Inteligência Artificial
|
|
- Felipe Rico Veiga
- 6 Há anos
- Visualizações:
Transcrição
1 Inteligência rtificial I conexionista Conceitos básicos de Redes Nerais rtificiais Ciência da Coptação No âbito da Ciência da Coptação, as Redes Nerais são estdadas na grande área de Inteligência rtificial (I). Historicaente, a I clássica, segi o paradiga da coptação sibólica. s redes nerais dera orige à chaada I conexionista e se encontra tabé dentro da grande área chaada de Inteligência Coptacional (IC). bordagens Não-Sibólicas Técnicas de IC, coo as Redes Nerais rtificiais (RN), são a abordage botto-p. seântica do doínio não precisa ser introdzida explicitaente no sistea. O sistea pode indzir este conheciento, através de processo de aprendizage. Por otro lado, co as técnicas atais, é ito ineficiente aprender adeqadaente e abientes coplexos. O conheciento aprendido não se torna facilente interpretável pelo sário. plicações das Redes Nerais s habilidades qe as redes nerais apresenta perite o se eprego na grande diversidade de áreas de aplicação. s RN são aplicadas e várias áreas qe envolve reconheciento de padrões e o aprendizado de fnções nãolineares. Exeplos dessas áreas são o processaento de iagens, a visão robótica, o reconheciento de voz, controle de sisteas dinâicos, categorização de textos, ineração de dados, etc. 3 4
2 Conceitos básicos de Redes Nerais Conceitos s Redes Nerais rtificiais (RN) são sisteas físicos cellares qe pode adqirir, arazenar e tilizar conheciento extraído da experiência, por eio de algoritos de aprendizage. O conheciento está na fora de estados estáveis o apeaentos incorporados na rede de processadores siples, os nerônios artificiais, interligados por elos qe posse parâetros ajstáveis, os pesos sinápticos, qe controla a intensidade das conexões. coptação por RN é realizada por a densa alha de nós processadores e conexões. O eleento processador básico é o nerônio artificial. 5 Topologia da rede grafo direcionado rotlado, deterina a conectividade da rede. Nerônio fnção eleentar (nó). Calcla valor de saída, fnção dos valores de do nó e dos pesos sinápticos correspondentes. Conexão deterina cainho para o flxo de inforação entre dois nós (elo). Pesos sináptico deterina a força de conexão entre dois nós da rede (rótlo). Fncionalidade da rede coposição das fnções eleentares deterinada pela conectividade da rede. 6 Exeplo de a rede lticaadas ais conceitos sinal de nerônio x peso sináptico conexão x w o w o w o w o w o 3 3 w s w o 3 x 3 w s 4 caada de w o 4 w o 4 Flxo do processaento (propagação) 4 i i 3 i 4 i caada oclta sinal interediário w s w s w s 3 w s 4 w s w s caada de saída sinal de saída Fncionalidade [ ] T = F(x, ) topologia da rede deterina a fncionalidade genérica adeqada para a certa classe de aplicações. fncionalidade específica (apeaento) de a RN depende dos valores dos ses pesos sinápticos. Os valores dos pesos sinápticos são ajstados ao problea específico através de procedientos iterativos de treinaento (processo de aprendizage indtiva). Para o processo de aprendizage é necessário se dispor de conjnto de exeplos do apeaento desejado (aprendizage spervisionada). lternativaente, a RN pode ser treinada para extrair o odelo de conjnto de dados de fora atônoa (aprendizage nãospervisionada). 7 8
3 Coptação realizada por a RN O apeaento qe a rede neral ipleenta pode envolver valores binários de saída, o então valores contínos. No prieiro caso, noralente o conjnto de saídas binárias da rede é interpretado coo rótlo de classe e a RN desepenha o papel de classificador. No segndo caso, a rede ata coo regressor, fornecendo estiativas de valores do apeaento aprendido (os valores de saída correspondentes a valores apresentados na ). Noralente, os valores de para a rede deve pertencer a intervalo nérico adeqado previaente definido, o qe salente exige alg tipo de pré-processaento dos valores do doínio da aplicação. Coptação realizada Ua rede conectada apenas para frente (feedforward), se realientações, ipleenta apeaentos estáticos. Exeplos de apeaentos estáticos são áqinas cobinacionais (sisteas discretos), odelos de sisteas estáticos (contínos), alé dos classificadores e regressores. Ua rede co conexões realientadoras (feedback), o recorrente, cria dependências teporais entre os sinais. Ua rede recorrente ipleenta apeaentos dinâicos, coo áqinas seqüenciais, odelos de sisteas dinâicos e regressores dinâicos. 9 Exeplo de a rede recorrente z x z b w w w 3 b w w w 3 x w 3 w 3 b 3 3 fncionalidade básica de nerônio artificial é a de a porta lógica genérica da lógica de liiar (LTU, Logic Threshold Unit). No odelo de nerônio artificial o valor de saída depende do valor () da soa ponderada entre as s do nerônio e os ses pesos (sinápticos). No odelo binário, o valor de saída corresponde ao resltado da coparação de co liiar z. operação de coparação é odelada por a fnção de ativação, ϕ(). E geral, cada nerônio artificial te a extra tilizada para ajstar o se liiar. O valor defalt do liiar de nerônio é zero. x w w odelo de nerônio artificial z > z = = w j x j j = se > z se z
