UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC)

Transcrição

1 UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) ANDRÉA T. R. BARBOSA, GLORIA M. CURILEM SALDÍAS, FERNANDO M. DE AZEVEDO Hosptal São Vcente de Paulo, Centro de Engenhara Bomédca Unversdade de La Frontera, Dpto de Engenhara Elétrca Unversdade Federal de Santa Catarana, Insttuto de Engenhara Bomédca E-mals: arccobarbosa@yahoo.com.br; mllaray@ufro.cl; azevedo@eb.ufsc.br Abstract Ths artcle presents a hybrd artfcal neural networks, composed by MLP (Multlayer Perceptron) and IAC (Interactve Actvaton and Competton) types, developed to be used n the mechansm of adaptaton on adaptve hypermeda. The Adaptve Hypermeda System s defned as beng a vsualzaton system n that the contents to present, ts presentaton form or ts navgaton are adjusted n agreement wth the user s profle. The developed hybrd artfcal neural network was very mportant and applcable n the development of the mechansm of adaptaton n ths applcaton, but after ts mplementaton t was verfed that ths can be used n any problem type that needs the followng characterstcs: generalzaton of the knowledge, memorzaton, actvaton of any amount of neurons and the consderaton of a neuron or groups of neurons as entrance at a gven moment and ext n other. Keywords Hbrd artfcal neural networks, Mult-layer Perceptron, Interactve Actvaton and Competton Resumo Este artgo apresenta uma rede neural híbrda, composta pelas redes neuras artfcas dos tpos MLP (Multlayer Perceptron) e IAC (Interactve Actvaton and Competton), desenvolvda para ser utlzada no mecansmo de adaptação de um sstema hpermída adaptatvo. Um Sstema Hpermída Adaptatvo (SHA) defne-se como sendo um sstema de vsualzação em que os conteúdos a apresentar, a sua forma de apresentação ou sua navegação são ajustados de acordo com as característcas de cada utlzador. A rede híbrda desenvolvda fo muto mportante e aplcável no desenvolvmento do mecansmo de adaptação desta aplcação, mas a- pós sua mplementação verfcou-se que esta poderá ser utlzada em qualquer tpo de problema que necesste das seguntes característcas: generalzação do conhecmento, memorzação, atvação de qualquer quantdade de neurônos e a consderação de um neurôno ou grupos de neurônos como entrada em dado momento e saída em outro. Palavras-chave Rede neural artfcal híbrda, Mult-layer Perceptron, Interactve Actvaton and Competton 1 Introdução Este artgo apresenta uma rede neural artfcal híbrda desenvolvda para ser utlzada no mecansmo de adaptação de um sstema hpermída adaptatvo. Um Sstema Hpermída Adaptatvo (SHA) defne-se como sendo um sstema de vsualzação em que os conteúdos a apresentar, a sua forma de apresentação ou sua navegação são ajustados de acordo com as característcas de cada utlzador, com o objetvo de guá-lo para obter a nformação mas relevante, desvando-o de nformação menos nteressantes ou que ele não consegura entender. Devdo às característcas do problema na mplementação da metodologa, verfcou-se que a ferramenta mas adequada sera a utlzação de redes neuras artfcas (RNA). A rede neural do tpo IAC é uma rede que apresenta uma topologa partcular com característcas de memóras bdreconas hetero-assocatvas o que a torna bastante aproprada para a mplementação de mecansmos de adaptação para nterfaces adaptatvas. Seu uso, portanto, é nteressante já que apresenta característcas relevantes para a realzação do feedback com o usuáro. Além da bdreconaldade, permte que qualquer neurôno seja atvado, ou seja, qualquer neurôno poderá ser entrada ou saída em cada nteração, salvo os do pool esconddo, e não há número fxo de neurônos a serem atvados. A rede também utlza, na atual nteração do usuáro com o sstema, os valores de atvações obtdas nas nterações anterores possbltando uma forma de memorzação dos atos anterores do usuáro na determnação do estado atual. Observa-se que a rede IAC, apesar das vantagens que apresenta, é uma rede que não generalza o conhecmento representado em sua matrz de conhecmento. Ou seja, ela