Estruturando redes neurais artificiais paralelas e independentes para o controle de próteses robóticas
|
|
- Vinícius Cabral Aleixo
- 6 Há anos
- Visualizações:
Transcrição
1 Estruturando redes neurais artificiais paralelas e independentes para o controle de próteses robóticas Daniel Cristiano Serafim 1 Prof. Dr. Antonio Joaquim da Silva Neto 2 RESUMO O objetivo deste artigo é apresentar o estudo, assim como os resultados de simulações em ambiente computacional, de um sistema para ser empregado no controle de próteses robóticas utilizando redes neurais artificiais. Será apresentada para estudo uma estrutura com arquiteturas de redes neurais paralelas e independentes, para classificação de padrões de sinais mioelétricos existentes no coto de um amputado. Outro procedimento que será estudado é o uso de uma função de teste de intervalos, contendo limiares máximos e mínimos, obrigando o sinal classificado a estar dentro dessa tolerância. A intenção é obter um sistema confiável, com grande poder de generalização e viabilidade de uso em uma prótese mioelétrica. A estrutura proposta foi utilizada para o reconhecimento do movimento de contração e relaxamento da mão, flexão e extensão do antebraço. Verificou-se, durante a simulação, um acerto de cem por cento nos movimentos da mão e de oitenta e dois por cento nos movimentos do antebraço, apontando um ótimo desempenho na classificação de sinais mioelétricos. Palavras-chave: Redes neurais artificiais; mioelétricos; próteses; discriminador. 1 Introdução Desde a década de 40, o uso de próteses para substituir a falta de algum membro, ou ainda no auxílio de determinados movimentos, vem aumentando como consequência de avanços sistemáticos de conceitos de bioengenharia e engenharia biomecânica. Segundo Camargo (2008, p. 17), Podemos definir próteses como sendo um dispositivo artificial que tem o objetivo de substituir membros ausentes ou má formação congênita. Dentre esses dispositivos, podemos destacar as próteses mioelétricas. Esses equipamentos recebem esse nome justamente por serem ativados por meio de impulsos elétricos oriundos do sistema nervoso central para a contração de grupos musculares específicos. Ainda segundo Camargo (2002, p. 22), podemos citar a seguinte definição para próteses mioelétricas: Dentre as próteses elétricas, aquelas denominadas Mioelétricas (cujo controle do paciente é realizado através do sinal elétrico proveniente da contração muscular, ou seja, por meios do SME) possuem uma série de vantagens sobre as demais próteses, tais como, possuir acionamento independente de cabos, fácil adaptação de um controle proporcional, além do sinal mioelétrico poder ser detectado através de eletrodos não invasivos. Este artigo apresenta os resultados obtidos durante as pesquisas de iniciação científica, em que foi elaborado um sistema de identificação de sinais mioelétricos (SME) no instante de uma contração muscular voluntária, para posterior replicação de uma prótese do seguimento mão e braço. Esse sistema é baseado no uso de redes neurais artificiais (RNA) do tipo feedforward. Será utilizada uma rede para cada movimento específico a ser identificado, e elas serão dispostas paralelamente e de forma a atuarem independentemente umas das outras. Os resultados obtidos em cada estrutura de RNAs serão enviados para uma função de teste de intervalos, com objetivo de verificar se houve identificação ou não do movimento desejado. O principal objetivo desse conceito de controle é obter um sistema com alto poder de generalização na identificação de sinais mioelétricos, uma vez que essas redes podem possuir tamanhos 1 Aluno do curso de Bacharelado em Engenharia Mecatrônica do Claretiano Faculdade 2 Doutor em Biologia Celular e Molecular, professor do Claretiano Faculdade Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
2 reduzidos, pois seriam treinadas para identificar apenas dois movimentos específicos cada uma, o de contração e relaxamento, ou seja, retorno à posição de origem do membro. Para esse estudo, o método escolhido foi simulação em ambiente computacional utilizando o software Matlab /Simulink, sendo a rede neural treinada com auxílio da ferramenta Toolbox Neural Network, e, posteriormente, sua estrutura já treinada é empregada no ambiente Simulink através do comando gensim (net) para simulação e validação cruzada do sistema proposto. 