Capítulo 8. Redes de Hopfield
|
|
- Luiz Vilalobos Oliveira
- 6 Há anos
- Visualizações:
Transcrição
1 Capítulo 8 Redes de Hopfeld O teto apresentado neste capítulo segue bascamente Haykn em [], sendo uma tradução e nterpretação lvres e resumdas dos conteúdos lá apresentados. Uma Rede de Hopfeld consste de um conunto de neurônos e um correspondente conunto de undades de atraso, formando um sstema de realmentação múltplo. A Fgura 8. apresenta a arqutetura de uma Rede de Hopfeld formada de N 4 neurônos. Observe que o número de laços de realmentação é gual ao número de neurônos. Bascamente, a saída de cada neurôno é realmentada através de um elemento de atraso, para cada um dos outros neurônos da rede, sem haver auto-realmentação. Fgura 8.: Arqutetura de uma Rede de Hopfeld formada de N 4 neurônos.
2 Ao estudar a dnâmca da Rede de Hopfeld utlza-se o modelo neurodnâmco adtvo, que é o modelo de neurôno sem ruído mostrado na Fgura 8.2. Fgura 8.2: Modelo adtvo de um neurôno. Em termos físcos, os pesos snáptcos,,!, N (mostrados na Fgura 8.2) representam condutâncas e as respectvas entradas () t () t, () t,, N! representam potencas (N é o número de entradas). Estas entradas são aplcadas a um nó somador de corrente que possu as seguntes característcas: Baa resstênca de entrada. Ganho de corrente untáro. Alta resstênca de saída. O fluo total de corrente entrando no nó v na Fgura 8.2 é: N + () t I onde o prmero termo da soma é devdo aos estímulos () t () t, () t, N,! atuando sobre os pesos snáptcos (condutâncas),,!, N, respectvamente, e o segundo termo é devdo à fonte de corrente I que representa um bas aplcado eternamente. 2
3 Sea v () t a função no tempo que descreve o campo local nduzdo no nó v. O fluo total de corrente sando do nó v é: onde o prmero termo é devdo à resstênca C. v R () t dv () t + C dt R e o segundo termo é devdo à capactânca Pela le de corrente de Krchoff, sabemos que o fluo de corrente total que entra em qualquer nó de um crcuto elétrco é zero. Aplcando a le de corrente de Krchoff ao nó v na entrada da não-lneardade mostrada na Fgura 8.2, teremos () t v () t dv N C + + dt R () t I (8.) O termo capactvo C dv ()dt t no lado esquerdo da Equação (8.) é a forma mas smples de modelar o comportamento dnâmco de um neurôno bológco vsto que, mplctamente, é adconada memóra ao modelo. Dado o campo local nduzdo v () t pode-se, então, determnar a saída do neurôno através do uso da relação não-lnear ( ) () t ϕ v () t (8.2) O modelo RC descrto pela Equação (8.) é comumente referdo como o modelo adtvo. Esta termnologa é usada para dscrmnar o modelo adtvo do denomnado modelo multplcatvo, onde é dependente de. Uma característca específca do modelo adtvo descrto pela Equação (8.) é que o snal () t aplcado ao neurôno pelo neurôno vznho é uma função que vara lentamente com o tempo t. Este modelo consttu a base da neurodnâmca clássca. Consderemos agora uma rede recorrente consstndo da nterconeão de N neurônos, cada um deles tendo o mesmo modelo matemátco descrto pelas Equações (8.) e (8.2). Então, gnorando os atrasos devdos ao tempo de propagação entre neurônos (no 3
4 conteto de uma rede de neurônos bológcos), pode-se defnr a dnâmca da rede pelo segunte sstema de equações dferencas de prmera ordem: C dv () t v () t N +! dt R o qual resulta da reordenação dos termos de (8.). () t + I,,,N, (8.3) Assume-se que a função de atvação ϕ () que relacona a saída () t do neurôno a seu campo local nduzdo v () t é uma função contínua e, portanto, dervável. Uma função de atvação comumente utlzada é a função logístca ϕ ( v ) ;,,,N + ep ( v )! (8.4) Uma condção necessára para que uma Rede de Hopfeld sea capaz de aprender é que a rede recorrente descrta pelas Equações (8.2) e (8.3) possua pontos estáves, denomnados Atratores. Reconhecendo que () t ( v () t ) C d dt v () t, pode-se reescrever a (8.3) sob a forma ϕ () t v N + ϕ ( v () t ) + I,,,..., N. (8.5) R Para prossegur a dscussão, façamos as seguntes consderações:. A matrz de pesos snáptcos é smétrca, conforme mostrado por (8.6), 2. Cada neurôno tem uma atvação não-lnear própra, daí o uso de ϕ () na Equação (8.5), no conteto de tentar reproduzr uma rede de neurônos bológcos. 3. O nverso da função de atvação não-lnear este, então pode-se escrever () - v ϕ (8.7) 4