apresenta soluções adequadas apenas para stuações em que o conhecmento está nserdo em sua matrz. Caso contenha nformações sufcentes para todo, ou quase todo, o unverso de possbldades, a rede va funconar bem. Por outro lado, se o unverso de possbldades for menso, não possbltando uma representação sufcente na matrz de conhecmento, a rede não va apresentar bom resultado. Com a mplementação de uma rede neural híbrda (MLP + IAC) possbltou que o problema de generalzação fosse soluconado. No desenvolvmento do mecansmo de adaptação foram utlzadas, portanto, redes neuras artfcas (RNA) dos tpos MLP e IAC, que funconam em conjunto, para mplementação, respectvamente, da adaptação da mída da hpermída ao conteúdo, conforme o perfl do usuáro e das alterações explíctas realzadas por ele. Estas redes apresentam característcas mportantes para a solução do problema de adaptação, e uma nova confguração fo desenvolvda. A segur serão apresentadas as característcas da rede neural do tpo IAC, por ser uma rede pouco

2 conhecda e utlzada. Será apresentada a aplcação do sstema híbrdo de rede, como fo mplementado e os testes de valdação. A rede MLP não será apresentada por ser totalmente conhecda. Algumas bblografas poderão ser consultadas a respeto da rede MLP (De Azevedo, 2000; Haykn, 2001). 2 Materas e métodos 2.1 Rede Neural do tpo IAC O modelo da rede IAC fo apresentado orgnalmente por Rumelhart e McClelland (1986). A rede IAC, segundo sua arqutetura orgnal, apresenta propredades específcas tas como: os neurônos são organzados em grupos ou pools compettvos, cada grupo representando um conceto, nterlgados por um grupo oculto (espelho ou esconddo) através de lgações exctatóras. Os neurônos de cada grupo representam valores ou característcas dos concetos. Exstem duas classes de undades (neurônos): algumas que podem receber entradas dretamente de fora da rede e outras que não podem. As prmeras são chamadas de undades vsíves e as últmas undades esconddas (aquelas pertencentes ao grupo oculto). Nesta rede o usuáro pode especfcar um padrão de entrada para as undades vsíves, mas, por convenção, não é permtdo especfcar entrada externa para as undades ocultas (De AZE- VEDO et al., 2000). Uma representação da rede pode ser observada na Fgura 1.. Fgura 1. Estrutura de uma rede neural do tpo IAC. A arqutetura da rede e os pesos caracterzam o conhecmento da rede. Ou seja, a tarefa prncpal do projetsta na busca de uma solução para um problema se encontra, exclusvamente, em defnr uma topologa que melhor represente o problema. A rede IAC deve ser projetada da segunte manera: Defnr, ncalmente, quas os concetos envolvdos no problema, ou seja, defnr quas serão os grupos. Observa-se que cada um destes concetos representará os grupos vsíves, pos os neurônos pertencentes a eles devem ser atvados ou devem ser utlzados para fornecer resultados. Defnr todos os possíves elementos ou característcas para cada conceto, sendo que, cada um destes representará um neurôno dentro do pool. Uma observação mportante é que todos os elementos que serão agrupados dentro do mesmo pool deverão ser excludentes, ou seja, um elemento deve nbr completamente o outro. As conexões entre os neurônos de um mesmo pool ndcam, portanto, competção. E, quando um neurôno ou elemento é atvado, por uma exctação externa à rede, nenhum outro neurôno dentro do mesmo grupo poderá sê-lo. Defnr qual dos grupos de concetos rá gerar o grupo espelho, ou esconddo, através do qual todos os neurônos de todos os demas grupos se relaconam por meo de lgações exctatóras. Estabelecer se há exstênca de relação ou não (1 ou 0) entre os neurônos (característcas) do pool esconddo com os neurônos (característcas) dos demas grupos. Montar a matrz de pesos pelas defnções obtdas. Cada neurôno do pool oculto é lgado a todos os neurônos dos grupos vsíves através de conexões exctatóras. Dentro de um mesmo grupo (vsível ou oculto) exstem conexões nbtóras bdreconas entre cada neurôno e todos os outros, ocasonando assm, um comportamento que é