2 A origem da contração muscular O sinal elétrico responsável por ativar o grupo de músculos necessários para executar determinado movimento se origina em células denominadas motoneurônios. Quando o interior da célula é mais negativo que o ambiente que a rodeia, deve haver, no interior da célula, um excesso de cargas negativas, em comparação com o espaço extracelular (DUDEL et al., 1979). Esses pulsos de eletricidade, também chamados de potenciais de ação, são resultantes do transporte ativo de íons de potássio (K+) e sódio (Na+) entre o interior e o exterior da célula; esse processo recebe o nome de bomba de sódio. A alteração das concentrações citoplasmáticas de K+ e Na+ entre o meio interno e externo causa uma diferença de potencial que, em situação de equilíbrio, é de aproximadamente -70mV. Na Figura 1, podemos visualizar o gráfico no momento em que ocorre o potencial de ação. Figura 1 - Gráfico do potencial de ação adaptado de Kovács (2006) Quando essa diferença ultrapassa um valor chamado de limiar de disparo, o potencial de ação se propaga pelo axônio até atingir o grupo muscular ou músculo desejado. O potencial de ação de uma célula motoneurônica é descrito da seguinte maneira por Kovács (2006, p. 16): A formação de um potencial de ação na membrana axonal ocorre quando a membrana sofre uma despolarização suficientemente acentuada para cruzar um determinado valor conhecido como limiar de disparo. Nesse momento, através de um processo ativo investigado pioneiramente por Hodgkin e Huxley, e descrito, por exemplo, em Kovács, a membrana se despolariza rapidamente, em questão de alguns microssegundos, muito além do valor do limiar e em seguida retorna, bem mais lentamente, ao valor de repouso. Este fenômeno é o potencial de ação, que passa a se propagar ao longo da fibra nervosa, na forma de uma onda não atenuada, com uma velocidade de algumas dezenas de Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
3 centímetros por segundo em fibras não mielinizadas e até 150 metros por segundos em fibras mielinizadas. 3 Sinais Mioelétricos de Superfície (SME) No instante da contração muscular, um campo elétrico se forma ao redor dessas fibras como resultante da formação de vários potenciais de ação. O resultado da soma algébrica das n fibras de uma unidade motora é chamado de potencial de ação da unidade motora (Figura 2) (ORTOLAN, 2002, p. 19), cuja sigla em inglês é MUAP Motor Unit Action Potencial (ORTOLAN, 2002, p. 18). Esse campo eletromagnético recebe o nome de sinal mioelétrico, e é de natureza de milivolts e difícil de ser captado com um grau aceitável de qualidade para interpretação e identificação. Para Enoka (2000, p. 13), no sistema muscular simples será examinada a maneira pela qual o sistema nervoso ativa o músculo. Essencialmente, essa comunicação é um processo eletroquímico cujo estágio final é elétrico por natureza. Portanto, para se determinar se o músculo está em atividade, é preciso apenas monitorar a atividade elétrica do músculo. Essa técnica, conhecida como eletromiografia (EMG), envolve a colocação de eletrodos na pele, imediatamente sobre o músculo, para monitorar os impulsos (excitação) do músculo. Neste estudo, serão avaliados os grupos extensores Carp Ulnaris, Digitorium (Communis), Carpi Radialis Brevis e Longus, e os flexores Carpi Ulnaris e Radialis e Digitorum Superficialis (Cunha et al., p. 340). Figura 2 - Esquema de geração de um MUAP. (adaptado de BASMAJIAN & De LUCA, 1985) onde h(t) expressa a soma algébrica de todos os potenciais de ação envolvidos. Fonte: ORTOLAN (2002, p. 19) 4 Redes Neurais Artificiais Existem muitas técnicas para controle de uma prótese que irá replicar os movimentos que deveriam ser realizados pelo membro amputado. Como se trata de uma prótese mioelétrica, a mesma deve ser controlada por sinais elétricos humanos. Dentre inúmeras técnicas possíveis, foi escolhida para este estudo a utilização de redes neurais artificiais para classificação de padrões mioelétricos. Segundo Nascimento Jr. e Yoneyama (2000, p.136), a seguinte definição de uma Rede Neural Artificial foi proposta por Hecht-Nielsen. Uma Rede Neural Artificial é uma estrutura que processa informação de forma paralela e distribuída e que consiste de unidades computacionais (as quais podem possuir uma memória local e podem executar operações locais) interconectadas por canais unidirecionais chamados de conexões. Cada unidade computacional possui uma única conexão de saída, que pode ser divididas em quantas conexões laterais se fizerem necessário, sendo que cada uma destas conexões transporta o mesmo sinal, o sinal de saída da unidade computacional. Esse sinal de saída pode ser contínuo ou discreto. O processamento executado por cada unidade computacional pode ser definido arbitrariamente, com a restrição de que ele deve ser completamente local, isto é, deve Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