4 Ipleentação de fnções booleanas por perceptrons U nerônio artificial é a porta lógica niversal qe pode ipleentar as diversas fnções booleanas eleentares, qe fora a base da lógica booleana, apenas alterando o se conjnto de pesos e liiar > z > z + + x w w x() x() x(3) x(4) sperfície de decisão do perceptron x z > z OU = se > z se z fncionalidade do perceptron eqivale a a toada de decisão segndo a sperfície de decisão linear no espaço de. Isto se deve ao fato de qe a soa ponderada na do perceptron representa a reta, no espaço bidiensional, plano no espaço 3-D, e hiperplano e espaços de alta diensionalidade. (,) (, ) (,) (, ) w x + w z = x 3 4 odelo de nerônio artificial co bias O liiar da fnção de ativação pode ser sbstitído por peso extra, qe recebe o noe de bias, antendo a esa fncionalidade do odelo. vantage é qe neste odelo, só existe pesos para sere ajstados. x w w = w j x j j = = > z se > z se z Fnção de ativação > z > z z > + w > co w = z z v = j= x w w w v w j x v = ϕ(v) se v > se v Fnção de ativação v > co v = + w Entrada extra Fontes de sinais de x = x x k odelo estático de nerônio w w k O nerônio pode ser descrito ateaticaente pelas segintes eqações Potencial de ativação Sinal de saída do nerônio Pesos sinápticos w bias Cobinador linear (CL) Jnção aditiva Potencial de ativação v x Fnção de ativação ϕ( ) Saída v = Σ w k. x k x k = F(x,,..., ) = ϕ(v ) 5 6
5 Classificação de padrões por perceptron O psicólogo Frank Rosenblatt [958] propôs o perceptron coo odelo para realizar tarefas de classificação. classificação é a tarefa de previsão, qe consiste e apear (classificar) deterinado ite, representado por vetor de características (de ), para a entre várias classes pré-definidas. Inicialente, é necessário constrir o classificador qe ipleenta a fnção de apeaento dos vetores de para os rótlos néricos de saída. No caso de problea de classificação linear, o classificador pode ser ipleentado por perceptron eleentar. Neste caso, o apeaento desejado se dá por aprendizado a partir de conjnto de treinaento, co itens previaente classificados. Para probleas de classificação não linear o odelo de rede neral ais indicado é o perceptron de últiplas caadas (LP), qe ipleenta classificador niversal. Qando o valor de saída do perceptron é contíno, a sa fncionalidade é de aproxiador niversal de fnções. lgoritos de treinaento Ua das foras ais eficientes de se ajstar os pesos de a rede neral é através do algorito do ínio qadrado édio, o least ean sqare (LS). O algorito LS é processo iterativo no qal, a cada instante discreto de tepo n, dos vetores de treinaento, representado por x, é propagado através do nerônio gerando a saída correspondente. O erro qadrado instantâneo na saída é então calclado, correspondente à diferença entre o valor desejado d e a saída obtida, representado por e = ((d ) O vetor de pesos é então ajstado de odo a diinir e w(n + ) = w + η e.x O processo é repetido para todos os vetores de treinaento. apresentação do conjnto copleto de treinaento é denoinada de época. O processo de apresentação de vetores de treinaento e ajste de pesos é repetido por várias épocas até qe o erro édio qadrado se torne sficienteente peqeno o então qe ele não se odifiqe ais. 7 8 O étodo da decida ais íngree O algorito LS se baseia na iniização de a fnção de csto E(w), proporcional ao erro qadrático instantâneo O étodo da descida ais íngree é processo iterativo qe, a partir de ponto inicial sobre a sperfície de erro, procra o ínio global, odificando os pesos a cada iteração na direção do gradiente descendente, E(w). E(w) = e E(w) representa a sperfície de erro no espaço dos pesos. Os pesos são ajstados de odo qe o erro qadrático instantâneo e diina. Isto é feito ajstando-se os pesos na direção oposta ao vetor gradiente E(w). O gradiente E(w) é vetor coposto pelas derivadas parciais da fnção de erro (qadrático) e relação a cada peso. Para deterinado valor de w, E(w) aponta na direção de áxio cresciento do erro. E(w) E(w) in w * w * E() E E(w) E w E(w) E w jstando-se os pesos na direção de E(w) nós estareos nos deslocando na direção da descida ais íngree da sperfície de erro. Co base neste étodo, o ajste de pesos é feito pela expressão w(n + ) = w η E(w) onde η é o parâetro da taxa de aprendizage, qe deterina o passo da descida. w 9