5 Sea a função sgmóde ϕ () v defnda pela função tangente hperbólca, conforme ( av) ( a v) av ep ϕ () v tanh, (8.8) 2 + ep a qual tem uma declvdade de a 2 na orgem, conforme mostrado por onde 2 dv v a é denomnado o ganho do neurôno. a dϕ (8.9) A partr de (8.8), a relação nversa saída-entrada epressa na Equação (8.7) é v ϕ () ln (8.) a + A relação nversa saída-entrada padrão para um neurôno de ganho untáro é (8.) ϕ () ln + Podemos, então, reescrever a Equação (8.) como () ϕ () ϕ (8.2) a A Fgura 8.3a mostra o gráfco da não-lneardade sgmodal padrão ϕ () v, e a Fgura 8.3b mostra o gráfco correspondente da não-lneardade nversa ϕ (). Fgura 8.3: Gráfcos representatvos de (a) não-lneardade sgmodal padrão e (b) o seu nverso. 5
6 No conteto de Establdade de Sstemas Dnâmcos, a Função de Energa de Lyapunov [2] da Rede de Hopfeld mostrada na Fgura 8. é dada por E 2 N N + N R N () d ϕ I (8.3) A função defnda por (8.3) mede a energa armazenada no sstema e é uma superfíce hperdmensonal que pode apresentar mutos mínmos. A dnâmca da rede é tal que a traetóra do vetor de estado [ ] T N! (ver Fgura 8.) sempre movmenta-se na dreção dos mínmos de energa do sstema (Atratores). Dferencando E com respeto ao tempo, teremos de dt N N v d + I (8.4) R dt A quantdade entre parênteses, no lado dreto da Equação (8.4), é o termo como C dv dt da Equação (8.5). Pode-se, então, smplfcar a Equação (8.4) para de dt N dv C dt d dt Utlzando a relação nversa que defne v em termos de Equação (8.5), temos (8.5) (Equação 8.7) na de dt N C d dt 2 d N d d ϕ ( ) C ϕ ( ) (8.6) dt dt d A partr da Fgura 8.3b vemos que a relação saída-entrada nversa ( ) ϕ é uma função monotoncamente crescente da saída. Segue, portanto que d d ( ) para todo ϕ (8.7) 6
7 Observe também que d dt 2 para todo (8.8) Portanto, todos os fatores que consttuem o somatóro no lado dreto da Equação (8.6) são não-negatvos. Conseqüentemente, a varação no tempo da função de energa E defnda por (8.3), é tal que de dt t A partr da defnção da Equação (8.3), notamos que a função E é bounded E E ( mn ). De acordo com sso, podemos fazer duas afrmações:. A função de energa E é uma Função de Energa de Lyapunov do modelo contínuo da Rede de Hopfeld. 2. O modelo é estável de acordo com o Teorema de Lyapunov [2]. Em outras palavras, a evolução no tempo do modelo contínuo de Hopfeld, descrta pelo sstema de equações dferencas não-lneares de prmera ordem (Equação (8.5)) representa uma traetóra no espaço de estado, a qual movmenta-se na dreção de um dos mínmos da Função de Energa de Lyapunov e que acaba por termnar em um destes pontos. Daí, então, a denomnação de Atratores para as coordenadas do vetor de estado [ ] T N! quando E () Emn. A partr da Equação (8.6) pode-se observar também que a dervada de dt é nula (sto é, o sstema encontra-se em um nível de energa estável) somente se. d dt () t para todo Podemos, então, segur um passo adante e escrever de < eceto em um ponto fo (8.9) dt 7