4 depender somente dos valores atuais dos sinais de entrada que chegam até a unidade computacional via as conexões e dos valores armazenados na memória local da unidade computacional. Para a estrutura proposta neste estudo, o modelo de neurônio utilizado é o de um discriminador linear. O neurônio de McCulloch (Figura 3) pode ser modelado por um caso particular cujas entradas são binárias. Genericamente, define-se discriminador linear de n entradas, e uma saída y das seguintes expressões: Onde os componentes limiar, h(v) é a função de grau unitário e sgn(v) o operador sinal. são os ganhos associados às entradas x, Θ é o valor do Figura 3 Neurônio artificial projetado por McCulloch, cujo modelamento matemático estão expressos pelas equações 1 e 2 (KOVÁCS, 2006, p.26) Dentro da definição de topologia de rede, foi utilizada a rede de tipo feedforward (sem realimentação local), ou seja, toda informação inserida é passada adiante por cada unidade sem que essa mesma unidade receba algum estímulo externo, diretamente ou indiretamente. A principal característica de uma rede neural é sua capacidade de aprendizado de acordo com os estímulos do meio no qual ela está inserida, sendo supervisionada ou não. Para isso, é necessário implementar um algoritmo de aprendizagem, para que a rede neural altere seus parâmetros internos e aproxime a resposta real ao máximo da resposta desejada. O processo de aprendizado escolhido utilizase do método de correção de erro, conforme foi descrito por Haykin (2001, p. 77) e demonstrado na equação numero 3. Nela a resposta desejada para o neurônio k no instante n é e a saída real para o mesmo neurônio é e produzirá para o sistema em questão o sinal de erro. A função indicativa do processo de aprendizagem da rede será a função de soma dos erros quadráticos, definida na equação número 4. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
5 Com isso, é o valor instantâneo da energia do erro. Ainda de acordo com Haykin (2001), Os ajustes passo a passo dos pesos sinápticos do neurônio k continuam até o sistema atingir um estado estável (i.e., os pesos sinápticos estão essencialmente estabilizados). Neste ponto, o processo é encerrado. Na Figura 4, é apresentado o grafo demonstrando como ocorre o processo de aprendizagem por correção de erro. Figura 2 Aprendizagem por correção de erro (HAYKIN, 2002, p. 77). 4.1 O algoritmo de aprendizagem backpropagation Para que o sinal de erro gerado pela rede neural descrito no item anterior seja utilizado para corrigir os parâmetros de rede, é necessário um algoritmo, para que o sistema realize a correção até que o parâmetro ou função indicativa do processo de aprendizagem (confira equação n 4) satisfaça a condição de sistema treinado. O algoritmo de aprendizagem utilizado foi o backpropagation (retropropagação de erro), que utiliza o mesmo princípio da regra delta, e por isso costuma-se encontrar na literatura como sendo regra delta generalizada. Segundo Nascimento Jr. e Yoneyama (2000), esse algoritmo é o mais utilizado em redes de múltiplas camadas, devido principalmente à sua facilidade de implementação. Ainda de acordo com Nascimento Jr. e Yoneyama (2000), o algoritmo backpropagation é o resultado da derivação de forma independente por várias pessoas trabalhando em campos diferentes. Em 1986, Rulmelhart, Hinton e Williams redescobriram e popularizaram o algoritmo. O processo de atualização dos pesos sinápticos do neurônio i ao neurônio k é definido pela regra delta como: Assim; Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
6 Onde η é a taxa de aprendizagem para o algoritmo e δ se refere ao gradiente local decrescente dos valores dos pesos sinápticos, reduzindo assim o valor de gradiente local δ do neurônio intermediário i: e pode ser definido pela expressão de 4.2 Redes neurais multicamadas Nessa configuração, uma rede neural pode conter várias camadas de processamento além das camadas de entrada e saída. As camadas entre a entrada e saída são chamadas de camadas escondidas (hiden layers). Embora sua estruturação se torne mais trabalhosa e também requeira mais atenção quanto ao número de neurônios nas camadas escondidas, além de necessitar de uma criteriosa avaliação no momento de atribuir os valores para os pesos sinápticos, esse tipo de rede apresenta um poder de convergência muito maior do que o existente em uma rede composta por um único neurônio na camada de saída, conhecido como perceptron pela característica de resolver problemas linearmente separáveis (Camargo, 2002). Nascimento Jr. e Yoneyama (2000) apresentam a seguinte definição dos critérios utilizados no momento de estruturar uma rede neural com múltiplas camadas: Quando se tem