6 O perceptron de últiplas caadas (LP) solção para probleas não-linearente separáveis está baseada na rede LP (ltilaer Perceptron), o perceptron de últiplas caadas, qe apresenta a organização topológica e pelo enos 3 caadas Caada de coposta de nerônios sensoriais; distribi o vetor de para todos os nerônios da caada oclta; Caada oclta coposta de nerônios coptacionais; realiza apeaento interediário do problea, gerando vetores linearente separáveis para a caada de saída; Caada de saída coposta de nerônios coptacionais; realiza rotlação das classes o o apeaento desejado. lternativaente, o apeaento interediário do problea pode ser realizado por scessivas caadas ocltas. Pode-se provar qe qalqer problea pode ser solcionado por LP de 3 caadas, co núero sficiente de nerônios na caada oclta. x Caada de Caada oclta topologia do Perceptron de últiplas Caadas LP x = i = x x i x N i N x x i x N w o j w o ji j w o jn w o j L w s k w s kj Caada de saída w s k k w s kl k d d k d i j valor de saída do nerônio genérico (j) da caada oclta gerado por x. k valor de saída do nerônio genérico (k) da caada de saída gerado por x. d k valor de saída desejado do nerônio k correspondente a x. w o ji e ws kj pesos genéricos da caada oclta e de saída, respectivaente. i i j i L O processaento de inforação na rede LP O processaento de inforação e LPs acontece e das fases a fase de propagação, onde o sinal de é propagado através de toda a rede, caada por caada. Esta fase é responsável pela atação da rede e, portanto, ocorre on-line. a fase de adaptação, onde ocorre os ajstes dos pesos da rede. Nesta fase, o flxo de inforação se dá da caada de saída e direção à caada de. s diferenças entre os valores de saída da rede e os valores desejados casa parcelas individais de erro para cada nerônio, qe são sadas para corrigir os pesos, segndo o algorito backpropagation. Esta fase é tilizada apenas drante o treinaento da rede, qe é realizado off-line, o seja, se qe a rede ate no abiente. O algorito ackpropagation Os LP são treinados pelo algorito de retropropagação de erros, qe é baseado na regra delta de aprendizado por correção de erro [Pal Werbos 74]. O algorito ackprop pode ser visto coo a generalização do algorito LS (Least ean Sqare) desenvolvido para único nerônio. Coo existe vários nerônios na caada de saída, deve-se definir a soa instantânea dos qadrados dos erros e cada nó de saída da rede, E, qando o n- ésio vetor de treinaento x é apresentado na da rede E= Σ e k k= Co o erro qadrado instantâneo na nidade k de saída definido por e k =(d k - k ) e k é o erro na nidade de saída k, qando o vetor x é propagado pela rede e k = d k - k d k é a saída desejada, correspondente a x, e k é a saída instantânea obtida no nerônio de saída k, pela propagação de x. 3 4
7 Reso do treinaento P Gradiente do erro e relação a peso de saída. Inicializar os pesos co valores arbitrários não nlos.. presentar padrão de x e propagá-lo até a saída da rede. 3. Calclar os erros instantâneos na saída da rede, e k. 4. Calclar os gradientes locais dos nerônios da caada de saída, δ s k. 5. jstar os pesos da caada de saída pela expressão w s kj (n + ) = ws kj + η δs k.i j 6. Calclar os gradientes locais dos nerônios da caada oclta, δ o j. 7. jstar os pesos da caada oclta pela expressão w o ji (n + ) = wo ji + ηδo j.x i 8. Repetir os passos de a 7 para todos os padrões de treinaento ( época). 9. Calclar o erro édio qadrado (EQ) para o arqivo de treinaento.. Se o EQ for aior qe o valor desejado, repetir o passo 8. x = x x i x N w o w o ji w o LN j L v o v o j v o L δ s k e k f s (vs k ) i L i = i v s i j w s w s k k w s kj w s kl v s k k δ s k v s k d d k d e k 5 6 jste de vetor de pesos na caada oclta Solções do problea do jogo de tênis por P δ o j f o (vo j ) ( ws k T δ s ) w o j (n + ) = wo j + ηδo j.x x = x x i x N w o w o wj o j w o ji w o jn w o LN j L v o v o j δ o v o L j i = i i j Σ i L w s j w s kj w s j v s δ s v s k k δ s k v s δ s k d e d k e k d e 7 8
Redes Neurais. Modelos de neurônios artificiais Fundamentos da lógica de limiar. Computação por portas lógicas binárias. Prof. Paulo Martins Engel
Redes Nerais Modelos de nerônios artificiais Fndaentos da lógica de liiar Coptação por portas lógicas binárias coptação digital te sido realizada fndaentalente co base e portas lógicas ipleentadas e diersas
