Aula Letura obrgatóra Mecânca Vetoral para Engenheros, 5ª eção revsaa, ernan. Beer, E. ussell Johnston, Jr. Etora
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia mais3 Métodos de Alocação de Perdas e Demandas de Potência Baseados em Leis de Circuitos
3 Métoos e Alocação e Peras e Demanas e Potênca Baseaos em Les e Crcutos 3. Introução Na lteratura são propostos versos métoos e partção e responsablaes os geraores sobre o atenmento as emanas e potênca,
Leia maisO perceptron de Rosenblatt
O perceptron de Rosenblatt Introdução à Neurocênca Computaconal (Graduação) Prof. Antôno Roque Nas décadas de 1950 e 1960, város pesqusadores estavam propondo modelos de redes neuras contendo modfcações
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Motivação (PCA) Redes Neurais para PCA. Motivação para PCA Redes Neurais para PCA
Introdução a Ssteas Intelgentes Tópcos e Redes Neuras I: Aprendzado Hebbano de Rede Auto-Organzada para Análse de Coponentes Prncpas (PCA) Aula de Hoje otvação para PCA Algorto Hebbano Eeplos Eeplo pedagógco
Leia maisEscalonamento Baseado em Prioridades Fixas
Sstemas de Tempo Real: Escalonamento Baseado em Prordades Fxas Rômulo Slva de Olvera Departamento de Automação e Sstemas - DAS UFSC romulo@das.ufsc.br http://.das.ufsc.br/~romulo 1 Escalonamento Baseado
Leia maisAluno (a): Ano: 9º V Data: / / LISTA DE FÍSICA
Ensno Funamental II Unae Parque Atheneu Professor (a): Pero Paulo S. Arras Aluno (a): Ano: 9º V Data: / / 2014. LISTA DE FÍSICA 1) (PUC RJ/2011) Um ímã permanente é colocao vertcalmente sobre uma base
Leia mais3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCIA NEGATIVA
14 3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCA NEGATVA Os métoos e extração as correntes e seüênca negatva sponíves na lteratura são agrupaos seguno suas característcas comuns e tem suas notações unformzaas.
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisData: / / LISTA DE FÍSICA. Um ímã permanente é colocado verticalmente sobre uma base magnética como mostra a figura abaixo.
Ensno Funamental II Unae São Juas Taeu Professor (a): Aluno (a): Ano: 9º Pero Paulo S. Arras Data: / / 2014. LISTA DE FÍSICA Questão 01 - (PUC RJ/2011) Um ímã permanente é colocao vertcalmente sobre uma
Leia maisRedes Neurais Artificiais
Rees Neurais Artificiais Prof. Carlos H. C. Ribeiro ITA Divisão e Ciência a Computação Parcialmente baseao em material fornecio pelo prof. Reinalo Bianchi (FEI), a quem o autor é grato. Objetivos Descrever
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA 22 a 25 Novembro de 2009 Recfe - PE GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA CA E CC - GAT DESENVOLVIMENTO
Leia maisControle Estatístico de Qualidade. Capítulo 14 (montgomery)
Controle Estatístico e Qualiae Capítulo 4 (montgomery) Amostragem e Aceitação Lote a Lote para Atributos Introução A Amostragem poe ser efinia como a técnica estatística usaa para o cálculo e estimativas
Leia maisUFRJ COPPE PEB COB /01 Nome:
UFJ OPPE PEB OB 78 7/ Nome: ) Um polo apresenta a característca e corrente e tensão a fgura abaxo. Mostre, caso ocorra, o(s) nteralo(s) e tempo one o polo fornece energa ao sstema. Utlzano os sentos e
Leia maisUNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 308 Macroeconoma II 2º Semestre e 2017 Pro. Fernano Rugtsky Lsta e Exercícos 1 [1] Consere uma
Leia mais3.3. Física Experimental IV Birrefringência Atividade Ótica. Prof. Alexandre Suaide Prof. Manfredo Tabacniks
3.3. Física Experimental IV - 2008 Birrefringência Ativiae Ótica Prof. Alexanre Suaie Prof. Manfreo Tabacniks Polarização a luz Objetivos Estuar o fenômeno e polarização a luz Aula 1 Métoos e polarização
Leia maisCusto de Capital. O enfoque principal refere-se ao capital de longo prazo, pois este dá suporte aos investimentos nos ativos permanentes da empresa.