denomnado de compettvo. As conexões exctatóras entre os grupos são bdreconas e, devdo a sto, acabam crando condções para o surgmento de um processamento nteratvo, pos o processamento em um determnado grupo nfluencará e também será nfluencado pelo processamento que ocorre nos outros grupos da rede. Pode-se observar, anda, que no modelo IAC, as entradas postvas da rede tenderão sempre a exctar as undades, enquanto que as entradas negatvas da rede tenderão sempre a nb-las. As undades em uma rede IAC mudam suas atvações de acordo com uma função que consdera tanto a atvação atual da undade, como também a entrada da rede procedente de outras undades ou orunda de fora da rede para esta undade. Na maora dos modelos de Redes Neuras, a entrada da rede, para uma undade partcular, é consderada a mesma, ou seja, é smplesmente a soma das nfluêncas de todas as outras undades de processamento da rede mas alguma entrada externa à rede. Esta nfluênca crada por alguma outra undade, consderada undade j, é apenas o produto da saída da undade pelo peso da conexão da undade j para a undade. Equaconando o que fo descrto acma, chegase a segunte relação característca da entrada de uma undade. Consderando um modelo de uma rede IAC, tem-se, para operação em tempo dscreto e no modo síncrono:

3 Net = w + j j output j extnput (1) Onde: Net = entrada do neurôno ou undade ; wj = peso da conexão da undade j para a undade ; outputj = saída da undade j; extnput = entradas externas; j = 1, 2, 3últmo neurôno da rede. Na Equação 1 o índce j muda após ter efetuado todas as conexões com o neurôno. No modelo IAC, a atvação da undade (a) é gual à saída da undade j, (a) =(outputj). O valor da expressão (aj) vale aj para todo aj > 0; caso contráro o valor é zero. Ou seja, o valor de [aj] é lmtado em 0, conforme mostrado abaxo: a j se a j > 0 a 1 = (2) 0 caso contráro Uma vez que a entrada de um neurôno (netnput) tenha sdo calculada, esta mudará a atvação dos neurônos seguntes conforme as expressões a segur: Se net > 0: a = max a net decay a rest (3) ( ) ( ) Caso contráro, a = a mn net decay a rest (4) ( ) ( ) Nestas equações, max, mn, rest, e decay são todos parâmetros da rede. Em geral, os valores são max = 1, mn e rest = 0 e decay está entre 0 e 1. Onde a assume valores para se establzar entre o ntervalo [mn, max]. No modelo da rede IAC exstem, portanto, mutos parâmetros que podem ser controlados pelo usuáro. Estes são (McClelland & Rumelhart, 1989): Max: parâmetro de atvação máxma; Mn: parâmetro de atvação mínma; Rest: valor de atvação de repouso para o qual as atvações tendem a estabelecer-se na falta de uma entrada externa; Decay: taxa de decamento, a qual determna a força da tendênca de retorno ao nível de atvação de repouso; Estr: representa a força das entradas externas; Alpha: gradua a força das entradas exctatóras sobre as undades provenentes de outras undades da rede; Gamma: gradua a força das entradas nbtóras sobre as undades provenentes de outras undades da rede. Observa-se anda que nesta rede não há processo de trenamento e os pesos (que representam o conhecmento) são estabelecdos em uma matrz que representa as lgações entre grupos dferentes e o mesmo grupo (relações exstentes entre cada característca de cada conceto, através do pool esconddo, bem como a relação entre os neurônos de um mesmo pool). Os valores dos pesos podem ser 0, 1 ou 1 representando: nenhuma relação, exstênca de relação (apenas entre neurônos de grupos dferentes) e relação de nbção (apenas entre os de mesmo pool), respectvamente (McCLELLAND & RUMELHART, 1989). A matrz sempre possurá uma dagonal prncpal nula, o que garante a establdade do sstema. As lgações dentro dos mesmos grupos são nbtóras (- 1). A matrz é preenchda com valores (0), entre os neurônos dos grupos vsíves, pos não há lgação entre eles. A parte prncpal da matrz, onde o conhecmento é realmente estabelecdo, corresponde aos pesos entre os neurônos do pool espelho e os demas neurônos dos outros grupos. Todos estes valores numércos são utlzados no algortmo da rede neural. 