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Nerais e Sistemas Fzz Conceitos básicos de Redes Nerais Modelos de nerônios artificiais Comptação por Redes Nerais solção de m problema se dá por aprendizado. Um modelo de rede neral é capaz de resoler
Leia maisIMPLEMENTAÇÃO DE TÉCNICAS INTELIGENTES PARA A DETECÇÃO DE VAZAMENTOS EM DUTOS EM REGIME DE ESCOAMENTO MULTIFÁSICO CRÍTICO
IMPLEMENTAÇÃO DE TÉCNICAS INTELIGENTES PARA A DETECÇÃO DE VAZAMENTOS EM DUTOS EM REGIME DE ESCOAMENTO MULTIFÁSICO CRÍTICO Rodrigo S. Martins, André L. Maitelli, Adrião D. D. Neto e Andres O. Salazar DCA/UFRN
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sisteas Fuzz Meórias Associativas Aprendizado Associativo. Introdução Meória se refere a alterações neurais induzidas pela interação de u organiso co o seu abiente. U padrão de atividade
Leia maisRedes Neurais. Redes Neurais como Memórias Associativas. Conceitos de Memória. Prof. Paulo Martins Engel. Aprendizado Associativo
Redes Neurais Redes Neurais coo Meórias Associativas Conceitos de Meória Nu sentido biológico, eória se refere a alterações neuronais induzidas pela interação de u organiso co o seu abiente. Meória de
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Modelos de classificação por Redes Neurais Artificiais Prof. Paulo Martins Engel Motivação Classificadores baseados em representação simbólica (AD, RD,...) estão limitados a particionar
Leia mais7. DECOMPOSIÇÃO EM VALORES SINGULARES (SVD)
7. DECOMPOSIÇÃO EM VALORES SINGULARES (SVD) A decoposição e alores singlares é étodo ito útil para a análise de sisteas ltiariáeis. E teros da operação de processo o étodo SVD facilita a sa aaliação e
Leia maisINTRODUÇÃO AOS MÉTODOS NUMÉRICOS
INTRODUÇÃO AOS MÉTODOS NUMÉRICOS Eenta Noções Básicas sobre Erros Zeros Reais de Funções Reais Resolução de Sisteas Lineares Introdução à Resolução de Sisteas Não-Lineares Interpolação Ajuste de funções
Leia maisIntegração Numérica. Regra do 1/3 de Simpson (1ª regra) Regra dos 3/8 de Simpson (2ª regra)
ntegração Nérica Regra do / de Sipson (ª regra) Regra dos /8 de Sipson (ª regra) ntrodção Seja f() a fnção contína do intervalo [a,b]. Seja F() a priitiva de f(), tal qe F () f(). Então a integral definida
Leia maisRedes Neurais. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
Leia mais4 Técnicas de Filtragens Aplicadas às Visões do Ambiente de Autoria do Sistema HyperProp
4 Técnicas de Filtragens Aplicadas às Visões do Aiente de Autoria do Sistea HyperProp U prolea enfrentado pelos usuários que traalha co estruturas de dados grandes é a desorientação na usca por deterinada
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisANÁLISE DO LUGAR DAS RAÍZES
VII- &$3Ì78/ 9,, ANÁLISE DO LUGAR DAS RAÍZES 7.- INTRODUÇÃO O étodo de localização e análise do lugar das raízes é ua fora de se representar graficaente os pólos da função de transferência de u sistea
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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisModelação e Simulação Problemas - 3
Modelação e Silação - Probleas 3 Modelação e Silação Probleas - 3 P1. Considere o sistea ecânico de translação esqeatiado na figra seginte Asse-se qe a força indicada na figra é o reanescente de a força
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 maisPREVISÃO DE SÉRIES DE VAZÕES COM REDES NEURAIS DE ESTADOS DE ECO
0th Brazilian Congress on Coputational Intelligence (CBIC 0), oveber 8 to, 0, Fortaleza, Ceará Brazil PREVISÃO DE SÉRIES DE VAZÕES COM REDES EURAIS DE ESADOS DE ECO Hugo Valadares Siqueira a, Levy Boccato
Leia maisCOKRIGAGEM. Aplicação da cokrigagem
COKRIGAGEM Procediento geoestatístico segundo o qual diversas variáveis regionalizadas pode ser estiadas e conjunto, co base na correlação espacial entre si. É ua extensão ultivariada do étodo da krigage
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS. Programação Dinâmica. Prof. Sérgio Fernando Mayerle
UNIVERSIDADE FEDERAL DE SANTA CATARINA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS Prograação Dinâica . INTRODUÇÃO Na análise de uitos probleas operacionais, é conveniente considerar a idéia de u
Leia maisTÓPICOS. Diferenciação complexa. Derivadas complexas. Funções analíticas. Equações de Cauchy-Riemann. Funções harmónicas. Regra de L Hospital.
Note be a leitra destes apontaentos não dispensa de odo alg a leitra atenta da bibliograia principal da cadeira Chaa-se à atenção para a iportância do trabalho pessoal a realiar pelo alno resolendo os
Leia maisEXTRAÇÃO NEURAL DE COMPONENTES PRINCIPAIS LINEARES EM APLICAÇÕES DE ELEVADA DIMENSIONALIDADE J.B.O SOUZA FILHO, M.S. SOUZA, L.P. CALÔBA, J.M.