8 A Equação (8.9) provê base para o segunte postulado: "A Função de Energa de Lyapunov E de uma Rede Hopfeld é uma função monotoncamente decrescente do tempo." Assm, a Rede de Hopfeld é global e assntotcamente estável com os mínmos de E ocorrendo para coordenadas do vetor de estado [ ] T às coordenadas dos Atratores da rede. N! que correspondam 8. Relação entre os Estados Estáves das Versões Contínua e Dscreta do Modelo de Hopfeld A rede de Hopfeld pode ser operada em um modo contínuo ou dscreto, dependendo do modelo adotado para descrever os neurônos. O modo contínuo de operação é baseado em um modelo adtvo, conforme prevamente descrto. O modo dscreto de operação é baseado no modelo de McCulloch-Ptts. Podemos prontamente estabelecer a relação entre os estados estáves do modelo contínuo de Hopfeld e os estados estáves do modelo dscreto de Hopfeld correspondente, através da redefnção da relação entrada-saída para um neurôno que satsfaça a duas smplfcações:. A saída de um neurôno tem os valores assntótcos + para para v v (8.2) 2. O ponto médo da função de atvação de um neurôno fca na orgem, conforme mostrado por ϕ () (8.2) De forma correspondente, pode-se fazer o bas I gual a zero para todo. 8
9 Ao formular a função de energa E para um modelo contínuo de Hopfeld, é permtdo que os neurônos tenham laços de auto-realmentação. Um modelo dscreto de Hopfeld, por outro lado, não necessta ter laços de auto-realmentação. Pode-se, portanto, smplfcar a dscussão fazendo para todos em ambos os modelos. A partr destas observações, podemos redefnr a função de energa de um modelo contínuo de Hopfeld dada pela Equação (8.3) conforme segue: E N N 2 + N R o () ϕ d (8.22) A função nversa ϕ () é defnda pela Equação (8.2). Podemos então reescrever a função de energa da Equação (8.22), conforme segue: A ntegral E N N 2 o ϕ + N () d a R o () ϕ (8.23) tem a forma padrão mostrada na Fgura 8.4. Seu valor é zero para e postvo em todos os outros casos. Anda, a ntegral assume um valor muto grande à medda que se aproma de ±. d Fgura 8.4: Gráfco representatvo da ntegral ϕ () d. o 9
10 Se, entretanto, o ganho a do neurôno se torna nfntamente grande (sto é, a não-lneardade sgmodal se aproma da função de transferênca de um hard lmter), o segundo termo da Equação (8.23) se torna desprezvelmente pequeno. No caso lmte, quando a para todo, os valores mámo e mínmo das componentes do vetor de estado [ ] T N! no modelo contínuo de Hopfeld se tornam dêntcos àqueles no modelo dscreto de Hopfeld. Para o caso do modelo dscreto, a Função de Energa de Lyapunov é defnda smplesmente por E N N 2 (8.24) onde o estado do -ésmo neurôno assume os valores ±. Conclu-se, portanto, que os pontos estáves (Atratores) do modelo determnístco contínuo de alto ganho de Hopfeld correspondem aos pontos estáves do modelo dscreto estocástco de Hopfeld. Quando, entretanto, cada neurôno tem um ganho a grande, porém fnto, o segundo termo do lado dreto da Equação (8.23) assume uma contrbução não nsgnfcante para a função de energa do modelo contínuo. Em partcular, esta contrbução é grande e postva prómo a todas as faces, bordas e cantos do hpercubo untáro que defne o espaço de estados do modelo. Por outro lado, a contrbução é desprezvelmente pequena em pontos que estão dstantes das faces. De acordo com sso, a função de energa de tal modelo tem seu mámo nos cantos, mas os mínmos estão levemente posconados em dreção ao nteror do hpercubo. A Fgura 8.5 mostra o mapa dos Contornos de Energa (energy landscape) para um modelo contínuo de Hopfeld usando dos neurônos.
11 Fgura 8.5: Mapa dos Contornos de Energa (lnhas sóldas) para uma Rede de Hopfeld composta de dos neurônos. A ordenada e a abscssa são as componentes do vetor de estado [ ] T, correspondendo respectvamente a cada um dos nós de saída dos dos neurônos que compõe a rede. Os dos Atratores desta rede estão localzados prómo ao canto esquerdo nferor e canto dreto superor da fgura. Os pontos nstáves localzam-se nos outros dos cantos. As setas defnem a traetóra de movmentação de [ ] T (state flo) a partr de qualquer coordenada ncal no mapa. O state flo na dreção dos Atratores é conseqüênca do processo de mnmzação da Função de Energa de Lyapunov, dada por (8.3), efetuado pela Rede de Hopfeld a medda que o tempo t T transcorre a partr de um estado ncal () t [ () t () t ] () [ () () ] T. t Observe que cada Atrator consttu um sumdouro (snk) para o campo vetoral formado pelas setas do state flo.