2.2 A rede neural híbrda: redes MLP e IAC Houve necessdade de obter uma rede neural que pudesse generalzar o conhecmento estabelecdo por um especalsta, para qualquer nova entrada; que pudesse ser exctada tanto pelos neurônos consderados entradas como os consderados saídas, sem um número fxo de neurônos a ser exctados, apresentando respostas adequadas para novas nterações e que as nterações anterores fossem relevantes na obtenção da resposta atual (memóra). Observando-se que a rede neural do tpo MLP tem como objetvo refletr o comportamento do especalsta de domíno, possbltando a obtenção da generalzação desejada, e que a rede IAC apresenta as característcas de memóra assocatva do conhecmento estabelecdo nela, possbltando que qualquer neurôno seja entrada, que não há quantdade fxa de neurônos a ser exctado e que apresenta memóra das nterações anterores, propõe-se um sstema em que as duas redes funconem complementarmente permtndo, portanto, o aprovetamento das característcas desejáves de ambas. Para a rede neural do tpo MLP refletr o conhecmento do especalsta de domíno, esta é trenada através de exemplos. Os exemplos são fornecdos com o preenchmento de uma tabela com a relação entrada-saída desejada. Conseqüentemente, depos da rede trenada, quando uma nova entrada não presente no conjunto de trenamento é apresentada, a rede determna o valor de saída da mesma forma que o especalsta fara. Esta tabela (com os valores entrada-saída) defndos para a rede MLP e a resposta da rede para uma nova, é convertda em números zeros e uns de forma a este conhecmento ser representado na matrz da rede neural do tpo IAC. Desta forma, sempre a rede IAC va ter o conhecmento de uma stuação nova (nova entrada e saída da rede MLP) nserdo em sua matrz. A rede IAC também tem sua arqutetura defnda em função das entradas e saídas da rede MLP. Cada tpo de neurôno de entrada e cada tpo de neurôno de saída da rede MLP vão representar cada grupo e undade da rede IAC. Ou seja, em função da defnção da rede MLP (que é defnda em função do problema a ser resolvdo) monta-se a topologa da rede IAC (os grupos e os neurônos dos grupos). O conhecmento

4 da rede IAC é montado em função do conhecmento da rede MLP (que reflete o conhecmento do especalsta de domíno). 2.3 Implementação do sstema híbrdo Um conjunto rede MLP e rede IAC fo utlzado no mecansmo de adaptação de um sstema hpermída adaptatvo. A metodologa desenvolvda constró sstemas que realzam adaptação automátca, na nterface de uma hpermída, conforme o perfl do usuáro. Este perfl é determnado a partr de uma teora cogntva denomnada Teora das Intelgêncas múltplas. O sstema modfca automatcamente as formas de a- presentação do conteúdo usando texto, fluxograma, desenho e anmação. Oferece, também, a possbldade do usuáro alterar explctamente a mída em que determnado conteúdo é apresentado, a fm de adequá-lo às suas necessdades. No mecansmo de adaptação as redes neuras artfcas dos tpos MLP e IAC, em conjunto, foram utlzadas para mplementação, respectvamente, da adaptatvdade e adaptabldade do sstema. Através da adaptatvdade o sstema tem capacdade de realzar a adaptação da mída em determnado conteúdo, conforme o perfl do usuáro e a defnção de um especalsta em ntelgêncas múltplas (va preencher a tabela da rede MLP) e, a adaptabldade permte que sejam realzadas alterações explíctas por parte do usuáro. Fo defndo que a hpermída a ser desenvolvda (trenamento para uso de um equpamento médco) sera dvdda em 20 assuntos, lstados no menu. O usuáro ao acessar a hpermída realza um teste de múltpla escolha que defne as notas de suas quatro ntelgêncas múltplas. Logo após o usuáro pode acessar o menu da hpermída e escolher um assunto a ser vstado. O usuáro ao acessar um assunto vsualzará o conteúdo em uma das quatro mídas (texto, fluxograma, desenho ou anmação). Estas mídas são defndas pela rede MLP que está refletndo o conhecmento do especalsta. Ou seja, va apresentar o mesmo tpo de mída que um especalsta de