apenas 1 camada escondida com um número de unidades não suficiente para que seja possível a recodificação dos vetores de entrada, uma possível solução é adicionar uma segunda camada de unidades escondidas. Assim, o projetista da rede tem que decidir entre: 1) usar sempre 1 camada escondida com muitas unidades; 2) usar 2 ou mais camadas escondidas com poucas unidades em cada camada. Normalmente não mais de 2 camadas escondidas são usadas por duas razões: 1) provavelmente o poder de representação de uma rede com até 2 camadas escondidas será suficiente para resolver o problema; 2) as simulações tem mostrado que para a maioria dos algoritimos usados para treinamento de RNA disponíveis atualmente, o tempo de treinamento da rede aumenta rapidamente com o número de camadas escondidas. A Figura 5 mostra um grafo estrutural de uma arquitetura de um perceptron contendo multiplas camadas de unidades computacionais, em que todas as unidades estão interligadas entre si, e o sinal de entrada percorre o caminho descrito da esquerda para a direita (HAYKIN, 2001). Dessa maneira, todos o neurônios computacionais processam a informação inserida na rede, projetando um sinal de saída para o qual a rede foi devidamente treinada. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
7 Figura 3 Grafo arquitetural de um perceptron de múltiplas camadas, contendo duas camadas ocultas (HAYKIN, 2001, p. 186). 5 A estrutura de RNAs paralelas proposta na pesquisa Como mencionado anteriormente, o objetivo principal desta pesquisa foi avaliar os resultados de uma estrutura formada por redes neurais paralelas e independentes, para reconhecimento de padrões de SME existentes no coto de um amputado. Para essa estrutura foram adotadas redes do tipo perceptron de múltiplas camadas, porém, como serão empregadas várias redes para identificar movimentos diferentes, essas redes devem possuir tamanho reduzido, pois a quantidade de informações diferentes utilizadas para o treinamento de uma mesma rede também será reduzida para esse formato. O que se pretende é que a rede treinada para classificar o movimento A, por exemplo, dê um resultado mais próximo possível do desejado, enquanto as outras redes possam fornecer um resultado consideravelmente fora do esperado, a fim de não interferir na decisão da rede A e vice-versa. Paralelamente serão dispostas duas redes treinadas para classificar os movimentos de contração e relaxamento da mão, flexão e extensão do antebraço. O diagrama de blocos da Figura 6 mostra como foi montada essa estrutura, assim como o caminho do sinal percorrido dentro dela até que seja fornecida uma resposta final. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
8 Figura 4 Diagrama de blocos representativos da arquitetura de redes neurais paralelas independentes proposta para identificação de padrões de SME a fim de reproduzir determinado movimento de um membro amputado. Na figura, representa o sinal mioelétrico mostrado no instante n para cada rede (k), sendo a resposta da rede, previamente treinada para oferecer essa resposta. O sinal d ( assumirá um valor binário (0 ou 1) após o teste de intervalos (m), indicando se a rede identificou o movimento desejado. Note que o sinal SME é comum para as entradas de todas as redes existentes. Essas funções receberão como limite uma pequena variação da saída desejada para cada rede, devendo a saída estar dentro de uma tolerância estipulada de forma empírica. Se o valor testado estiver dentro do intervalo estipulado, então a condição de verdadeiro é repassada ao driver controlador que deverá executar o movimento especificado, enquanto as outras redes devem fornecer zero após o teste para o mesmo sinal. O sistema a seguir ilustra a atuação de teste de intervalos para cada rede. Nele, e definem respectivamente os valores mínimos e máximos para o teste de intervalos (m), obrigando, portanto, a saída a estar dentro desse intervalo. Para a simulação do sistema, foi utilizada a ferramenta Neural Network Toolbox do software Matlab, em que foram estruturadas e treinadas as redes neurais responsáveis por identificar os movimentos desejados. A rede responsável pelos movimentos da mão contém uma camada escondida com doze unidades, três unidades na entrada e uma unidade neuronal na camada de saída. A função de ativação utilizada para essa rede foi a função sigmoide (equação 5) com a constante a, e a taxa de aprendizado de 0.45, ambas determinadas de forma empírica. (9) Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
