2017614 RedeneuralartificialWikipdia,aenciclopdialivre

Redeneuralartificial
Origem:Wikipdia,aenciclopdialivre.

Estapginaousecocitafontes
confiveiseindependentes,mas
quenocobremtodoocontedo(desde
abrilde2013).
Por
favor,adicionemaisrefernciasinserindo
asnotextoounorodap.Materialsem
fontespoderserremovido.Encontre
fontes:Google(notcias,livroseacadmico)

Emcinciadacomputaoecamposrelacionados,redesneurais
artificiais(RNAs)somodeloscomputacionaisinspirados
pelosistemanervosocentraldeumanimal(emparticularocrebro)
quesocapazesderealizaroaprendizadodemquinabemcomo
oreconhecimentodepadres.Redesneuraisartificiasgeralmenteso
apresentadascomosistemasde"neurniosinterconectadosque
podemcomputarvaloresdeentradas".
Diagramasimplificadodeumarede
Porexemplo,umaredeneuralparaoreconhecimentodeescrita neural.
manualdefinidaporumconjuntodeneurniosdeentradaque
podemserativadospelospixelsdeumaimagemdeentrada.Asativaesdessesneurniossoento
repassadas,ponderadasetransformadasporumafunodeterminadapelodesignerdarede,aoutros
neurnios.Esteprocessorepetidoatque,finalmente,umneurniodesadaativado.Issodeterminaque
caracterefoilido.

Assimcomooutrosmtodosdeaprendizadodemquina,sistemasqueaprendemapartirdosdados,redes
neuraistmsidousadaspararesolverumagrandevariedadedetarefasquesodifceisderesolverutilizando
programaobaseadaemregrascomuns,incluindovisocomputacionalereconhecimentodevoz.

ndice[esconder]
1 Exemplos
2 Aplicaes
3 Histrico
3.1 Dcadade1940
3.2 Dcadade1950
3.3 Dcadade1960
3.4 Dcadade1970
3.5 Dcadade1980
4 RNAs(vantagensecaractersticas)
4.1 Arquiteturas
4.2 Modelos
4.3 Clculos
4.4 Utilidade
4.5 Aprendizado(outreino)
5 Descrio
5.1 TiposdeEntradas
6 Diferenciao
6.1 Redepralimentada

https://pt.wikipedia.org/wiki/Rede_neural_artificial 1/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

6.2 Aplicaesreais
6.3 CTRNN
7 Tiposderedesneurais
7.1 Perceptroncomumacamada
7.2 Perceptronmulticamadas
7.3 RedesARTs
7.3.1 Aplicao
7.3.2 Aprendizado
7.4 RedeHopfield
7.5 DefiniesIniciais
7.6 Memriaassociativa
7.7 Aplicao
7.8 Estrutura
7.9 Treinamento
7.10 MemoriaAssociativa
8 PropriedadesTericas
8.1 CapacidadeComputacional
8.2 Capacidade
8.3 Convergncia
8.4 GeneralizaoeEstatsticas
9 RedesNeuraiseNeurocincia
9.1 Tiposdemodelos
10 Galeria
11 Referncias
12 Vertambm
13 Ligaesexternas

Exemplos [ editar|editarcdigofonte ]

Ainspiraooriginalparaessatcnicaadvmdoexamedasestruturasdocrebro,emparticulardoexame
deneurnios.Apropriedademaisimportantedasredesneuraisahabilidadedeaprenderdeseuambiente
ecomissomelhorarseudesempenho.Issofeitoatravsdeumprocessoiterativodeajustesaplicadoaos
seuspesos,otreino.

Aaprendizagemocorrequandoaredeneuralatingeumasoluogeneralizadaparaumaclassede
problemas.

Denominasealgoritmodeaprendizagemaumconjuntoderegrasbemdefinidasparaasoluodeum
problemadeaprendizagem.Outrofatorimportanteamaneirapelaqualumaredeneuralserelacionacomo
ambiente.Nessecontextoexistemosseguintesparadigmasdeaprendizagem:

AprendizagemSupervisionada,quandoutilizadoumagenteexternoqueindicaredearespostadesejada
paraopadrodeentrada,AprendizagemNoSupervisionada(autoorganizao),quandonoexisteuma
agenteexternoindicandoarespostadesejadaparaospadresdeentrada,eAprendizagemporReforo,
quandoumcrticoexternoavaliaarespostafornecidapelarede.

Aplicaes [ editar|editarcdigofonte ]

https://pt.wikipedia.org/wiki/Rede_neural_artificial 2/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

ReconhecimentoAutomticodeAlvosReconhecimentodeCaracteresRobticaDiagnsticoMdico
SensoriamentoRemotoProcessamentodeVozBiometria.

