DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
|
|
- Adriano Canejo Amorim
- 5 Há anos
- Visualizações:
Transcrição
1 DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, João Sinohara da Silva Sousa, Instituto Federal de Educação, Ciência e Tecnologia de São Paulo Campus São José dos Campos RESUMO Este trabalho tem o objetivo de melhorar as técnicas de controle de robôs e máquinas de produção, foi utilizada a rede de neurônios CMAC (Cerebellar Model Articulation Controller) com funções de ativação semelhantes às utilizadas na lógica fuzzy. Os resultados da aprendizagem e treinamento da rede mostraram que ela pode se adequar a uma situação parecida com a que foi treinada e se mostra promissor na área industrial, principalmente no controle de máquinas de produção para se adequar a situações onde se necessita de rapidez de treinamento e acesso a informação. Palavras-chave: CMAC. Rede. Neural. Controle. Robô. 1. INTRODUÇÃO No cenário industrial atual, elaborar técnicas de controle pode ser útil, principalmente na indústria, que exige cada vez mais técnicas simples para situações complexas para o controle da produção e de robôs industriais. O controle manual em um processo industrial é exercido instante a instante, através de decisões de especialistas com conhecimento para relacionar ações e resultados e ainda exigem pilotagem das operações, acompanhamento, experiência e operações de grandes riscos à saúde. O presente trabalho continua a linha de pesquisa de Bueno e Sousa (2014) para aprimorar ações de controle de Robôs e máquinas de produção utilizando técnicas de inteligência artificial, mais especificamente Rede de neurônios CMAC juntamente com funções de ativação semelhantes a lógica fuzzy. O objetivo deste trabalho é continuar a pesquisa desenvolvendo um algoritmo da rede neurônios CMAC e lógica fuzzy e fazer com que robôs e máquinas de produção realizem operações semelhantes à de seres humanos. 2. FUNDAMENTAÇÃO TEÓRICA. A lógica fuzzy formulada por Zadeh (1965) é uma técnica que pode resolver problemas de modelagem complexa, com aspectos quantitativos, sujeitos a variações probabilísticas relevantes ou descritos por bases de dados diferentes e incompletos. Seu processo decisório se baseia em variáveis linguísticas que simulam e replicam elementos do pensamento humano, principalmente em bases comparativas, tais como: mais alto, mais frio, melhor; ou vagas, tais como: alto, baixo, bom (Kacprzyk, 1997). A rede CMAC foi desenvolvida por James Albus (1975) com características de processamento semelhante a do cerebelo. A rede CMAC pode ser usada para regenerar uma saída a partir de uma função de controle ou tabela armazenada. A memória armazena a relação entre as entradas e as saídas desejadas através de coeficientes ou pesos. Em comparação com as outras redes neurais (Sayil, 2001), a CMAC tem vantagens de aprendizagem muito rápida e tem propriedade única de treinar rapidamente certas áreas da memória sem afetar toda estrutura, essa vantagem de treinamento rápido é muito importante em casos de aplicações em tempo real. Por exemplo, em um sistema de controle de um braço robótico coletor de peças adaptativo, a CMAC pode aprender como as peças são coletadas. Os mesmos benefícios podem ser obtidos em outros sistemas de controle adaptativo. A aprendizagem da rede CMAC é baseada na função a ser aprendida. A CMAC utiliza esta informação para ensinar a rede a determinar os pesos das regiões ativadas através da entrada. Na fase de treinamento os pesos são ajustados de tal maneira que a saída da rede se aproxime da saída desejada, como é apresentado na Fig. 1. Este treinamento ocorre em um ambiente de aprendizagem supervisionada, ou seja, a CMAC ao receber uma entrada X(k) ativa os pesos e determinara a saída y (k) associada aos pesos. A diferença entre a saída associada aos pesos e a saída desejada y(k) serve para ajustar os pesos. Assim, dada à amostra do erro, utiliza-se como uma correção para cada uma das células da memória ativas pela entrada. A lógica fuzzy aplicada em consonância com a rede CMAC neste trabalho, torna o comportamento da CMAC tradicional mais adequada para aplicações de funções continuas.
2 Figura 1. Treinamento da rede CMAC 3. MATERIAIS E MÉTODOS O desenvolvimento da rede neural CMAC com funções de ativação semelhante às utilizadas em lógica fuzzy está sendo programado em ambiente MATLAB para aprendizado, treinamento da rede e visualização de resultados em forma de gráficos. A rede neural CMAC é treinada com base em uma função ou tabela, para esse início de projeto escolheu-se a função da Eq. (1) para treinamento, pois é uma função não linear com saturação e fácil de ser interpretada como é apresentada na Fig.2. y = 1 (1 + e -x ); (1) x a variável de entrada; y a saída desejada pela rede.