EXRAÇÃO EURAL DE COMPOEES PRICIPAIS LIEARES EM APLICAÇÕES DE ELEVADA DIMESIOALIDADE J.B.O SOUZA FILHO, M.S. SOUZA, L.P. CALÔBA, J.M. SEIXAS Laboratório de Processaento de Sinais (LPS) - COPPE/EP/UFRJ CP
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisAplicações didáticas de algoritmos bio-inspirados para o projeto ótimo de filtros analógicos 1
Aplicações didáticas de algoritos bio-inspirados para o projeto ótio de filtros analógicos 1 Rayann Pablo de Alencar Azevedo 2, Eliel Poggi dos Santos 3, Paulo Henrique da Fonseca Silva 4 1 Parte da pesquisa
Leia maisCap. 7 - Corrente elétrica, Campo elétrico e potencial elétrico
Cap. - Corrente elétrica, Capo elétrico e potencial elétrico.1 A Corrente Elétrica S.J.Troise Disseos anteriorente que os elétrons das caadas ais externas dos átoos são fracaente ligados ao núcleo e por
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 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 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 mais4 Análise dimensional para determinação da frequência e fator de amplificação do pico máximo
4 Análise dimensional para determinação da freqência e fator de amplificação do pico máimo A análise cidadosa das eqações qe regem o escoamento pode fornecer informações sobre os parâmetros importantes
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Leia maisDocente Marília Silva Soares Ano letivo 2012/2013 1
Ciências Físico-quíicas - 9º ano de Unidade 1 EM TRÂNSITO 1 Movientos e suas características 1.1. O que é o oviento 1.2. Grandezas físicas características do oviento 1.3. Tipos de Moviento COMPETÊNCIAS
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 maisBUSCA ASSÍNCRONA DE CAMINHOS MÍNIMOS
BUSCA ASSÍNCRONA DE CAMINHOS MÍNIMOS Silvio do Lago Pereira Luiz Tsutou Akaine² Lucio Nunes de Lira Prof. Dr. do Departaento de Tecnologia da Inforação FATEC-SP Prof. Esp. do Departaento de Tecnologia
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
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 maisLaboratório de Física 2
Prof. Sidney Alves Lourenço Curso: Engenharia de Materiais Laboratório de Física Grupo: --------------------------------------------------------------------------------------------------------- Sistea
Leia maisOnde estão os doces? Soluções para o Problema da Rua Encantada
Onde estão os doces? Soluções para o Problea da Rua Encantada Rossana Baptista Queiroz 1 1 Pontifícia Universidade Católica do Rio Grande do Sul (PUC-RS) Prograa de Pós-Graduação e Ciência da Coputação
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 maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisELETROTÉCNICA (ENE078)
UNIVERSIDADE FEDERAL DE JUIZ DE FORA Graduação e Engenharia Civil ELETROTÉCNICA (ENE078) PROF. RICARDO MOTA HENRIQUES E-ail: ricardo.henriques@ufjf.edu.br Aula Núero: 18 Conceitos fundaentais e CA FORMAS
Leia maisÁlgebra Linear I - Aula 1. Roteiro
Álgebra Linear I - Aula 1 1. Resolução de Sisteas Lineares. 2. Métodos de substituição e escalonaento. 3. Coordenadas e R 2 e R 3. Roteiro 1 Resolução de Sisteas Lineares Ua equação linear é ua equação
Leia mais5 Resultados Experimentais
5 Resultados Experientais Os resultados obtidos neste trabalho são apresentados neste capítulo. Para o desenvolviento deste, foi utilizado u robô óvel ("irobot Create") e u único sensor LRF(URG 4L UG ),
Leia maisANÁLISE DE SENSIBILIDADE DE ESTRUTURAS VIA ANSYS
3 ANÁLISE DE SENSIBILIDADE DE ESRUURAS VIA ANSYS Geralmente o MEF é o método nmérico de análise tilizado pare se obter os valores das fnções objetivo e das restrições, no qe diz respeito à maioria dos
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisUma Variável Booleana é uma variável com domínio {0,1} (ou, equivalentemente, {falso, verdadeiro}).