Histrico [ editar|editarcdigofonte ]

Asprimeirasinformaessobreneurocomputaosurgiramem1943,emartigos
doneuroanatomistaepsiquiatraWarrenMcCulloch,doInstitutoTecnolgicodeMassachusetts,e
domatemticoWalterPitts,daUniversidadedeIllinois.Osautoresfizeramumaanalogiaentreclulas
nervosasvivaseoprocessoeletrnico,emumtrabalhopublicadosobre"neurniosformais"simulando
ocomportamentodoneurnionatural,noqualoneurniopossuaapenasumasada,queeraumafunoda
somadevalordesuasdiversasentradas.Otrabalhoconsistianummodeloderesistoresvariveis
eamplificadores,representandoconexessinpticasdeumneurniobiolgico.

Dcadade1940 [ editar|editarcdigofonte ]

Possivelmenteumadaspublicaesmaissignificativas,formuladaporvonNeumann,foiTheGeneraland
LogicalTheoryofAutomata,nofinaldadcadade1940.

Talvezamaisremotainfluncia(noiniciodosculoXIX),foiado"PatodeVaucanson",umautmatoem
formadepatocomcentenasdepeasequealmdegrasnar,comia,bebia,digeriaenadava.No
esquecendodemencionartambmamquinadeTuring(1936).OresultadodoautmatodeTuring
influenciouvonNeumann,eolevouaperceberqueosseresvivosestavamdefatoentreasmquinasquea
mquinadeTuringpoderiaemular.Nasuaobra,arquiteturadevonNeumann,elefezumaanalogiaentreos
rgoseaspartesdeumcomputador,entreportaslgicas,circuitoseneurnios.[1]

OlivroCyberneticsdeWienerpublicadoem1948descrevealgunsconceitossobrecontrole,comunicaoe
processamentoestatsticodesinais.Em1961foiadicionadonasegundaediodolivromaterialsobre
aprendizagemeautoorganizao.EmambasasediesdesselivrooCaptulo2trazocompreendimentodo
significadofsicodamecnicaestatsticanocontextodesseassuntosegundoWiener,masquemconseguiu
terminaraligaoentreamecnicaestatsticaeossistemasdeaprendizagemfoiHopfieldmaisde30anos
depois.[2]

Em1949Hebbintroduziuacapacidadedeaprenderatravsdeseulivro"TheOrganizationofBehavior".
HebbdescreveuumsistemadeaprendizadoporcorrelaodosneurniosqueacaboudandoorigemRegra
deAprendizagemdeHebbeessateoriacomumenteevocadaparaexplicaralgunstiposdeaprendizagem
associativosnoqualaativaosimultneadeclulaslevaaumcrescimentopronunciadonaforasinptica.
Talaprendizadoconhecidocomoaprendizagemhebbiana.[3]

Dcadade1950 [ editar|editarcdigofonte ]

Em1951,foiconstrudooprimeironeurocomputadordenominadoSnark,porMavinMinsky.OSnarkoperava
comsucessoapartirdeumpontodepartidatcnico,ajustandoseuspesosautomaticamente,entretanto,ele
nuncaexecutouqualquerfunodeprocessamentodeinformaointeressante,masserviudeinspirao
paraasideiasdeestruturasqueosucederam.

OlivrodeAshby(DesignforaBrain:TheOriginofAdaptiveBehavior)quefoipublicadoem1952tratado
conhecimentobsicodequeocomportamentoadaptativononascecomoindivduo,massimaprendido,e
queatravsdaaprendizagemoanimal(sistema)normalmentemudaseucomportamentoparamelhor.So
enfatizadosnestelivroosaspectosdinmicosdoorganismovivocomoumamquinaeoconceito
correlacionadodeestabilidade.

Gabor,umdospioneirosdateoriadacomunicaoeoinventordaholografia,propsem1954aideiadeum
filtroadaptativonolinear.Comaajudadecolaboradores,Gaborconstruiuumamquinaquealimentada
https://pt.wikipedia.org/wiki/Rede_neural_artificial 3/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

comamostrasdeumprocessoestocstico,maisafunoalvoqueamquinadeveriaproduzir,realizavaa
aprendizagem.

