Redes Neurais e Sistemas Fuzzy

Tamanho: px

Começar a partir da página:

Download "Redes Neurais e Sistemas Fuzzy"

Amadeu Padilha Imperial
6 Há anos
Visualizações:

1 1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar a inteligência através da representação numérica, contínua do conhecimento. Apesar de os próprios termos inteligência e conhecimento serem conceitos vagos, não dispondo de definições universalmente aceitas, identificamos algumas características intuitivas relacionadas a estes conceitos. Assim, uma das principais características ligadas ao conhecimento é a representação de um modelo relativo a um determinado domínio. 2 Inteligência Computacional Já o conceito de inteligência é bem mais dependente do contexto. Em geral ela está relacionada a um conjunto de habilidades humanas como a percepção, a comunicação, o raciocínio e a aprendizagem. Nota-se que todas estas habilidades estão também relacionadas com o conhecimento. A IC distingue-se da IA clássica pela forma como o conhecimento e a inteligência são representados. A IA clássica lida com técnicas simbólicas, baseadas na lógica booleana. A IC faz uso de técnicas numéricas, o que lhe confere vantagens na obtenção das habilidades desejadas. Paradigmas da Inteligência Computacional A IC é uma tentativa de agrupar diferentes abordagens ou paradigmas originários de diversas áreas que se interrelacionam por apresentarem algumas das características associadas à inteligência, utilizando representações e técnicas não-simbólicas. Atualmente se enquadram como paradigmas da IC as Redes Neurais Artificiais, a Lógica Fuzzy (difusa ou nebulosa) e os Algoritmos Genéticos (evolutivos). Nesta disciplina, iremos abordar as Redes Neurais (RN) artificiais e os Sistemas Fuzzy (SF). 3 4

2 Computação Programada Computação programada a solução do problema é determinada por um algoritmo concebido por um programador que soluciona uma tarefa específica. Programa A solução é dedicada à tarefa. Solução é inflexível. Deve-se prever a variabilidade do domínio. 5 6 Sistemas baseados em conhecimento (SBC) a solução do problema é determinada por inferência sobre uma base de conhecimento. Se aplica a uma classe de tarefas. O conhecimento deve ser extraído de especialistas no domínio da aplicação. A solução é mais flexível. A base de conhecimento pode ser refinada para incluir a variabilidade do domínio. Arquitetura simplificada de um SBC baseado em regras Máquina de Inferência Base de conhecimento R1 Se 350 temperatura < 800 e 1 bar pressão < 2 bar, então fluxo = 50 l/min R2 Se 800 temperatura <1000 e 1 bar pressão < 2 bar, então fluxo = 20 l/min 7 8

3 Arquitetura simplificada de um Sistema de Inferência Fuzzy Sistemas baseados em inferência nebulosa (fuzzy) estende os SBC incorporando naturalmente conceitos incertos e imprecisos. O conhecimento é representado por conceitos lingüísticos mais flexíveis, similares aos da linguagem natural. A solução é mais flexível que em um SBC. Incorpora mais facilmente a variabilidade do domínio. O conhecimento necessita ser extraído de especialistas no domínio da aplicação. Máquina de Inferência Base de regras fuzzy R1 Se temperatura = média e pressão = baixa, então fluxo = médio R2 Se temperatura = alta e pressão = baixa, então fluxo = baixo 9 10 Solução por Rede Neural Neurocomputação a solução de um problema se dá por aprendizado. Um modelo de rede neural é capaz de resolver uma classe de tarefas, ajustando seus parâmetros por indução a partir de um conjunto de treinamento. A solução é bastante flexível. Na maioria dos modelos, o conjunto de treinamento deve ser determinado a priori. A variabilidade do domínio deve estar representada no conjunto de treinamento. Não é necessário se extrair conhecimento de especialistas no domínio. 11 históricos Rede Neural Conjunto de treinamento Temperatura Pressão 1,2 1,0 1,1 1,0 Fluxo

Exemplos dessas áreas são o processamento de imagens, a visão robótica, o reconhecimento de voz, controle, categorização de textos, mineração de dados, etc.