domíno apresentara, para um ndvíduo com os mesmos valores de ntelgênca múltpla detectado pelo teste. O usuáro então poderá modfcar a mída apresentada escolhendo um botão na tela com outra mída. O usuáro vsualzará o conteúdo com a nova mída escolhda. Neste momento a rede IAC atua é será responsável por defnr as outras mídas dos outros assuntos a serem acessados posterormente 1. A atvação na rede IAC va atuar com atvação do neurôno da mída escolhda e da mída recusada (apenas 1 Ou seja, conforme a mudança da escolha da mída pelo usuáro, segudamente, poderá haver alteração na defnção do perfl ncal deste usuáro e modfcações na forma de apresentação anterormente defndas, podem ser modfcadas pela rede IAC, assegurando a vontade do usuáro. dos neurônos serão atvados, sendo estes, neste momento, entrada). Internamente as redes funconam da segunte manera: para a rede neural do tpo MLP refletr o conhecmento do especalsta de domíno, esta é trenada através de exemplos. Os exemplos são fornecdos com o preenchmento de uma tabela com 124 ndvíduos hpotétcos, na qual se especfca a quantdade de mídas que deve ser apresentada segundo a nota de cada IM. Portanto, através deste conjunto de ndvíduos com relação entrada/saída (nota/quantdade de mídas) desejada, a rede neural MLP é trenada. Conseqüentemente, quando um novo ndvíduo utlza o sstema adaptatvo e suas notas de IMs são obtdas (através do teste de múltpla escolha), o sstema determna, através da rede neural MLP, a quantdade que cada mída deverá ser apresentada, da mesma forma que o especalsta fara. Esta quantdade de ndvíduos (124), da tabela da rede MLP será utlzada na rede IAC, defnndo o conhecmento do especalsta em sua matrz de conhecmento. Testes foram realzados para verfcar a melhor confguração da rede MLP para este problema específco. Os parâmetros seleconados que apresentaram melhor resultado são descrtos a segur: Número de camadas: 3 totalmente conectadas, sendo uma camada de entrada, uma ntermedára e uma de saída. Número de neurônos da camada de entrada: normalmente, o número de neurônos na entrada corresponde ao número de varáves de entrada do processo a ser modelado. Nesta rede serão quatro neurônos na camada de entrada, cada neurôno correspondendo a uma nota de uma IM. Número de neurônos na camada ntermedára: Nesta etapa do trabalho utlzaram-se 124 exemplos, pos o especalsta preenche uma tabela com as notas das quatro IM consderadas de 124 ndvíduos hpotétcos, estabelecendo como saída a quantdade de mídas por IM a ser apresentada. Consderando que serão utlzados os 124 ndvíduos no trenamento, esta rede dever ter, aproxmadamente, 62 pesos, conforme a heurístca proposta por Kur (2003). Portanto, a rede utlzada possu 64 pesos e 8 neurônos na camada ntermedára. Função de atvação: logístca sgmodal tanto na camada escondda como na de saída. Neurônos de bas: todos guas a 1. Algortmo de trenamento: retropropagação com momento. Ordem de apresentação dos exemplos: aleatóra. Modo de trenamento: seqüencal (por época ou lote) Taxa de aprendzagem (η): o valor é estabelecdo conforme o número de neurônos na camada

5 precedente, segundo heurístca apresentada por Kur (2003). Nesta rede, utlzou-se o η na camada oculta com valor gual 0,05 e na camada de saída com valor gual a 0,025. Constante de momento: 0,7. Incalzação dos pesos: aleatóra entre 0,1 e 0,1. Parada de trenamento: 3000 épocas, pos o valor do erro no trenamento pôde ser consderado estável. Com esta confguração de rede trenada é possível obter resultados de novos ndvíduos. A tabela com os 124 ndvíduos hpotétcos, acrescda dos valores para o novo ndvíduo que está utlzando a hpermída (resposta da rede MLP para as notas das IMs para o novo ndvíduo que está usando o sstema), é convertda em números zeros e uns de forma a este conhecmento ser representado na matrz conhecmento da rede neural do tpo IAC. Com a nclusão do novo usuáro na matrz de peso, assegura-se que o conhecmento, sobre este ndvíduo, esteja presente na matrz de conhecmento. A rede IAC, responsável