Custo e Captal 1 Custo e Captal Seguno Gtman (2010, p. 432) o custo e Captal é a taxa e retorno que uma empresa precsa obter sobre seus nvestmentos para manter o valor a ação nalterao. Ele também poe ser
Leia maisAplicação de Funções de Base Radial em Problemas de Previsão de Cargas Elétricas via Redes Neurais Artificiais
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Aplcação de Funções de Base Radal em Problemas de Prevsão de Cargas Elétrcas va
Leia maisCLASSIFICADOR HIERÁRQUICO MULTIRRÓTULO USANDO UMA REDE NEURAL COMPETITIVA
HELYANE BRONOSKI BORGES CLASSIFICADOR HIERÁRQUICO MULTIRRÓTULO USANDO UMA REDE NEURAL COMPETITIVA Tese de Doutorado apresentado ao Programa de Pós-Graduação em Informátca da Pontfíca Unversdade Católca
Leia maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisResumo de Álgebra Linear - parte II
Aula 7 Resumo de Álge Lnear - parte II 7.1 Resumo Nesta aula contnuamos desenvolvendo concetos báscos de álge lnear, aprmorando a famlardade com a notação de Drac. Bblograa: Moysés, 8.7 (em parte), e Cohen-Tannoudj,
Leia maisREDES NEURAIS ARTIFICIAIS PARA A CLASSIFICAÇÃO DE SONS VOCÁLICOS
REDES EURIS RTIFICIIS R CLSSIFICÇÃO DE SOS VOCÁLICOS lexandre de Souza Brandão Unversdade Federal Flumnense GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, 56-2420-240 - São Domngos
Leia maisUTILIZAÇÃO DE ANAGLIFOS NA VISUALUIZAÇÃO DE GRÁFICOS TRIDIMENSIONAIS
UTILIZAÇÃO DE ANAGLIFOS NA VISUALUIZAÇÃO DE GRÁFICOS TRIDIMENSIONAIS Bruno Euaro Maeira INSTITUTO MILITAR DE ENGENHARIA Resumo O presente trabalho exibe um sistema capa e traçar anaglifos e gráficos e
Leia mais4. Sistemas Neuro-Fuzzy
4. Sstemas Neuro-Fuzzy Neste capítulo será apresentado o sstema híbrdo Neuro-Fuzzy, o qual é a combnação das técncas de fuzzy e redes neuras. Alguns modelos Neuro-Fuzzy já desenvolvdos na lteratura são
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCOTEQ-051 CONTROLE POR APRENDIZADO NEURO - FUZZY PARA INCREMENTAR A FREQUÊNCIA DE TESTES DE MÁQUINAS DE ENSAIOS DE FADIGA
COTEQ-05 CONTROLE POR APRENDIZADO NEURO - FUZZY PARA INCREMENTAR A FREQUÊNCIA DE TESTES DE MÁQUINAS DE ENSAIOS DE FADIGA Eleazar Crstan Meía Sánchez, Juan Geraro Castllo Alva 2, Marco Antono Meggolaro
Leia maisOBTENÇÃO DAS FUNÇÕES DE PERTINÊNCIA DE UM SISTEMA NEUROFUZZY MODIFICADO PELA REDE DE KOHONEN
UNIVERSIDADE DO ESTADO DE SANTA CATARINA UDESC CENTRO DE CIÊNCIAS TECNOLÓGICAS CCT DEPARTAMENTO DE ENGENHARIA ELÉTRICA DEE PROGRAMA DE PÓS-GRADUAÇÃO EM AUTOMAÇÃO INDUSTRIAL Formação: Mestrado em Automação
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Leia maisModelos Conexionistas para Aprendizagem Associativa
Modelos Conexonstas para Aprendzagem Assocatva Baseado no artgo de revsão de Vogel, Castro e Saavedra, Bran Res. Bull., 63:173-202, 2004. O prncpal paradgma expermental para o estudo dos mecansmos de aprendzagem
Leia maisCurso de Engenharia Física Tecnológica 2014/2015. sin 2 θ ϕ 2. 3x 2 1 ), P 3 = 1 2
Mecânca Quântca Sére 7 Curso e Engenhara Físca Tecnológca 2014/2015 Vers~ao e 12 e Novembro e 2014) 7.1 Mostre que, em coorenaas esfércas, se tem L ± = e ±ϕ ± θ +cotθ ) ϕ e L 2 = 2 2 θ +cotθ 2 θ + 1 )
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos divisão. divisão. combina. combina. Jorge Figueiredo, DSC/UFCG
Agena Análise e Técnicas e Algoritmos Conceitos Básicos Template Genérico Exemplos Jorge Figueireo Divisão e Conquista Motivação Pegar um problema e e entraa grane. Quebrar a entraa em peaços menores (DIVISÃO.