12 8.2 O Modelo Dscreto de Hopfeld Vsto como uma Content-Addressable Memory (CAM). As Redes de Hopfeld têm atraído muta atenção na lteratura como CAM. Neste tpo de aplcação, sabemos a pror os Atratores da rede, no sentdo de que eles correspondem a padrões a serem armazenados. Entretanto, os pesos snáptcos da rede que produzem os Atratores são desconhecdos, e o problema é como determná-los. A função prmordal de uma CAM é recuperar um padrão armazenado na memóra, em resposta à apresentação de uma versão ncompleta ou rudosa daquele padrão. Para lustrar o sgnfcado desta afrmatva, de uma forma sucnta, nada melhor podemos fazer do que ctar o própro Hopfeld (982): Suponha que um tem armazenado na memóra sea H. A. Kramers & G. H. Wanner Phys Rev.6, 252 (94). Uma CAM deve ser capaz de recuperar este tem ntero da memóra com base em uma nformação parcal. A entrada & Wanner (94) deve ser sufcente. Uma memóra deal pode ldar com erros e recuperar esta referênca mesmo a partr da entrada Wanner, (94). Uma propredade mportante de uma CAM é, portanto, a habldade de recuperar um padrão armazenado, dado um subconunto razoável do conteúdo de nformação daquele padrão. Mas anda, uma CAM permte correção de erro no sentdo de que ela pode gnorar nformações nconsstentes nas sugestões apresentadas a ela. A essênca de uma CAM é mapear uma memóra fundamental ξ μ em um Atrator µ de um sstema dnâmco, conforme lustrado na Fgura 8.6. Matematcamente, podemos epressar este mapeamento na forma µ µ. ξ 2
13 Fgura 8.6: Ilustração da codfcação-decodfcação desempenhada por uma rede recorrente. A seta da esquerda para a dreta descreve uma operação de codfcação, enquanto que a seta da dreta para a esquerda descreve uma operação de decodfcação. Os pontos fos atratores do espaço de estado da rede são as memóras fundamentas ou estados protótpos da rede. Suponha agora que sea apresentado à rede um padrão contendo nformação parcal mas sufcente sobre uma das memóras fundamentas. Podemos então representar aquele partcular padrão como ponto de partda no espaço de estados. Em prncípo, desde que o T ponto de partda (sto é, o estado ncal () t [ () t () t ] () [ () () ] T ) t sea prómo ao Atrator que representa a memóra a ser recuperada (sto é, desde que () estea dentro da baca de atração de um dos Atratores), o sstema deve evolur com o tempo e fnalmente convergr para o própro Atrator que representa a memóra. Neste nstante de tempo a memóra ntera é recuperado pela rede. Conseqüentemente, a Rede de Hopfeld tem uma propredade emergente, a qual a aula a recuperar nformação e a ldar com erros. Com o modelo de Hopfeld utlzando o neurôno formal de McCulloch e Ptts (943) como undade básca de processamento, cada neurôno tem dos estados determnados pelo nível do campo local nduzdo que atua sobre ele. O estado lgado do 3
14 neurôno é denotado pela saída +, e o estado deslgado é representado por. Para uma rede consttuída de N neurônos, o estado da rede é então defndo pelo vetor [ ] T N!. Com ±, o estado do neurôno representa um bt de nformação, e o vetor de estado R N, representa uma palavra bnára de N bts de nformação. O campo nduzdo local v do neurôno é defndo por onde modfca seu estado v N + b (8.25) b é um bas fo aplcado eternamente ao neurôno. Portanto, o neurôno de acordo com (neurôno de McCulloch e Ptts): + se se v v > < Esta relação pode ser reescrta na forma compacta sgn [ v onde sgn () retorna o snal do argumento. Se v é zero, o neurôno permanece em seu estado anteror, desconsderando se está lgado ou deslgado. O sgnfcado de assumr esta convenção é que o dagrama de fluo resultante é smétrco, como será lustrado posterormente. Há duas fases para a operação da rede dscreta de Hopfeld como uma CAM, chamadas:! Armazenagem (Storage phase) e! Recuperação (Retreval phase). ] 4