pela adaptabldade do sstema, modfca, eventualmente, a quantdade de assuntos por mída a ser apresentada, de acordo com as novas preferêncas do usuáro, ou seja, adaptando o sstema ao novo perfl do usuáro. Quando a rede IAC atua, sempre, somente dos neurônos são atvados, um neurôno refere-se ao grupo da mída escolhda pelo usuáro (com valor acrescdo de uma undade, ao neurôno orgnal) e o outro neurôno refere-se ao grupo do neurôno da mída rejetada pelo usuáro (com valor decrescdo de uma undade ao neurôno orgnal). Por exemplo, se a condção orgnal do usuáro são as seguntes mídas: 4 assuntos em texto, 6 assuntos em lógca, 3 assuntos em desenho e 7 assuntos em anmação e o usuáro, ao nteragr com o sstema, rejeta uma mída anmação e escolhe a mída texto para um determnado assunto, então, a rede IAC processa essas nformações e o neurôno 6 (ou seja, 7 1) do grupo anmação, juntamente, com o neurôno 5 do grupo texto (ou seja, 4 + 1), serão atvados. Uma nova condção de quantdades de mídas para cada assunto é gerada, modfcando a forma (mída) de apresentação dos demas assuntos não vstados anda, atendendo às necessdades do usuáro durante a nteração com o sstema. A arqutetura da rede IAC mplementada apresenta um total de 10 grupos: Quatro correspondendo as 4 IMs utlzadas (Intelgêncas Lngüístco-verbal, Vsual-espacal, Lógco-matemátca e Cnestésco-corporal), cada um desses grupos possundo 31 neurônos, que representam uma nota de IM varando de 1 a 4 com ncremento de 0,1. Quatro representando as quatro mídas consderadas (texto, desenho, fluxograma e anmação), cada pool possundo 17 neurônos, os quas se referem à mída a ser apresentada. Portanto, cada neurôno representa uma quantdade de mída. Um representando os ndvíduos (a tabela com os 124 hpotétcos utlzados na rede MLP e um novo ndvíduo que é o usuáro do ste). Um representando o pool esconddo, que é um espelho do pool de ndvíduos possundo também 125 neurônos. O processo é sumarzado na Fgura 2. Especalsta preenche as quantdades para 124 ndvíduos com notas hpotétcas das IMs consderadas Rede MLP é trenada com estes exemplos Obtenção das saídas da rede MLP para os 124 ndvíduos hpotétcos Montagem de parte da matrz da rede IAC (os valores dos 124 ndvíduos são convertdos em zeros e uns ) 124 ndvíduos Neurônos dos pools vsíves Rede MLP trenada Parte da matrz conhecmento da rede IAC Notas do novo ndvíduo a utlzar o ste Quantdades das mídas para o novo ndvíduo Inserção dos valores (notas e quantdades) do novo ndvíduo na matrz da rede IAC (os valores são convertdos em zeros e uns ) 001IA10 001IA11 001IA12 008IA10 008IA12 009I I I I I I I I I I pool 1 pool 2 pool 3 pool espelho pool pool pool pool Rede MLP A matrz com 125 ndvíduos faz parte da matrz conhecmento completa da rede IAC, que é gerada automatcamente pelo sstema Fgura 2. Representação de uma rede neural do tpo IAC. 2.4 Resultados obtdos Com a defnção das redes que são utlzadas e com suas arquteturas e parâmetros especfcados foram realzados testes para verfcar a valdade da proposção. Para tal, foram geradas notas de novos ndvíduos, cada um representando um novo usuáro do sstema e, utlzando-se a rede MLP após trenamento foram geradas as suas respectvas quantdades de mídas a serem apresentadas. O resultado ndvdual gerado pela rede MLP é nserdo na matrz da rede Rede IAC

6 IAC (ndvíduo 125). E, para cada um destes novos ndvíduos, são realzadas smulações de ações por parte dele, como se ele estvesse utlzando o sstema. Com o ntuto de comprovar o resultado esperado, stuações repettvas são smuladas, podendo, desta forma, melhor caracterzar o comportamento do ndvíduo e da rede. Ou seja, são descrtas as a- ções repettvas smuladas e verfca-se se a rede fornece o resultado desejado conforme o comportamento especfcado. Por exemplo, suponha um ndvíduo utlzando o sstema. Suas notas são processadas pela rede MLP fornecendo as quantdades das mídas a serem apresentadas. Estes valores são convertdos em zeros e uns e são agregados à matrz de conhecmento IAC defnndo a quantdade