9 Para identificar os movimentos de flexão e extensão do antebraço, foi estruturada uma rede com duas camadas, havendo seis unidades neuronais na primeira camada e uma na segunda camada. Para ativação, utilizamos uma função linear (purelin) e a taxa de aprendizado de 0.35 igualmente determinadas de forma empírica. 6 Resultados Para a avaliação do sistema de identificação de sinais mioelétricos proposto, foram utilizados valores em milivolts previamente coletados por Favieiro (2009, p.81) para movimentos de contração e relaxamento da mão e flexão e extensão do antebraço (FAVIEIRO, 2009, p. 83). Para movimentos da mão, foram utilizados neste estudo valores coletados para um total de trinta ensaios realizados, sendo treze para treinamento do sistema e o restante, utilizado aleatoriamente, para validação e simulação. Para os do antebraço, um total de vinte e um movimentos foi realizado, sendo doze para treinamento e o restante, assim como no caso do antebraço, utilizado aleatoriamente, para validação e simulação do sistema proposto. Como o sistema de aquisição de SME era composto de um condicionador de sinais mioelétricos de três canais, o resultado foi uma matriz de 30 linhas por 3 colunas para os movimentos da mão, e uma de 22 linhas por 3 colunas de valores de SME para movimentos do antebraço. Todos os conjuntos de treinamento de cada rede específica foram agrupados e apresentados de forma aleatória. Na Tabela 1, estão os valores coletados por Favieiro (2009, p. 83) para os movimentos de contração e relaxamento da mão; note que, para cada valor que será apresentado à rede, encontra-se relacionado um alvo desejado. As linhas em destaque representam os valores escolhidos aleatoriamente para o treinamento da rede e o restante será utilizado para validar e simular o sistema. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
10 Ensaio de contração da mão Movimento caracterizado Valor rms do canal 1 [V] Valor rms do canal 2 [v] Valor rms do canal 3 [V] Alvo para o treinamento 1 Contração Relaxamento Relaxamento Contração Contração Relaxamento Contração Contração Relaxamento Contração Relaxamento Contração Contração Relaxamento Contração Relaxamento Relaxamento Contração Relaxamento Relaxamento Relaxamento Relaxamento Contração Relaxamento Relaxamento Relaxamento Contração Relaxamento Relaxamento Relaxamento Tabela 1 Valores de SME utilizados para treinamento da rede neural responsável por identificar os movimentos da mão. Nas linhas em destaque, estão os valores escolhidos aleatoriamente para o treinamento; o restante, para validação e simulação do sistema. Na coluna 6 estão os alvos desejados para cada movimento. Fonte: FAVIEIRO (2009, p.81) Na tabela 2, estão relacionados os limites escolhidos de forma empírica para o teste de intervalos, obrigando, assim, a saída da rede treinada para identificar determinado movimento, a oferecer um valor dentro desses limites superiores e inferiores. Na coluna 3, estão o alvo oferecido para o conjunto de treinamento referente a cada movimento. Foram escolhidos propositadamente valores positivos e negativos a fim de se ter saídas bem diferenciadas para não influenciarem no resultado final umas das outras e facilitar a escolha dos valores para os limites dos testes de intervalos. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
11 Rede Objetivo Alvo Limites superior e inferior do teste de intervalos A Contração da mão (superior) (inferior) A Relaxamento da mão (superior) (inferior) B Flexão do antebraço (superior) -1,200 (inferior) B Extensão do antebraço (superior) (inferior) Tabela 2 Tabela com valores dos limites inferiores e superiores dos testes de intervalos e o alvo desejado para cada movimento. Na Tabela 3, estão os resultados obtidos durante a simulação para um movimento de contração da mão. Foram inseridos na rede já treinada os valores da Tabela 1 das linhas não hachuradas, onde se encontram os valores escolhidos para simulação e validação. A rede foi treinada para oferecer 1 como resultado toda vez que fosse identificado o movimento de contração da mão, porém, como a performance de treinamento nunca será idealmente de 100%, a saída se aproximará o máximo possível do valor desejado, de acordo com o resultado de cada treinamento. Na coluna 3, estão os valores de SME inseridos nas entradas da rede simultaneamente, sendo o valor da coluna 5 a saída real apresentada pela rede. Na coluna 6, estão os limites superior e inferior do teste de intervalos para esse movimento. Como o resultado encontra-se dentro desse intervalo, a saída repassada para o driver será de nível lógico 1. Com esse resultado, as outras funções de teste oferecerão zero, pois esse valor está fora dos seus limites, como podemos ver na Tabela 2. Confirma-se, dessa maneira, a identificação do movimento de contração da mão. Ensaio Movimento Valor rms [V] Saída desejada Saída real da rede A Teste de intervalos (contração) Saída após o teste de intervalos 4 Contração (Superior) 4 Contração (verdadeiro) 4 Contração (Inferior) Tabela 3 Resultados obtidos durante a simulação para um movimento de contração da mão. Na Figura 8, podemos ver o gráfico com o desempenho das redes A e B durante as simulações com os conjuntos de dados que não foram apresentados durante os treinamentos. Foram simulados com todos os valores restantes a fim de se avaliar a eficácia do sistema proposto neste estudo. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