Em19541955,CraggeTamperleyobservaramqueostomosemumaredetmseusspinsapontando"para
cima"ou"parabaixo",assimcomoosneurniospodemser"disparados"(ativados)ou"nodisparados"
(quiescentes).[4]

Em1956noDarthmouthCollegenasceramosdoisparadigmasdaIntelignciaArtificial,asimblicaeo
conexionista.AIntelignciaArtificialSimblicatentasimularocomportamentointeligentehumano
desconsiderandoosmecanismosresponsveisportal.JaIntelignciaArtificialConexionistaacreditaque
construndoseumsistemaquesimuleaestruturadocrebro,estesistemaapresentarinteligncia,ouseja,
sercapazdeaprender,assimilar,errareaprendercomseuserros.OlivrodeHebbtemsidoumafontede
inspiraoparaodesenvolvimentodemodeloscomputaconaisdesistemaadaptativosedeaprendizagem.O
artigodeRochester,Holland,HaibteDuda(1956)talvezsejaaprimeiratentativadeusarsimulao
computacionalparatestarumateorianeuralbemformuladacombasenopostuladodeaprendizagemde
Hebb(queaeficinciadeumasinapsevarivelentredoisneurniosaumentadapelaativaorepetidade
umneurniocausadapelooutroneurnio).NaquelemesmoanoUttley(1956)demonstrouqueumarede
neuralcomsinapsesmodificveispodeaprenderaclassificarconjuntossimplesdepadresbinriosem
classescorrespondentes.

Em1957RosenblattiniciatestessimuladosemumcomputadorIBM704noLaboratriodaAeronuticade
Cornell.Peloestudoderedesneurais,comoaPerceptron,Rosenblattesperavaqueasleisfundamentaisda
organizaoquesocomunsatodosossistemasdeinformaodemovimentao,mquinasehomens
includos,pudesseeventualmentesercompreendida.

Em1958,FrankRosenblattcriouoPerceptron,ummodelocognitivoqueconsistiadeunidadessensoriais
conectadasaumanicacamadadeneurniosdeWarrenMcCullochePitts,capazdeaprendertudooque
pudesserepresentar.Rosenblattdemonstrouque,sefossemacrescidassinapsesajustveis,asredes
neuraisdeWarrenMcCullochePittspoderiamsertreinadasparaclassificarpadresemclasseslinearmente
separveis,convergindoemumnmerolimitadodepassos.[5]

Eficinciadetransmisso(peso)ajustvelestaenviaaresposta(sadas)paraaterceiracamada.

OintuitodeRosenblatteraprojetarRNAsquefossemcapazesdefazerdescobertasinteressantessema
necessidadederegras,oque,alis,continuasendoalvodospesquisadores.[6]

Dcadade1960 [ editar|editarcdigofonte ]

Noinciodadcadade1960,WidroweHoffpublicamumartigonoqualespecificamumneurnioartificial
baseadonomodelodeMcCullochePitts,denominadoADALINE.Conforme,[5]aimportnciadessemodelo
estassociadaregradeaprendizagemproposta,aregraDelta.AcombinaodeumasriedeADELINEs
chamadadeMADALINE(MultipleAdaline)umadeduascamadasderedeneuralcomumconjuntode
ADALINEs.Widrowtambmfundouaprimeiracompanhiadehardwaredeneurocomputadorese
componentes.

Em1967,Cowancaracterizouodisparo"sigmide"eacondiodedisparosuaveparaumneurnio
baseandosenafunologstica.

Em19671968,Grossbergenvolvendoequaesnolinearesdediferenas/diferenciaisintroduziuomodelo
aditivodeumneurnioecomobaseparaamemriadecurtoprazoexplorouousodomodelo.[7]

ApublicaodePerceptronsdeMinskyePapert,em1969,expsaslimitaesdomodelodeRosenblatt,
provandoquetaisredesnosocapazesderesolverumaamplaclassedeproblemasdevidosrestries
derepresentao.[5][8]Oimpactodestapublicaofoidevastador,praticamentedesaparecendoointeresse

https://pt.wikipedia.org/wiki/Rede_neural_artificial 4/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

emredesneuraisartificiaisnosanosseguintes,somentepoucospesquisadorescomoMalsburg,Grossberg,
KohoneneAndersonpermaneceramconcentrandosuasatividadesnaabordagemconexionista.

Dcadade1970 [ editar|editarcdigofonte ]

Nosanos70,noocorreramgrandesprogressosnosestudosderedesneuraisdevidoumentusiasmo
exageradodemuitospesquisadores,quepassaramapublicarmaisemaisartigoselivrosquefaziamuma
previsopoucoconfivelparaapoca,sobremquinastopoderosasquantoocrebrohumanoque
surgiriamemumcurtoespaodetempo.Istotirouquasetodaacredibilidadedosestudosdestareae
causougrandesaborrecimentosaostcnicosdeoutrasreas.

Dentreospoucospesquisadoresquecontinuaramtrabalhandonarea,destacamse:

IgorAleksander,Inglaterra:redessempesos
KunihikoFukushima,Japo:cognitroneneocognitron
StevenGrossberg,EstadosUnidos:sistemasautoadaptativos
TeuvoKohonen,Finlndia:memriasassociativaseautoorganizadas.[6]

Noanode1970aUniversidadedeMichiganfoipalcoparaaspesquisasdevidaartificial,J.Hollandfoio
primeiropesquisadoraconseguirottulodePhDemCinciadaComputao.EleeT.Toffoliforamatraidos
pelaideiadecomportamentoadaptativoondeenvolviabiologia,computadoreseinformao,setornaram
associadosemcomalgoritmosgenricoseautmatoscelulares,respectivamente.Toffolisemprese
preocupouemcriaraconexodomundofsicocomoautmato.