Ua Variável Booleana é ua variável co doínio {0,1} (ou, equivalenteente, {falso, verdadeiro}). Ua Fórula é ua ligação de variáveis através de conectivos lógicos, ou operadores. ex: F= x3 /\ (( x1/\ x2)
Leia maisNavegação de Robôs Autônomos Utilizando Redes Neurais, com Planejamento de Trajeto por Algoritmos Genéticos baseados em um Mapa Fuzzy
Proceedings of V Brazilian Conference on Neural Networks - V Congresso Brasileiro de Redes Neurais pp. 247-252, April 2-5, 2001 Rio de Janeiro - RJ - Brazil Navegação de Robôs Autônoos Utilizando Redes
Leia maisIII Introdução ao estudo do fluxo de carga
Análise de Sisteas de Potência (ASP) ntrodução ao estudo do fluxo de carga A avaliação do desepenho das redes de energia elétrica e condições de regie peranente senoidal é de grande iportância tanto na
Leia mais3 Compensador Estático de Reativo
Copensador Estático de Reativo. Considerações Iniciais [assos F o, ] Os avanços na tecnologia de eletrônica de potência, e conjunto co avançadas etodologias de controle, tornara possível o desenvolviento
Leia maisAlgoritmo genético para o balanceamento de linhas de produção
Algorito genético para o balanceaento de linhas de produção Sérgio Fernando Mayerle (EPS / UFSC ayerle@eps.ufsc.br) Rodrigo Nereu dos Santos (EPS / UFSC rodns@eps.ufsc.br) Resuo Neste artigo é discutido
Leia maisMÉTODO DOS ELEMENTOS FINITOS MÓVEIS PARA A SIMULAÇÃO DE PROBLEMAS DE STEFAN
CMNE/CILAMCE 007 Porto, 13 a 15 de Junho, 007 APMTAC, Portugal 007 MÉTODO DOS ELEMENTOS FINITOS MÓVEIS PARA A SIMULAÇÃO DE PROBLEMAS DE STEFAN Jaie Rodrigues 1,*, Rui Robalo, Maria do Caro Coibra 1 e Alírio
Leia maisExercícios de Telecomunicações 2
Departaento de Engenharia Electrotécnica e de Coputadores Exercícios de Telecounicações (004-005) Sílvio A. Abrantes Foratação de fonte (aostrage e PCM) 1.1. A densidade espectral de potência de ua ensage
Leia maisFísica Arquitectura Paisagística LEI DE HOOKE
LEI DE HOOKE INTRODUÇÃO A Figura 1 ostra ua ola de copriento l 0, suspensa por ua das suas extreidades. Quando penduraos na outra extreidade da ola u corpo de assa, a ola passa a ter u copriento l. A ola
Leia maisAlgoritimos e Estruturas de Dados III CIC210. Conteúdo. Seção Notas. Notas. Programação Dinâmica. Haroldo Gambini Santos. 3 de setembro de 2009.
Algoritios e Estruturas de Dados III CIC210 Prograação Dinâica Haroldo Gabini Santos Universidade Federal de Ouro Preto - UFOP 3 de setebro de 2009 Haroldo Gabini Santos Prograação Dinâica 1/16 Conteúdo
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 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 mais4 Modelo Proposto para Análise de Barras de Controle Local de Tensão
odelo roposto para Análise de Barras de Controle ocal de Tensão. Introdução A siulação de fluxo de carga é ua das principais ferraentas na análise de sisteas elétricos de potência e regie peranente. É
Leia maisSegmentação de Imagens de Bolhas em Sistemas Bifásicos utilizando Morfologia Matemática e Crescimento de Região
Segentação de Iagens de Bolhas e Sisteas Bifásicos utilizando Morfologia Mateática e Cresciento de Região Marcelo Marinho, e-ail: ar.arinho@uol.co.br Valentin Obac Roda, e-ail: valentin@sel.eesc.usp.br
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 maisII Matrizes de rede e formulação do problema de fluxo de carga
Análise de Sisteas de Energia Elétrica Matrizes de rede e forulação do problea de fluxo de carga O problea do fluxo de carga (load flow e inglês ou fluxo de potência (power flow e inglês consiste na obtenção
Leia maisCálculo 1 4ª Lista de Exercícios Derivadas
www.matematiqes.com.br Cálclo 4ª Lista de Eercícios Derivadas ) Calclar as derivadas das epressões abaio, sando as fórmlas de derivação: a) y 4 4 d 4 b) f f c) y d d) y R : d df e) 6 f R : 6 d f) 5 y 4
Leia maisA, B, C polinómios conhecidos X, Y polinómios desconhecidos
Equações Diofantinas 23 Considere-se a equação AX + BY = C A, B, C polinóios conhecidos X, Y polinóios desconhecidos Há soluções? Quantas soluções há para ua dada equação? E geral, a equação pode ser definida
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 mais7 Exemplos do Método Proposto
7 Exeplos do Método Proposto Para deonstrar a capacidade do étodo baseado nua análise ultirresolução através de funções wavelet, fora forulados exeplos de aplicação contendo descontinuidades e não-linearidades.