12 Figura 5 Gráfico com resultados das simulações das redes 1 e 2 no reconhecimento dos movimentos da mão e antebraço. O melhor desempenho foi da rede responsável pelos movimentos da mão, conseguindo reconhecer todos os valores separados para simulação, tanto para contração como para o relaxamento do grupo motor relacionado ao movimento. A rede responsável por identificar os movimentos de extensão e relaxamento do antebraço apresentou bons resultados, porém não conseguiu atingir desempenho da rede 1, mas ainda sim é considerado um bom desempenho no reconhecimento dos valores apresentados. 7 Conclusões Embora tenha se mostrado mais trabalhoso estruturar duas redes, sendo uma para cada movimento, os resultados obtidos durante a validação mostram um excelente poder de reconhecimento da arquitetura proposta para esta pesquisa. Devemos ressaltar, também, o uso de funções de teste de intervalos usadas para verificar se o sinal real encontra-se dentro de uma tolerância limite para cada saída desejada, o que possibilitou treinar as duas redes de maneira a preencher essa condição, conferindo ao sistema proposto um grau maior de confiabilidade. Tendo em vista que o sistema deve estar apto a reconhecer padrões de SME com características diferentes para cada usuário, o uso dessa função de testes de intervalos pode ser um discriminador para tais características biológicas. Deve-se ressaltar que foi realizada apenas a simulação computacional dentro de um software, usando uma ferramenta específica para isso, porém mostrando a viabilidade de programar um sistema desse tipo para classificar sinais mioelétricos no coto de um amputado. Outro detalhe importante é que foram usados valores adquiridos, tratados e utilizados em outro experimento desse tipo (FAVIEIRO, 2009). Ainda faz-se necessário um estudo mais profundo sobre a relação entre o método de captação dos sinais mioelétricos e a estrutura experimentada aqui, e o grupo muscular a ser classificado, principalmente por não terem sido colhidos valores específicos para esse tipo de sistema. Deve-se estudar também o número de entradas a serem utilizadas nas redes neurais, estando de acordo com o modelo de captação. Com esses aprimoramentos, a estrutura de redes neurais paralelas e independentes assumirá um perfil seguro para o uso em controle de próteses mioelétricas. Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
13 8 Referências Bibliográficas CAMARGO, M. A. A. Planejamento de trajetórias de um manipulador robótico usando redes neurais artificiais. Campinas: UNICAMP, p. (Dissertação de Mestrado). DUDEL J. et al. Neurofisilogia 4. ed. São Paulo: Editora Pedagógica e Universitária Ltda., ENOKA, R. M. Bases neurodinâmicas da Cinesiologia. 2. ed. São Paulo: Manole, FAVIEIRO, G. W. Controle de uma prótese robótica do segmento mão-braço por sinais mioeletricos e redes neurais artificiais. Porto Alegre: UFRS, p. (Monografia). HAYKIN, S. Redes Neurais Principios e Prática. 2. ed. Porto Alegre: Bookman, KOVÁCS, Z. L. Redes neurais artificiais: fundamentos e aplicações. 4. ed. São Paulo: Livraria da Física, NASCIMENTO Jr., C. L.; YONEYAMA, T. Inteligência artificial em controle e automação. 2. ed. São Paulo: Edgard Blücher ltda, NATALE, F. Tecnologia digital. 1. ed. São Paulo: Atlas, ORTOLAN, R. L. Estudo e avaliação de técnicas de processamento do sinal mioelétrico para o controle de sistemas de reabilitação. São Carlos: USP, p. (Dissertação de Mestrado). TEIXEIRA, L. A. Controle motor. 1. ed. Barueri: Manole, VELLOSO, R. P. Protótipo de um eletromiógrafo digital. Blumenau: FURB, p. 47. (Monografia). Revista das Faculdades Integradas Claretianas Nº6 janeiro/dezembro de
3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia 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 maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS 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 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 maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia 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 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 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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisAprendizado de Máquina (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 maisRECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS
1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
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 maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
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 maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia 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 maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisRedes Neurais Artificiais
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 maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisRegra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Leia maisPRÓTESES MECÂNICAS DE BAIXO CUSTO CONTROLADAS POR ESTÍMULOS MUSCULARES
PRÓTESES MECÂNICAS DE BAIXO CUSTO CONTROLADAS POR ESTÍMULOS MUSCULARES Dyorjenes Henrique A. Santos 1 Matheus Delgado de Azevedo 2 Kesley Roberto Ferreira Silva 3 Thiago Magela Rodrigues Dias 4 Adriano
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
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 maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisRedes Neurais Artificial
Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) 12/07/08 08:09 Informação - ICPG - Criciuma - SC 1 Fundamentação Biológica, O Neurônio
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
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 maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
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 maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia 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 maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisPorta Lógica XOR Digital Neural
Anais do 12 o Encontro de Iniciação Científica e Pós Graduação do ITA XII ENCITA/2006 Instituto Tecnológico de Aeronáutica, São José dos Campos, SP, Brasil, Outubro, 16 a 19, 2006 Porta Lógica XOR Digital
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
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 maisTRANSMISSÃO DE INFORMAÇÃO
Capítulo 3: Parte 2 1 TRANSMISSÃO DE INFORMAÇÃO Quando um neurônio recebe um estímulo, se este é forte o suficiente, leva a produção de um impulso nervoso. O impulso nervoso corresponde a uma corrente
Leia maisPOTENCIAL DE MEMBRANA E POTENCIAL DE AÇÃO
POTENCIAL DE MEMBRANA E POTENCIAL DE AÇÃO AULA 3 DISCIPLINA: FISIOLOGIA I PROFESSOR RESPONSÁVEL: FLÁVIA SANTOS Potencial de membrana Separação de cargas opostas ao longo da membrana plasmática celular
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia 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 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. 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 maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisRedes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Leia maisNeural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Leia maisRedes Neurais Feedforward e Backpropagation. André Siqueira Ruela
Redes Neurais Feedforward e Backpropagation André Siqueira Ruela Sumário Introdução a redes feedforward Algoritmo feedforward Algoritmo backpropagation Feedforward Em uma rede feedforward, cada camada
Leia 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 maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia mais4 Redes Neurais Artificiais RNAs
66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com
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 maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisO uso de redes neurais artificias em sinais EMG
O uso de redes neurais artificias em sinais EMG Francisco Vinícius Lopes Costa1, Francisco Carlos Gurgel da Silva Segundo1, Náthalee Cavalcanti de Almeida Lima1 1Departamento de Ciências Exatas e Naturais
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia maisAprendizagem por Treinamento de Redes Neurais
Aprendizagem por Treinamento de Redes Neurais Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo aprende-se como neurônios organizados
Leia mais2.1. Construção da Pista
2 Malha de Controle Para que se possa controlar um dado sistema é necessário observar e medir suas variáveis de saída para determinar o sinal de controle, que deve ser aplicado ao sistema a cada instante.
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia 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 maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia mais