3 Figura 2. Função não linear Para treinar a rede utilizando a B-spline apresentada na Fig. 2 considera-se inútil usar a função quando o valor da variável de entrada for menor que -5 ou maior que 5, pois a saída é praticamente constante a partir desses valores. Ao determinar o valor máximo e mínimo da variável de entrada, criou-se um universo utilizando lógica fuzzy para a rede ter uma saída mais suave a partir do fator de pertinência excitado pela entrada. Como é apresentado na Fig. 3, o universo ocupa um espaço entre -5 à 5 com fator de pertinência triangular com triângulos ocupando 2 espaços no universo e intervalos de 1 entre o início de um triangulo para o outro. O fator de pertinência triangular foi escolhido, pois não possui um grande nível de complexidade e é fácil de ser compreendido, e pode assumir qualquer valor entre 0 e 1 e não apenas 0 ou 1. Figura 3. Função de ativação com lógica fuzzy µ o grau de pertinência; x a variável de entrada. A Equação (2) demonstra como se calcula o grau de pertinência triangular. No caso especifico desse universo onde os triângulos estão interligados igualmente, a variável de entrada ativa dois fatores de pertinência.
4 f (x,a,b,c) = max (min( x a b a, c x c b ),0) ; (2) x a variável de entrada; a o ponto que inicia o triangulo; b o ponto da ponta do triangulo; c o ponto que encerra o triangulo Aprendizado A saída da rede CMAC com lógica fuzzy é determinada pela soma de uma quantidade fixa de pesos onde cada peso é multiplicado pelos graus de pertinência ativados pela variável de entrada. A escolha dos pesos que serão somados é feita por funções de quantização em relação às entradas e cada função de quantização define um peso que está associado ao endereço ativado pela entrada. Os pesos são determinados a partir da função escolhida para o treinamento, da saída da rede a partir dos pesos e de uma política adotada para alguns pesos. A Equação (3) apresenta a saída da rede CMAC para uma entrada e uma saída determinada pelos graus de pertinência ativados e pelos pesos. A Equação (4) apresenta a formula para determinar o segundo peso sendo que foi adotada uma política para determinar o primeiro peso. ỹ = w1 µ1 + w2 µ2; (3) ỹ a saída associada aos pesos; w1 o primeiro peso; w2 o segundo peso; µ1 o primeiro grau de pertinência ativado pela entrada; µ2 o segundo grau de pertinência ativado pela entrada; w2 = y - (w1 µ1) µ2; (4) y a saída determinada por uma função O processo de aprendizagem da rede deste trabalho é realizado em determinados pontos do universo criado, desde variável do início do universo até o final com intervalos de 1 entre os pontos de aprendizagem. Os pesos determinados pela quantização são guardados dentro de um vetor e esse vetor é salvo em um arquivo texto, depois tudo que a rede aprendeu é apagado e testado novamente demonstrando que a rede esqueceu o que aprendeu. Os pesos são guardados dentro do vetor sequencialmente conforme o processo de aprendizagem, e são recuperados pela ativação de uma entrada no respectivo intervalo. A Equação (5) demonstra o cálculo do valor de um intervalo do universo criado necessário para achar o endereço que é demonstrado na Eq. (6) (Bueno e Sousa, 2014). intervalo = (x Max - x Min ) n ; (5) x Max o valor máximo da variável de entrada; x Min o valor mínimo da variável de entrada; n o número de intervalos no universo. Endereço = (x - x Min ) intervalo; (6) Após o processo de aprendizagem, carregam-se os pesos e testa a rede com as mesmas variáveis que ela foi ensinada demonstrando que a rede aprendeu.