15 . Storage Suponha que deseamos armazenar um conunto de vetores N dmensonas (palavras bnáras), denotado por { µ,,..., M }. Chamamos estes M vetores de ξ µ memóras fundamentas, representando os padrões a serem memorzados pela rede. Sea ξ µ, o ésmo elemento da memóra fundamental ξ. µ De acordo com a regra do produto eterno de armazenamento, ou sea, a generalzação do postulado de aprendzado de Hebb, o peso snáptco do neurôno para o neurôno é defndo por N M µ ξ ξ µ, µ, (8.26) A motvação para usar N como constante de proporconaldade é smplfcar a descrção matemátca da recuperação da nformação. Note também que a regra de aprendzado da Equação (8.26) é um procedmento não-teratvo, sto é, os pesos snáptcos fcam totalmente determnados após a soma de M termos. Observe que o que sgnfca os neurônos da Rede de Hopfeld não têm auto-realmentação (ver Fgura 8.), de modo que para todo (8.27) Sea W a matrz de pesos snáptcos de dmensão [ N N] da rede, com sendo seu -ésmo elemento. Podemos então combnar as Equações (8.26) e (8.27) em uma únca equação escrta na forma matrcal, conforme segue: M T N ξ ξ µ µ µ W M I (8.28) T onde ξ ξ µ µ representa o produto eterno do vetor ξ com ele própro, e I denota a µ matrz dentdade. A partr destas defnções dos pesos snáptcos/matrz de pesos, podemos, mas uma vez, verfcar que:! A saída de cada neurôno na rede é realmentada para as entradas de todos os outros neurônos.! Não há elo de auto-realmentação na rede (sto é, ).! A matrz de pesos da rede é smétrca (ver Equação (8.6)), sto é, W T W (8.29) 5
16 2. Retreval Durante a Recuperação, um vetor N dmensonal ξ é mposto à Rede de Hopfeld sonda como seu estado. O vetor sonda tem os seus elementos guas a ±. Tpcamente, o vetor representa uma versão ncompleta ou rudosa de uma memóra fundamental da rede. A recuperação de nformação acontece de acordo com uma regra dnâmca teratva, na qual, a cada teração, um neurôno da rede é aleatoramente escolhdo e é eamnado o campo local nduzdo v (nclundo qualquer bas não nulo b ). Se, a qualquer nstante de tempo v > o neurôno rá trocar seu estado para +, ou permanecerá naquele estado se á estver lá. De forma smlar, se v <, o neurôno rá trocar seu estado para, ou permanecerá neste estado se á estver lá. Se v, o neurôno é deado no seu estado prévo, não mportando se estava lgado ( + ) ou deslgado ( ). A atualzação do estado de uma teração para a próma é, portanto, determnístca, mas a seleção de um neurôno para que sea eecutada a atualzação é aleatóra. O procedmento de atualzação assíncrona (seral) aqu descrto é contnuado até que não haa mas mudanças a reportar. Isto é, começando com o vetor sonda, a rede fnalmente produz um vetor de estado y nvarante no tempo, cuos elementos ndvduas satsfazem a condção para a establdade: N y sgn ou, sob a forma matrcal, y + b, ( y b) y sgn W +,, 2,..., N (8.3) (8.3) onde W é a matrz de pesos snáptcos da rede, e b é o vetor bas eternamente aplcado. A condção de establdade aqu descrta é também referda como a condção de alnhamento. O vetor de estado y que a satsfaz é chamado um estado estável ou Atrator do espaço de estados do sstema. Podemos, portanto, afrmar que a Rede de Hopfeld rá sempre convergr para um estado estável quando a operação de recuperação é conduzda de forma assíncrona. 6
17 8.3 Sumáro do Modelo de Hopfeld A Tabela 8. apresenta o sumáro dos passos envolvdos nas fases operaconas de Armazenagem e de Recuperação de uma Rede de Hopfeld. O passo é a fase de Armazenagem e os passos 2 a 4 consttuem a fase de Recuperação.. Aprendzado Sea { ξ, ξ,!, ξ } um conunto conhecdo de memóras M N-dmensonas fundamentas (Atratores). " Usa-se a regra do produto eterno (sto é, o postulado de aprendzagem de Hebb) para computar os pesos snáptcos da rede: M N µ, ξ µ ξ, µ, Onde é o peso snáptco do neurôno para o neurôno. Os elementos do vetor ξ são guas a ±. µ Uma vez determnados os pesos snáptcos fos., estes são mantdos 2. Incalzação Sea ξ sonda um vetor de entrada N dmensonal desconhecdo (sonda) apresentado à rede. " O algortmo é ncalzado fazendo-se () com,,, N ξ., sonda! Onde é o estado do neurôno no tempo n, e ξ é o ésmo elemento do vetor sonda, sonda ξ. sonda 7