de mídas para este ndvíduo. Supondo que o usuáro mude a mída sempre para texto, quando esta não é assm apresentada, a rede deve r aumentando a quantdade de texto e dmnundo as demas mídas (resultado do comportamento desejado da rede). Caso a rede se comporte desta manera o resultado é satsfatóro, pos representa o comportamento desejado, valdando o mecansmo de adaptação e adaptabldade. A Tabela 1 apresenta o resultado de um teste realzado. Tabela 1. Teste com mudança de mída do ndvíduo 1. Nesta tabela os dados são apresentados da segunte forma: a prmera lnha apresenta as notas do usuáro, a segunda lnha apresenta as quantdades de mídas geradas pela rede MLP a serem apresentadas (T texto, L lógca, D desenho e A anmação), a tercera lnha apresenta os valores dos neurônos a serem atvados na rede IAC (valores ncas da rede IAC). A rede IAC, ao ser processada, fornece como resposta a quantdade de mídas a ser apresentada, na quarta lnha. As lnhas seguntes apresentam as ações smuladas do usuáro (mudança do usuáro), apresentando os novos valores de atvação dos neurônos, referentes às quantdades recusada e escolhda estando, portanto, sempre dos neurônos atvados. Aparece em seguda, a resposta da nota e as novas quantdades geradas pela IAC. Estes passos são realzados sucessvamente, até se obter o valor mínmo possível (uma quantdade) da mída que está sempre sendo recusada. Indvíduo 1 teste 1A T L D A Notas do novo usuáro 2,6 3,1 2,4 1,5 Quantdade gerada rede MLP Valores ncas rede IAC 2,6 3,1 2,4 1,5 Quantdade gerada rede IAC Mudança do usuáro 6 4 Resposta nota rede IAC 2,6 3,1 2,4 1,5 Resposta quantdade Quantdade rede MLP Mudança de usuáro 7 3 Resposta da rede IAC 2,6 3,1 2,4 1,5 Resposta quantdade Quantdade rede MLP Mudança do usuáro 8 2 Resposta nota rede IAC 3,9 3,5 1,6 1,3 Resposta quantdade Quantdade rede MLP Mudança do usuáro 9 1 Resposta nota rede IAC 3,9 3,5 1,6 1,3 Resposta quantdade Quantdade rede MLP Análse do resultado: Condção ncal do ndvíduo 1: 5 assuntos em texto, 8 em fluxograma (lógca), 5 em desenho e 2 em anmação. Neste teste, smulou-se a escolha sempre da mída texto e a recusa da mída desenho. Os resultados das terações foram o aumento da mída requerda e dmnução da mída recusada, conforme o esperado. As duas outras mídas se mantveram com os mesmos valores sendo, portanto, a escolha do usuáro determnante na relação de exctação e nbção dos neurônos. Os resultados refletem a memóra assocatva e a atuação do usuáro. Os resultados do teste se apresentam satsfatóros. No total foram realzados 65 testes em 10 ndvíduos. Todos os testes apresentaram resultados corretos, comprovando o uso híbrdo das redes neuras. 3 Conclusão Neste trabalho com uma abordagem nédta, o uso conjunto de uma rede MLP com a IAC possbltou que o problema de generalzação da rede IAC fosse soluconado. Com esta abordagem estabeleceu-se certo mecansmo de aprendzado para o modelo IAC, pos como esta não ncorpora mecansmos de aprendzagem como às demas redes de representação dstrbuídas (MLP), o seu uso era lmtado. Fo possível, portanto, unr as característcas desejáves das duas redes. Observa-se que este sstema híbrdo de redes poderá ser utlzado em qualquer tpo de problema que necesste das seguntes característcas: generalzação do conhecmento, memorzação, atvação de qualquer quantdade de neurônos e a consderação de um neurôno ou grupos de neurônos como entrada em dado momento e saída em outro. Referêncas Bblográfcas De AZEVEDO, Fernando (1993) Contrbuton to the Study of Neural Networks n Dynamcal Expert Systems, Belgum: Namour, Insttute d Informatque FUNDP. De AZEVEDO, Fernando; BRASIL, Lourdes Mattos; OLIVEIRA, Roberto C. L. (2000) Rede Neuras eom Aplcações em Controle e Sstemas Especalstas, Floranópols: Vsual Books. HAYKIN, S. (2001). Redes Neuras: Prncípos e prátca. 2 ed. Porto Alegre: Bookman. McClelland, J. L.; Rumelhart, D. E. (1989) Exploratons n Dstrbuted Processng A Handbook of Models, Programs and Exercses, USA: Massachusetts Insttute of Technology: Ed. Bradford Book.