4 Aplicações das RN e dos SF As habilidades que as RN e os SF apresentam, permitem o seu emprego numa grande diversidade de áreas de aplicação. RN são aplicadas em várias áreas que envolvem reconhecimento de padrões e o aprendizado de funções não-lineares. Exemplos dessas áreas são o processamento de imagens, a visão robótica, o reconhecimento de voz, controle, categorização de textos, mineração de dados, etc. Os SF encontraram larga aplicação na área de controle. Além disso, os conceitos da lógica fuzzy podem ser utilizados praticamente em todas as áreas de aplicação das redes neurais. Atualmente, encontram-se várias abordagens híbridas neuro-fuzzy, que tiram proveito das vantagens de ambas as abordagens. Tipos de Problemas Os problemas estudados podem ser agrupados quanto à sua dependência temporal Problema estático só depende dos valores instantâneos das variáveis envolvidas Problema dinâmico além dos valores instantâneos, depende da seqüência histórica das variáveis envolvidas Tarefas estáticas Classificação de subespécies da planta Iris Geração de modelo preditivo Mapeamento de entrada-saída Mapeamento Saídas Classificação saídas discretas representam rótulos de classe. Regressão saídas contínuas representam valores de variáveis dependentes Conjunto de treinamento comprimento-sepala largura-sepala comprimento-petala largura-petala 5.1,3.8,1.5,0.3,Iris-setosa 5.4,3.4,1.7,0.2,Iris-setosa 5.1,3.7,1.5,0.4,Iris-setosa 7.0,3.2,4.7,1.4,Iris-versicolor 6.4,3.2,4.5,1.5,Iris-versicolor 6.9,3.1,4.9,1.5,Iris-versicolor 7.3,2.9,6.3,1.8,Iris-virginica 6.7,2.5,5.8,1.8,Iris-virginica 7.2,3.6,6.1,2.5,Iris-virginica Classificador Rótulo de classe Iris versicolor Iris virginica 15 16

5 Tarefas estáticas Geração de modelo descritivo Modelo Determinação de uma configuração de centróides de agrupamentos dos dados. Determinação de um modelo de agrupamento dos dados Modelo descritivo da planta Iris Within cluster sum of squared errors Cluster centroids Cluster 0 Mean/Mode Std Devs Cluster 1 Mean/Mode Std Devs Cluster 2 Mean/Mode Std Devs Tarefas dinâmicas Geração de modelo preditivo Mapeamento de entrada-saída dinâmico Classificação Reconhecimento de palavras faladas Reconhecer palavras de um dicionário conhecido Numa situação dinâmica, deve-se detectar o início da palavra Mapeamento Saídas Classificação saídas discretas representam rótulos de classe. Regressão saídas contínuas representam valores de variáveis dependentes previsão de valores futuros Controlador de um sistema dinâmico Entrada Controlador sinal de controle Sistema físico Saída direita pare 19 20

Controle de um sistema dinâmico Problema estacionar um carro de ré em um

Estado do carro Posição central da traseira (x,y) Ângulo do carro em relação

controlador fuzzy Controlador θ Carro x y φ (x,y) 2d z 1 z 1 θ 21 22

descritivo Modelo Determinação de uma configuração de centróides de

6 Controle de um sistema dinâmico Problema estacionar um carro de ré em um local especificado Variável de controle ângulo das rodas dianteiras (θ) Estado do carro Posição central da traseira (x,y) Ângulo do carro em relação ao eixo dos y (φ) Estado final (x f, y f, φ f ) φ Trajetórias obtidas com um controlador fuzzy Controlador θ Carro x y φ (x,y) 2d z 1 z 1 θ Controlador fuzzy para futebol de robôs Tarefas dinâmicas Geração de modelo descritivo Modelo Determinação de uma configuração de centróides de agrupamentos dos dados no tempo. Determinação de um modelo de agrupamento dos dados no tempo

Documentos relacionados

Análise de Sistemas 3º Bimestre (material 2)

Análise de Sistemas 3º Bimestre (material 2) Professor: José Ronaldo Leles Júnior Turma: 2º ano do curso de Sistemas de Informação UEG Universidade Estadual de Goiás Campus Posse POO Paradigma Orientado