18 3. Iteração até a convergênca " Os elementos do vetor de estados () n são atualzados de forma assíncrona (sto é, aleatoramente e um de cada vez), de acordo com a regra N ( + ) sgn n ( n),,,!, N. " A teração é repetda até que o vetor de estado permaneça nalterado. 4. Saída Sea snk o vetor que representa as coordenadas do Atrator computado ao fnal do passo três. " O resultante vetor de saída y da rede é dado por y snk 8.4 Referêncas Bblográfcas do Capítulo 8 [] S. Haykn, Neural Netorks, 2 nd ed., Prentce Hall, Upper Saddle Rver, Ne Jersey, 999. [2] C. T. Chen, Lnear System Theory and Desgn, Harcourt Brace College Publshers, 984. [3] M. H. Hassoun, Fundamentals of Artfcal Neural Netorks, MIT Press, 995. [4] J. Hertz, A. Krogh e R. G. Palmer, Introducton to the Theory of Neural Computaton, Addson-Wesley, 99. 8
19 Apêndce: Rede de Hopfeld - Codfcação Não - Lnear Funções aulares deste scrpt para MathCad 7.: Bn( HopfeldVector) ( HopfeldVector ) 2 Hop( BnWord) 2. BnWord Not( BnWord) BnWord SpectrDst( Code) nn cols( Code) CodSze cc for for acc for ros( Code) a.. CodSze 2 b a.. CodSze.. nn acc acc f Code a Dst cc acc, Code b, Dst cc cc Fgura : Rede de Hopfeld com 4 neurônos e respectvos hard lmters. O obetvo deste estudo é nvestgar a capacdade da Rede de Hopfeld codfcar e decodfcar (no conteto de Códgos Para Correção de Erros) um espaço de vetores bnáros (eceto o vetor, caracterzando a Codfcação Não-Lnear ). Sea, por eemplo, o espaço de vetores bnáros de dmensão 4 (eceto o vetor ): BnSpace
20 2 Normalzando as componentes dos vetores para +, -: ξo Hop( BnSpace) ξo Obtendo a matrz de pesos snáptcos W da Rede de Hopfeld para o conunto de vetores ξ o : Nota: W é o peso snáptco que conecta a saída do neurôno à respectva entrada no neurôno WeghtMatr( ξ ) N ros( ξ ) M W cols( ξ ). N return W M <>. ξ <>T ξ M. dentty( N) W WeghtMatr( ξo) W
21 3 Obtendo os estados estáves (Atratores) da Rede de Hopfeld para a matrz de pesos snáptcos W obtda do conunto de vetores ξ o : Nota: Um vetor de estado é estável se sgn(w ), (Condção de Alnhamento) onde sgn(u) representa o hard lmter. StableStates( ξ, W) M cols( ξ ) N for ros( ξ ).. M Y W. ξ for k.. N S k S k f Y k < S k f Y k > f S ξ <> Ss <> S return Ss Ss StableStates( ξo, W) Bn( Ss) Verfcando a consstênca dos Atratores: Nota: Se um conunto Ss de vetores de estado é um conunto de Atratores então os seus estados estáves são formados pelos própros vetores de Ss: W WeghtMatr( Ss) W Bn( StableStates( Ss, W) )
22 Calculando as dstâncas de Hammng entre os Atratores: Nota: Quanto maor a Dstânca de Hammng mínma maor a capacdade de correção de erro do decodfcador. SpectrDst Bn Ss ( ) T T Resultado que não é muto satsfatóro. Epermentemos determnar a Dstânca de Hammng entre os Atratores, só que TRANSPOSTOS, sto é: Bn Ss T SpectrDst Ss ( ) T O que é um resultado EXTREMAMENTE satsfatóro, á que consegumos mamzar a Dstânca de Hammng entre todos os vetores. Portanto estes vetores são palavras códgo bnáras com bom potencal para codfcação. Anda é necessáro verfcar se os Atratores transpostos formam um conunto de Atratores: ξ Ss T Bn ξ ( ) W WeghtMatr ξ ( ) W Ss_Ne StableStates ξ W, ( ) Bn Ss_Ne ( ) Bn ξ ( ) Portanto, os Atratores transpostos também formam um conunto de Atratores. 4