5 3.2. Treinamento A rede CMAC é ensinada em determinadas situações e ao se deparar com uma situação diferente ela se adapta a situação. Os pesos e os graus de pertinência ativados pela entrada são somados e calcula-se a média da saída, está saída associada aos pesos é comparada com a saída desejada e se houver diferença entre as saídas a CMAC ajusta os pesos para obter a resposta desejada. Ao comparar a saída calculada e a saída desejada, gera-se um erro, esse erro é utilizado para fazer os ajustes dos pesos diminuindo a diferença entre as saídas. A equação de treinamento da rede CMAC é apresentada na Eq. (7), a atualização dos pesos depende dos próprios pesos que são sempre atualizados, da taxa de aprendizagem que é um ganho para reduzir o erro das saídas, quanto menor for a taxa de aprendizagem, menor é o ajuste das saídas e muitas mais seções de treinamento são necessárias para reduzir o erro. w(k)= w(k) + tx ( y) (7) w(k) o peso carregado pela entrada; tx a taxa de aprendizagem; y a diferença entre as saídas. 4. RESULTADOS Como resultado desses 5 meses de pesquisa pode-se citar: - conhecimento aprofundado sobre a rede neural CMAC e lógica fuzzy; - conhecimento da inteligência artificial aplicada na indústria; - aprendizagem e treinamento da rede com funções de ativação semelhantes a lógica fuzzy para uma entrada. Na Figura 4 é apresentado um gráfico da sequência de treinamento na rede com intervalos da entrada variando em 0,3 entre -4 até 3,8, a cada variável de entrada a saída foi guardada em uma posição do vetor para representação no gráfico. O gráfico demonstra uma linha da saída desejada e uma sequência de pontos demonstrando o valor inicial da saída associada aos pesos. É possível observar que os pontos mais centralizados no gráfico estão mais próximos à curva da saída desejada, o centro da curva tem valor de entrada 0, portanto, quanto mais próximo de 0 for a entrada, o erro entre as saídas é menor e mais rápido essa sessão da memória é treinada. Figura 4. Gráfico de erro
6 Na Figura 5 é apresentado um gráfico da Saída da rede com o treinamento realizado, o processo de treinamento segue o mesmo processo de aprendizagem da Fig. 3 com intervalos da entrada variando em 0,3 entre -4 até 3,8. Porém o treinamento foi realizado para que a saída associada aos pesos seja o mais próximo possível ao da desejada. Figura 5. Gráfico da rede treinada 5. CONCLUSÃO E PERSPECTIVAS Neste trabalho, o desenvolvimento de Técnica de Inteligência Artificial baseada em rede CMAC e funções de pertinência fuzzy foram apresentados e possibilita aplicação em controle de robôs e máquinas de produção. Ainda em início de projeto pode se destacar os resultados obtidos pelo treinamento da rede CMAC em se adaptar a diferentes situações que foram aprendidas. O trabalho teve várias etapas que podem ser destacadas até o momento como: conhecimento sobre inteligência artificial, aplicação de lógica fuzzy para treinamento da rede CMAC visando melhorar o controle de máquinas de produção utilizando a rede CMAC com lógica fuzzy. Com base nos resultados obtidos temos que estes se apresentam satisfatórios tanto para o processo de aprendizagem quanto para o treinamento da rede e será bastante aprimorado ao longo da pesquisa. Desta forma, baseado nas diversas vantagens da rede CMAC e nos resultados obtidos, os próximos passos serão construir uma estrutura mais versátil da rede, ver o tempo de treinamento da rede, adicionar mais variáveis de entrada e saída e realizar testes em função de casos reais com de robôs e máquinas de produção. 6. AGRADECIMENTOS Os autores gostariam de agradecer ao IFSP Campus São José dos Campos/Petrobras e aos professores do IFSP Amita Muralikrishna, Claudio Luís dos Santos e Mateus Fernandes Réu Urban pelo apoio.
7 7. REFERÊNCIAS BUENO, T. C., SOUSA, J. S. S. Inteligência artificial aplicada ao controle de robôs e máquinas de produção. 5º Congresso de iniciação cientifica do IFSP, São João da Boa Vista, ZADEH, L. A. Fuzzy Sets. Department of Eletrical Engineering and Eletronics Research Laboratory. University of California, KACPRZYK. J. Multlistage fuzzy control chichester, UK. Jonh wiley Sons ALBUS, J. S. A. A new approach to manipulator control: The cerebelar model articulation controller. Trans. ASME, J. Dyn. Syst., Meas. Control, v. 97, p , SAYIL, S. A combine algorithm for a CMAC network, PAU Journal of Engineering Science, NOTA DE RESPONSABILIDADE Os autores são os únicos responsáveis pelo conteúdo deste artigo.
6. Controle por Aprendizado Neuro-Fuzzy
6. Controle por Aprendizado Neuro-Fuzzy 6.1. Introdução Neste capítulo é apresentado o controle por aprendizado utilizando um sistema híbrido Neuro-Fuzzy, para o cálculo e atualização dos pontos de reversão
Leia mais3 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 mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
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 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 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 maisCOMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE
COMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE Brehme D. R. de MESQUITA (1); Jefferson A. L. e SILVA (2); André M. D. FERREIRA (3) (1) Instituto Federal
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
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 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 maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
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 maisRedes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos
Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos TCC - Jan/09 Daniel Tré - ISTCCP Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos p. 1/2 O que são Redes Neurais Artificiais
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 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. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisRede ARTMAP Euclidiana na solução do problema de previsão de cargas elétricas
Rede ARTMAP Euclidiana na solução do problema de previsão de cargas elétricas Code: 01.003 Tânia T. Gomes, Mara Lúcia M. Lopes, Carlos R. Júnior, Marleide F. Alves, Anna Diva P. Lotuffo Universidade Estadual
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 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 mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
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 maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
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 maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisIntrodução à Teoria do Aprendizado
Introdução à Teoria do Aprendizado Carlos Hall Os processos no mundo real são intrinsecamente: dinâmicos (dependem do tempo) não lineares não gaussianos não estacionários com restrições com interações
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
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 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 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 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 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 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisUFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística INE6105-Introdução à Robótica Prof. Mauro Roisemberg Arkin. Ronald C. Behavior-Based Robotics
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
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 maisSISTEMA ESPECIALISTA NEBULOSO (MINICURSO) Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C.
Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C. Soares de Mello Inteligência Computacional A Inteligência Computacional (IC) é uma área de pesquisa que visa investigar
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisTREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO
TREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO Michel Hell, Pyramo Costa Jr., Rosângela Ballini, Fernando Gomide Universidade Estadual de Campinas, Av. Albert Einsten, 400 - Cidade Universitária
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisPROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS
PROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO 1. Você recebeu do fiscal o seguinte material: (a) Este caderno, com o enunciado das 20 (vinte) questões
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 maisRelatório de pesquisa sobre o procedimento de otimização de modelos no Activate
Relatório de pesquisa sobre o procedimento de otimização de modelos no Activate 1 Introdução Esse trabalho tem por objetivo apresentar o bloco de otimização BobyqaOpt, suas funcionalidades, parâmetros
Leia maisHydroExpert. Manual de criação de tendências em planilhas. HydroByte Software
HydroExpert Manual de criação de tendências em planilhas HydroByte Software Agosto 2015 HydroByte Software www.hydrobyte.com.br Manual da representação matemática e computacional do recurso de criação
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisInteligência Artificial: Introdução
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Inteligência Artificial: Introdução DCA0121 Inteligência Artificial Aplicada Daniel Enos / Heitor Medeiros
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 maisA instalação do DCR compreende apenas a descompactação do arquivo DCR.zip num diretório no disco. Descompacte o arquivo DCR.zip num novo diretório.
Manual DCR Sumário Apresentação... 1 Instalar o DCR... 1 Ativar o DCR... 1 Treinamento... 2 Entrar no Modo Treinamento... 2 Criar um Conjunto de Entrada... 2 Treinar a RNA... 4 Retreinar a RNA... 5 Testar
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 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 maisProf. MSc. David Roza José 1/27
1/27 Splines e Interpolação por Partes - A Objetivos: Compreender que splines minimizam oscilações ao ajustar polinômios de menor ordem a partições do domínio; Aprender a desenvolver um código para procurar
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia mais1. Introdução. 1.1.Objetivo
1. Introdução 1.1.Objetivo O objetivo desta dissertação é desenvolver um sistema de controle por aprendizado acelerado e Neuro-Fuzzy baseado em técnicas de inteligência computacional para sistemas servo-hidráulicos
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 maisUtilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisAprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
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 maisInteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
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 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 maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
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 maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisTreinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
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 maisSISTEMA DE IDENTIFICAÇÃO DE FALHAS EM ESCADAS ROLANTES UTILIZANDO REDES NEURAIS ARTIFICIAIS
SISTEMA DE IDENTIFICAÇÃO DE FALHAS EM ESCADAS ROLANTES UTILIZANDO REDES NEURAIS ARTIFICIAIS Alessandro Lins Alves 23ª Semana de Tecnologia Metroferroviária CONTEÚDO Introdução. TÍTULO DO TRABALHO Justificativas.
Leia maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GPL 3 4 a 7 Outubro de 27 Rio de Janeiro - RJ GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL PREVISÃO DECENAL
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
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 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 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 maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia maisModelo neural hierárquico para obtenção de comportamento adaptativo em um agente robótico
Modelo neural hierárquico para obtenção de comportamento adaptativo em um agente robótico Eduardo W. Basso ewbasso@inf.ufrgs.br Semana Acadêmica 2005 PPGC UFRGS Motivação Desenvolvendo sistemas inteligentes
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 maisUtilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde Cristiane Koehler Universidade de Caxias do Sul (UCS) Centro de Informática Médica (CIM) ckoehler@ucs.br Lucimar Fossatti de Carvalho Universidade
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisRedes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO
Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva
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 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 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 maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisSCC Capítulo 4 Perceptron de Camada Única
Perceptron LMS SCC-5809 - Capítulo 4 Perceptron de Camada Única João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes Neurais 1/45 Sumário Perceptron
Leia maisAprendizagem por treinamento de redes de aproximação Marco Henrique Terra
Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.
Leia maisIF-705 Automação Inteligente Redes Neurais para Modelagem e Controle
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação
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 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 maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
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 mais3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Motivado pela importância do estabelecimento de um sistema de apoio à decisão que auxiliasse o operador de tempo real durante
Leia mais