Leia maisCAPÍTULO 7. Seja um corpo rígido C, de massa m e um elemento de massa dm num ponto qualquer deste corpo. v P
63 APÍTLO 7 DINÂMIA DO MOVIMENTO PLANO DE ORPOS RÍGIDOS - TRABALHO E ENERGIA Neste capítulo será analisada a lei de Newton apresentada na fora de ua integral sobre o deslocaento. Esta fora se baseia nos
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisINFORMAÇÃO DE PROVA DE EQUIVALÊNCIA À FREQUÊNCIA CÓDIGO: 11
INFORMAÇÃO DE PROVA DE EQUIVALÊNCIA À FREQUÊNCIA 2017-2018 Despacho norativo n.º 4-A/2018 de 14 de fevereiro DISCIPLINA: FÍSICO-QUÍMICA Ano de Escolaridade: 9.º CÓDIGO: 11 Duração: 90 Minutos 1ª /2ªFASES
Leia maisCAPÍTULO VIII FADIGA DE COMPONENTES TRINCADOS
pg.1 CAPÍTULO VIII FADIGA DE COMPONENTES TRINCADOS 1 INTRODUÇÃO Os princípios da Mecânica da Fratura pode ser epregados para descrever o coportaento de defeitos planares que evolue e operação. A aceitabilidade
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 mais3 Implementação dos Algoritmos no Sistema Experimental
Ipleentação dos Algoritos no Sistea Eperiental. SLAM.. Filtrage das Varreduras U problea crucial na Correspondência de Varreduras é coo selecionar pontos das Varreduras que são úteis para a correspondência.
Leia maisINFORMAÇÃO DE PROVA DE EQUIVALÊNCIA À FREQUÊNCIA Ano 2015/2016
AGRUPAMENTO DE ESCOLAS ESCOLAS POETA ANTÓNIO ALEIXO INFORMAÇÃO DE PROVA DE EQUIVALÊNCIA À FREQUÊNCIA Ano 2015/2016 Despacho norativo nº1-d/2016 de 4 de arço Despacho norativo nº1-g/2016 de 6 de abril 1ª
Leia maisMartín Gómez Ravetti * Universidade Federal de Minas Gerais (UFMG). Belo Horizonte, MG.
PROGRAMAÇÃO DE TAREFAS COM MÁQUINAS PARALELAS NÃO RELACIONADAS, TEMPOS DE PREPARAÇÃO DE MÁQUINAS DEPENDENTES DA SEQÜÊNCIA, DATAS DE ENTREGA E RESTRIÇÕES DE ELEGIBILIDADE. Martín Góez Ravetti * Universidade
Leia maisInstrumentação e Medidas
nstruentação e Medidas Licenciatura e Engenharia Electrotécnica Exae (ª Chaada) de Julho de 20 Antes de coeçar o exae leia atentaente as seguintes instruções: Para alé da calculadora, só é peritido ter
Leia maisFísica Geral I. 1º semestre /05. Indique na folha de teste o tipo de prova que está a realizar: A, B ou C
Física Geral I 1º seestre - 2004/05 1 TESTE DE AVALIAÇÃO 2668 - ENSINO DE FÍSICA E QUÍMICA 1487 - OPTOMETRIA E OPTOTÉCNIA - FÍSICA APLICADA 8 de Novebro, 2004 Duração: 2 horas + 30 in tolerância Indique
Leia maisLimites para a integração de usinas ao sistema de distribuição através de uma única linha
XVIII Seinário Nacional de Distribuição de Energia Elétrica SENDI 8-6 a 1 de outubro Olinda - Pernabuco - Brasil Liites para a integração de usinas ao sistea de distribuição através de ua única linha Alécio
Leia maisTeorema Chinês dos Restos
Teorea Chinês dos Restos Sauel Barbosa 22 de arço de 2006 Teorea 1. (Bézout) Seja a e b inteiros não nulos e d seu dc. Então existe inteiros x e y tais que d = ax + by. Se a e b são positivos podeos escolher
Leia maisA equação de Henri-Michaelis-Menten
A equação de Henri-Michaelis-Menten Michaelis e Menten (93) refina a abordage de Henri e propõe u odelo uito seelhante: S cat E + A EA E + P passo lento considerando o prieiro passo suficienteente rápido
Leia maisJogo de Golfe. Lógica Nebulosa Fuzzy Logic. Lógica Nebulosa. Jogo de Golfe. Lógica Nebulosa. Lógica Nebulosa. O ser humano é inexato por natureza
uzzy Logic O ser huano é inexato por natureza Hoje está ais ou enos quente O show é eio caro Aquele cara é baixinho Coloque u pouco de sal Picanha be passada Não há incerteza sobre o valor. O problea é
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 mais2 Flambagem Viscoelástica
2 Flabage Viscoelástica ste capítulo apresenta alguns conceitos relacionados à viscoelasticidade linear e à instabilidade de sisteas estruturais viscoelásticos. Co o eprego de exeplos siples, os conceitos
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 maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