Leia maisSOLENÓIDE E INDUTÂNCIA
81 1 SOLENÓDE E NDUTÂNCA 1.1 - O SOLENÓDE Campos magnéticos prouzios por simples conutores, ou por uma única espira são, para efeitos práticos, bastante fracos. Uma forma e se prouzir campos magnéticos
Leia maisEcho State Networks. Universidade de São Paulo São Carlos / SP. Instituto de Ciências Matemáticas e de Computação
Unversdade de São Paulo São Carlos / SP Insttuto de Cêncas Matemátcas e de Computação Echo State Networks Sstemas Intelgentes Prof. Dra. Rosel A. Franceln Romero Fabríco Breve João R. Bertn Jr. Sumáro
Leia maisRegras de Derivação Notas de aula relativas ao mês 11/2003 Versão de 13 de Novembro de 2003
Regras e Derivação Notas e aula relativas ao mês 11/2003 Versão e 13 e Novembro e 2003 Já sabemos a efinição formal e erivaa, a partir o limite e suas interpretações como: f f a + h) f a) a) = lim, 1)
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisGrupo I. 1. Uma caixa contém bolas indistinguíveis ao tacto e de duas cores diferentes: azul e roxo.
Exames Naconas EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Le n. 74/2004, e 26 e Março Prova Escrta e Matemátca A 2. Ano e Escolarae Prova 63/2.ª Fase Duração a Prova: 0 mnutos. Tolerânca: 30 mnutos 200
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
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 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 maisSIMULAÇÃO DA OPERAÇÃO DE SISTEMAS HIDROELÉTRICOS UTILIZANDO POLÍTICAS DE OPERAÇÃO VIA REDES NEURAIS
SIMULAÇÃO DA OPERAÇÃO DE SISTEMAS HIDROELÉTRICOS UTILIZADO POLÍTICAS DE OPERAÇÃO VIA REDES EURAIS Rorgo Sacch Arano A. F. M. Carnero Aluízo F. R. Araújo Unversae e São Paulo Escola e Engenhara e São Carlos
Leia mais5 MODELO DE PREDIÇÃO UTILIZANDO REDES NEURAIS
5 MODELO DE PREDIÇÃO UTILIZADO REDES EURAIS 5.1. Introdução As redes neuras emulam certas característcas própras dos humanos, como a capacdade de memorzar e de assocar fatos. Se forem examnados com atenção
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisCaixa Postal , Ilha Solteira, SP
Mapeamento da cnemátca nversa de manpuladores robótcos usando RNAs confguradas em paralelo aplcado a um manpulador de 5 GDL controlado pela placa Intel Galleo Gen 2 Rcardo F. Nunes 1[0000-0002-4565-6658]
Leia maisIBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG
IBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG ESTUDO COMPARATIVO ENTRE REDES NEURAIS ARTIFICIAIS E ANÁLISE DE REGRESSÃO MÚLTIPLA NA AVALIAÇÃO DE BENS,
Leia maisRede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12
Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com
Leia maisMODELO DO MOTOR DE INDUÇÃO PARA PEQUENAS PERTUBAÇÕES
CAPÍUO 1 MODEO DO MOO DE INDUÇÃO PAA PEQUENA PEUBAÇÕE 1.1 INODUÇÃO No capítulo VII fo estabeleco um métoo para estuo a resposta o motor e nução submeto a perturbações no torue, baseao no fato e ue nos
Leia maisCapítulo 8. Redes de Hopfield
Capítulo 8 Redes de Hopfeld O teto apresentado neste capítulo segue bascamente Haykn em [], sendo uma tradução e nterpretação lvres e resumdas dos conteúdos lá apresentados. Uma Rede de Hopfeld consste
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisInterceptação Visual de Alvos 3D usando Redes Neurais de Aprendizado Não Supervisionado
Proceedngs of V Brazlan Conference on Neural Networks - V Congresso Braslero de Redes Neuras pp. 888-999, uly 0-, 999 - TA, São osé dos Campos - SP - Brazl nterceptação Vsual de Alvos 3D usando Redes Neuras
Leia maisALTO DESEMPENHO NA PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA COM A UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS
ALTO DESEMPENHO NA PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA COM A UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS Ê. C. Segatto segatto@sel.eesc.sc.usp.br M. C. Tavares crstna@sel.eesc.sc.usp.br D.