23 5 No entanto, a Rede de Hopfeld pode convergr para outros Atratores dferentes daqueles defndos pela matrz W obtda do conunto de vetores ξ. Tas Atratores são denomnados Atratores Espúros (estados espúros): No presente caso, o conunto de Atratores Espúros ξ espur são os vetores obtdos da negação lógca (NOT) das componentes do conunto de Atratores ξ : ξespur Hop( Not( Bn( ξ ))) Bn( ξespur) Bn( ξ ) Observe que o conunto de Atratores Espúros ξ espur também obedece a Condção de Alnhamento sgn(w ), onde é um dos vetores do conunto ξ espur : Bn( StableStates( ξespur, W) ) W Os Atratores Espúros ξ espur decorrem da stuação em que W possu autovalores muto prómos ou guas (nulos ou não), como é o caso em questão, para o qual temos 2 grupos de 3 autovalores guas: egenvals( W) T Nota: Atratores Espúros ocorrem também para o conunto orgnal ξ o : egenvals( WeghtMatr( ξo) ) T
24 6 Verfcando a capacdade de correção de erro da Rede de Hopfeld no conteto de Codfcação/Decodfcação: Nota: O pseudo-códgo Retreval(. ), abao especfcado, mplementa a fase de Recuperação de uma Rede de Hopfeld com matrz de pesos snáptcos W a partr do vetor sonda. O argumento CheckWndo especfca o número de terações durante as quas deve permanecer constante para que sea consderado que a rede convergu para um Atrator. Retreval(, W, CheckWndo) MaIter N ros( ) net < > for n.. MaIter floor( rnd( N) ) N v W., f v < f v > net < n> Test CheckWndo net < n k> net < n k > f n> CheckWndo k return net < n> f Test return net
25 7 Codfcando e decodfcando: Bn( Ss) Not( Bn( Ss) ) Observe do conunto de vetores Ss acma que a Rede de Hopfeld em questão gera um códgo bnáro NÃO LINEAR (não este a palavra-códgo ) e Sstemátco com mensagens de k2 bts e palavras-códgo resultantes de n6 bts. Vamos supor que a Rede de Hopfeld receba a segunte palavra-códgo: Receved ( ) T A rede pode convergr para o Atrator mas prómo em termos da Dstânca de Hammng: Decoded Bn( Retreval( Hop( Receved), W,. ros( Ss) )) Decoded T Ou pode convergr para o Atrator Espúro mas prómo em termos da Dstânca de Hammng: Decoded Bn( Retreval( Hop( Receved), W,. ros( Ss) )) Decoded T Uma possível solução para a ambgudade gerada pelos Atratores Espúros é, ocorrendo convergênca para um estado estável que não pertence ao conunto de Atratores ξ, eecuta-se novamente o processo até que ocorra convergênca para um estado estável pertencente a ξ. ξ. Uma outra possível solução para a ambgüdade gerada pelos Atratores Espúros é conduzr as terações na fase de Retreval da Rede de Hopfeld de modo que, se a dstânca de Hammng entre o vetor de estado e os vetores do conunto de Atratores Espúros ξ espur car abao de um valor d mn consderado seguro, a teração é descartada e o vetor não é atualzado.
Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12
Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisELE0317 Eletrônica Digital II
2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para
Leia mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ
ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisMÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL
CIRCUITOS ELÉTRICOS Método de Análse: Análse Nodal Dscplna: CIRCUITOS ELÉTRICOS Professor: Dr Marcos Antôno de Sousa Tópco MÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL Referênca bbloráfca básca:
Leia mais8 Soluções Não Ideais
8 Soluções Não Ideas 8.1 Convenções para o coefcente de atvdade na escala de frações molares Para a solução deal temos ln x onde é função apenas da pressão e temperatura. Fo anterormente mostrado que todas
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho
rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisAnálise de faltas balanceadas e não-balanceadas utilizando Z bar. 1. Análise de falta balanceada usando a matriz de impedância de barra (Z bar )
Análse de altas balanceadas e não-balanceadas utlzando. Análse de alta balanceada usando a matrz de mpedânca de ra ( ) Aqu será eta uma análse de cálculo de curto-crcuto trásco (alta balanceada), utlzando
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisSÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.