Leia maisGeometria Analítica e Álgebra Linear
NOTAS DE AULA Geoetria Analítica e Álgebra Linear Reta e Plano Professor: Lui Fernando Nunes, Dr. Índice Geoetria Analítica e Álgebra Linear ii Estudo da Reta e do Plano... -. A Reta no Espaço... -.. Equação
Leia maisSCC Capítulo 5 Perceptron Multicamadas
Introdução Back-propagation (BP) MLPs Convolução SCC-5809 - Capítulo 5 Perceptron Multicamadas João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes
Leia maisANÁLISE DO MOMENTO FLETOR EM LAJE LISA
Vol.29,n.1,pp.07-13 (Jan - Mar 2017) Revista UNINGÁ Review ANÁLISE DO MOMENTO FLETOR EM LAJE LISA ANALYSIS OF BENDING MOMENT ON FLAT SLAB ANDERLÉIA DEPINTOR AQUE 1 *, DANICLER BAVARESCO², JOÃO DIRCEU NOGUEIRA
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisRedes Neurais Artificiais (RNA)
Redes Neurais Artificiais (RNA) Definições: 1. Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. 2. Técnica de aproximação
Leia maisRafael Barbosa Libotte, Hermes Alves Filho e Amaury Muñoz Oliva
2017 International uclear Atlantic Conference - IAC 2017 Belo Horizonte, MG, Brazil, October 22-27, 2017 ASSOCIAÇÃO BRASILEIRA DE EERGIA UCLEAR ABE CÁLCULOS DE BLIDAGEM DE ÊUTROS USADO UM MODELO UIDIMESIOAL
Leia maisCAPÍTULO I O ESTUDO DA PAISAGEM E SUA DINÂMICA
SUMÁRIO Resuo Abstract Lista de figuras Lista de tabelas Lista de equações pg. INTRODUÇÃO INTRODUÇÃO E JUSTIFICATIVA OBJETIVOS 9 RESUMO DOS CAPÍTULOS 2 CAPÍTULO I O ESTUDO DA PAISAGEM E SUA DINÂMICA 7.
Leia maisSISTEMAS PREDIAIS HIDRÁULICOS SANITÁRIOS DIMENSIONAMENTO DE UM SISTEMA PREDIAL DE ÁGUA POTÁVEL PROFESSOR DANIEL COSTA DOS SANTOS DHS/UFPR
DIMENSIONAMENTO DA REDE DE DISTRIBUIÇÃO: DETERMINAÇÃO DOS DIÂMETROS E DO NÍVEL MÍNIMO DE ÁGUA NO RESERVATÓRIO SUPERIOR ENUNCIADO: Confore o enunciado do Exercício I, observar a Figura 01: Figura 01: Esquea
Leia maisDISTORÇÕES PROVOCADAS POR AGRUPAR ATIVIDADES E RECURSOS NO SISTEMA ABC
DISTORÇÕES PROVOCADAS POR AGRUPAR ATIVIDADES E RECURSOS NO SISTEMA ABC Edson de Oliveira Paplona, Dr. Escola Federal de Engenharia de Itajubá, Departaento de Produção - Av. BPS, 1303 - Itajubá-MG CEP:
Leia maisMODELOS DE ELEMENTOS FINITOS DE PROPAGAÇÃO DE ONDAS, DREAMS E EPE_CG APLICAÇÃO À MARINA DO LUGAR DE BAIXO
MODELOS DE ELEMETOS FIITOS DE PROPAGAÇÃO DE ODAS, DREAMS E EPE_CG APLICAÇÃO À MARIA DO LUGAR DE BAIXO COCEIÇÃO J. E. M. FORTES 1, J. LEOEL M. FERADES 2 e M. AGELA VAZ DOS SATOS 3 1 Laboratório acional
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 mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisProfa. Josiane M. Pinheiro outubro/2008
Baseada em: Stuart Russel e Peter Norving - Inteligência Artificial seção 20.5 Jorge M. Barreto Introdução às Redes Neurais Artificiais - http://www.inf.ufsc.br/~barreto/tutoriais/survey.pdf Cassia Yuri
Leia maisCap 16 (8 a edição) Ondas Sonoras I
Cap 6 (8 a edição) Ondas Sonoras I Quando você joga ua pedra no eio de u lago, ao se chocar co a água ela criará ua onda que se propagará e fora de u círculo de raio crescente, que se afasta do ponto de
Leia mais5 Modelos Econométricos
5 Modelos Econoétricos 5. Fronteira Estocástica de Prodção Segndo Baer [3], os prieiros odelos de fronteira estocástica (tabé conhecida na literatra coo odelos de erro-coposto) fora introdzidos por Meesen
Leia maisAspectos teóricos do fluxo de tráfego
Prof. J. R. Setti Depto. de Engenharia de Transportes Escola de Engenharia de São Carlos UNIVERSIDADE DE SÃO PAULO Aspectos teóricos do flxo de tráfego DIAGRAMA ESPAÇO-TEMPO Distância (m) Posição do veíclo
Leia maisEstimação de Pesos Para Amostras Semi-Rotuladas em Classificadores Paramétricos. Atilio Efrain Bica Grondona¹ Vitor Francisco de Araújo Haertel¹
Anais XV Sipósio Brasileiro de Sensoriaento Reoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de aio de 20, INPE p.7332 Estiação de Pesos Para Aostras Sei-Rotuladas e Classificadores Paraétricos Atilio
Leia mais