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia maisCapítulo. Capacitores Resoluções dos exercícios propostos. P.283 a) Dados: ε 0 8,8 10 12 F/m; A (0,30 0,50) m 2 ; d 2 10 3 m 0,30 0,50 2 10 3
apítulo a físca xercícos propostos nae apítulo apactores apactores Resoluções os exercícos propostos P.8 a) aos: ε 0 8,8 0 F/m; (0,0 0,50) m ; 0 m ε 0 8,8 0 0,0 0,50 0 6,6 0 0 F b) ao:.000 V 6,6 00.000,
Leia maisCurso de Circuitos Elétricos 2 a. Edição, L.Q. Orsini D. Consonni, Editora Edgard Blücher Ltda. Volume I Errata
Curso de Crcutos Elétrcos a Edção, Q rsn D Consonn, Edtora Edgard Blücher tda Pág5 Equação (5): dw( t) v( t) = dq( t) Pág5 no parágrafo após equação (36): Volume I Errata, caso em que não há energa ncal
Leia maisGABARITO ERP19. impedância total em pu. impedância linha em pu; impedância carga em pu; tensão no gerador em pu.
GABARITO ERP9 Questão mpedânca total em pu. mpedânca lnha em pu; mpedânca carga em pu; tensão no gerador em pu. Assm, tem-se que: ( ). Mas, ou seja: : ( ).. Logo: pu. () A mpedânca da carga em pu,, tem
Leia maisApostila de Matemática Financeira
2010.2 Apostla de Matemátca Fnancera Prof. Dav Ran Gotardelo Dsponível no Xerox e no Quosque Unversdade Federal Rural do Ro de Janero (UFRRJ) A p o s t l a d e M a t e m á t c a F n a n c e r a - U F R
Leia maisSISTEMAS E SINAIS. Equações Diferenciais e às Diferenças Diagramas de Blocos
SISTEMS E SINIS Equações Diferenciais e às Diferenças Diagramas e Blocos Introução O iagrama e blocos é uma representação o sistema mais etalhaa o que a resposta impulsional ou as equações iferenciais
Leia maisFísica C Superintensivo
ísca C Superntensvo Exercícos 01) C 1) Contato entre e Depos o equlíbro Q = Q = + e 5 e = 1e. ) Contato entre e C Depos o equlíbro Q = Q C = + e 1 e = +1e. 05) q 1 Q resultante 1 0) 4 01. Incorreta. Se
Leia maisSistemas Inteligentes e soft. computing
Sstemas Intelgentes e soft computng Paulo Salgado psal@utad.pt de Computadores de Computadores 2 Conteúdo Sstemas Intelgentes Soft computng Áreas de Aplcação Redes Neuronas Fuzzy Logc (Lógca Dfusa) Sstemas
Leia maisALGORITMOS GENÉTICOS APLICADOS À MODELAGEM ÓTIMA DE PROBLEMAS DE PLANEJAMENTO E UM ESTUDO DE CASO
Anas do 4 O Encontro de Incação Centífca e Pós-Graduação do ITA XIV ENCITA / 2008 Insttuto Tecnológco de Aeronáutca, São José dos Campos, SP, Brasl, Outubro, 20 a 23, 2008. ALGORITMOS GENÉTICOS APLICADOS
Leia maisPEF Projeto de Estruturas Marítimas ESFORÇOS NA PLATAFORMA FIXA
PEF 506 - Projeto e Estruturas Marítmas ESFORÇOS NA PLATAFORMA FIXA 1. Introução O prncpal esorço agente em uma plataorma xa é aquele avno o movmento o meo luo. evo à complexae o movmento as partículas
Leia maisRedução de Dimensões Baseada em Redes Neurais Perceptron Multicamada
Redução de Dmensões Baseada em Redes Neuras Perceptron Multcamada Soledad spezúa Llerena, Carlos Das Macel scola de ngenhara de São Carlos Unversdade de São Paulo, Brasl. sespezua@sel.eesc.usp.br, macel@sel.eesc.usp.br
Leia maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisBRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES E COM TEMPO MORTO
BRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES E COM TEMPO MORTO São Paulo 11 BRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES
Leia mais