I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisUm modelo nada mais é do que uma abstração matemática de um processo real (Seborg et al.,1989) ou
Dscplna - MR070 INTRODUÇÃO À MODELAGEM DE SISTEMAS LINEARES POR EQUAÇÕES DIFERENCIAIS Os modelos de um determnado sstema podem ser físcos ou matemátcos. Neste curso focaremos a modelagem pela dentfcação
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais4 Sistemas de partículas
4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as
Leia maisLaboratório de Mecânica Aplicada I Determinação de Centros de Gravidade
Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisESTUDO DA MÁQUINA SIMÉTRICA TRIFÁSICA
CAPÍTUO ETUDO DA ÁQUINA IÉTICA TIFÁICA. INTODUÇÃO A máquna de ndução trfásca com rotor bobnado é smétrca. Apresenta estruturas magnétcas clíndrcas tanto no rotor quanto no estator. Os enrolamentos, tanto
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais2 - Análise de circuitos em corrente contínua
- Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;
Leia maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
Leia maisCEL033 Circuitos Lineares I
Aula 4/3/22 CEL33 Crcutos Lneares I NR- vo.junor@ufjf.edu.br Assocação Bpolos Assocação de Bpolos Assocação em Sére Elementos estão conectados em sére se são percorrdos pela mesma corrente. Assocação em
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisCARGA E DESCARGA DE UM CAPACITOR
EXPEIÊNCIA 06 CAGA E DESCAGA DE UM CAPACITO 1. OBJETIVOS a) Levantar, em um crcuto C, curvas de tensão no resstor e no capactor em função do tempo, durante a carga do capactor. b) Levantar, no mesmo crcuto
Leia maisResumo de Álgebra Linear - parte II
Aula 7 Resumo de Álge Lnear - parte II 7.1 Resumo Nesta aula contnuamos desenvolvendo concetos báscos de álge lnear, aprmorando a famlardade com a notação de Drac. Bblograa: Moysés, 8.7 (em parte), e Cohen-Tannoudj,
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia maisRedes de Petri. Definições:
Redes de Petr Defnções: Uma Rede de Petr (PN) é m grafo dreto bpartdo o qal tem dos tpos de nós denomnados lgares (qe representam estados) e transções (qe representam eventos). O estado é alterado pelo
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisLeis de conservação em forma integral
Les de conservação em forma ntegral J. L. Balño Departamento de Engenhara Mecânca Escola Poltécnca - Unversdade de São Paulo Apostla de aula Rev. 10/08/2017 Les de conservação em forma ntegral 1 / 26 Sumáro
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia mais2-Uma Breve Introdução à Teoria dos Conjuntos Fuzzy 2.1-Conjunto Fuzzy
pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN METODOLOGI DE RESOLUÇÃO DE PROBLEMS DE PROGRMÇÃO LINER FUZZY ndré lves Gandolpho Departamento de Engenhara Elétrca Unversdade
Leia maisProf. Henrique Barbosa Edifício Basílio Jafet - Sala 100 Tel
Prof. Henrque arbosa Edfíco asílo Jafet - Sala 00 Tel. 309-6647 hbarbosa@f.usp.br http://www.fap.f.usp.br/~hbarbosa Faraday e Maxwell 79-867 O potencal elétrco Defnção de potencal: para um deslocamento
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Leia maisEcho State Networks. Universidade de São Paulo São Carlos / SP. Instituto de Ciências Matemáticas e de Computação
Unversdade de São Paulo São Carlos / SP Insttuto de Cêncas Matemátcas e de Computação Echo State Networks Sstemas Intelgentes Prof. Dra. Rosel A. Franceln Romero Fabríco Breve João R. Bertn Jr. Sumáro
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisRobótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016
Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:
Leia maisLei dos transformadores e seu princípio de funcionamento
Le dos transformadores e seu prncípo de funconamento Os transformadores operam segundo a le de Faraday ou prmera le do eletromagnetsmo. Prmera le do eletromagnetsmo Uma corrente elétrca é nduzda em um
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.
Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisXXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase
Soluções Nível Unverstáro XXVII Olmpíada Braslera de Matemátca GABARITO Prmera Fase SOLUÇÃO DO PROBLEMA : Pelo enuncado, temos f(x) = (x )(x + )(x c) = x 3 cx x + c, f'(x) = 3x cx, f '( ) = ( + c) e f
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisSistemas Equivalentes de Forças
Nona E 3 Corpos CÍTULO ECÂNIC VETORIL R ENGENHEIROS: ESTÁTIC Ferdnand. Beer E. Russell Johnston, Jr. Notas de ula: J. Walt Oler Teas Tech Unverst Rígdos: Sstemas Equvalentes de Forças 2010 The cgraw-hll
Leia maisFísica Geral I F Aula 3 Escalares e Vetores. Segundo semestre de 2009
Físca Geral I F -128 ula 3 Escalares e Vetores Segundo semestre de 2009 Grandeas Escalares e Vetoras Uma grandea físca é um escalar quando pode ser caracterada apenas por um número, sem necessdade de assocar-lhe
Leia maisTrabalho e Energia. Curso de Física Básica - Mecânica J.R. Kaschny (2005)
Trabalho e Energa Curso de Físca Básca - Mecânca J.R. Kaschny (5) Lembrando nosso epermento de queda lvre... z z 1 v t 1 z = z - v t - gt ( ) z- z v = g = t Contudo, se consderarmos obtemos: v z z 1 t
Leia mais1º Exame de Mecânica Aplicada II
1º Exame de Mecânca Aplcada II Este exame é consttuído por 4 perguntas e tem a duração de três horas. Justfque convenentemente todas as respostas apresentando cálculos ntermédos. Responda a cada pergunta
Leia mais