Em1972foiintroduzidodeformaindependenteporAmariomodeloaditivodeumneurnioparaestudaro
comportamentodinmicodeelementossemelhantesaneurniosconectadosaleatoriamente.

Aindaem1972,WilsoneCowanderivaramequaesdiferenciaisnolinearesacopladascorrespondentes
dinmicadepopulaeslocalizadasnoespao,contendoneurniostantoexcitadorescomoinibitrios.

1974:WERBOSlanoubasesparaoalgoritmoderetropropagao(backpropagation).

Em1975,LittleeShawdescreverameusaramomodeloprobabilsticodeumneurnio,disparandoouno
umpotencialdeao,paradesenvolverumateoriadamemriadecurtoprazo.

Em1977,Andereson,Silverstein,RitzeJones,sugeriramomodelodoestadocerebralemumacaixa(BSB,
brainstateinabox),compondosedeumaredeassociativasimplesacopladaaumadinmicanolinear.[9]

Dcadade1980 [ editar|editarcdigofonte ]

Apartirdosanos80,comoavanodatecnologiaeofracassodaescolasimbolistanasoluode
determinadostiposdeproblemas,asredesneuraisartificiaispassaramaatrairsubstancialateno
novamente,aspesquisasnareaforamretomadascomfora.Anovaexplosodeinteressepelasredes
neuraisartificiaisnacomunidadecientficafoiimpulsionada,principalmente,peloavanodatecnologia
(especialmentedamicroeletrnica)etambmpeloimpactocausadopeloartigopublicadoporJohn
Hopfieldem1982,noqualchamouaatenoparaaspropriedadesassociativasdasRNAs.Hopfieldmostrou
arelaoentreredesrecorrentesautoassossiativasesistemasfsicos,abrindoespaoparaautilizaode
teoriascorrentesdaFsicaparaestudartaismodelos.[6]

Em1982,aintroduodomodeloconexionistaconhecidopelonomedeseuidealizador,JohnHopfield,
permitiuesclarecer,pelassuascaractersticascomputacionaiseestabilidade,boapartedasdvidasatento
existentesemrelaoaoprocessodinmicoexecutadoporcertasredesneurais.Nomesmoano,Teuvo
Kohonenpublicouumartigodescrevendoumaredeneuralartificialbaseadaemautoorganizaoenas
caractersticasdeaprendizadoadaptativodocrebrohumano.[5]

https://pt.wikipedia.org/wiki/Rede_neural_artificial 5/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

HintoneSeynowsky,em1983,estenderamomodelodeHopfieldcomaincorporaodedinmica
estocstica.EstemodeloderedeneuralpassouaserconhecidocomoMquinadeBoltzmann.[8]

PormtalvezofatomaisimportantedesteperodotenhaocorridoquandoIraSkurnick,umadministradorde
programasdaDARPA(DefenseAdvancedResearchProjectsAgency)decidiuouvirosargumentosda
neurocomputaoeseusprojetistas,edivergindodoscaminhostradicionaisdosconhecimentos
convencionais,fundouem1983pesquisasemneurocomputao.Esteatonosabriuasportasparaa
neurocomputao,comotambmdeuDARPAostatusdeumadaslderesmundiaisemsetratandode
"moda"tecnolgica.

Emmeadosdadcadade1980surgiuadescriodoalgoritmodetreinamentobackpropagation(Rumelhart,
Hinton,&Williams1986).Otermobackpropagationsurgedofatoqueoalgoritmosebaseiana
retropropagaodoserrospararealizarosajustesdepesosdascamadasintermedirias.Amaneirade
calcularasderivadasparciaisdoerrodesadaemrelaoacadaumdospesosdaredeoquecaracteriza
obackpropagation.[10]Comissooalgoritmobackpropagationfoiaplicadoemvriosproblemas,comona
identificaodaestruturadeprotenas,hifenizaodepalavrasemingls,reconhecimentodafala,
compressodeimagenseprevisodesriestemporais.Osucessodestealgoritmoestimulouo
desenvolvimentodemuitaspesquisasemredesneuraisartificiaisedeumavariedadedemodeloscognitivos.

Apsapublicaoem1986dohojeclssicoParallelDistributedProcessing,editadoporRummerlhart
eMcClellanddoPDPResearchGroupdaUniversidadedaCalifrniaemSanDiego,areaderedesneurais
teveumdesenvolvimentoexplosivocomamultiplicaoexponencialdeJournal's,associaolocaise
internacionais,semfalardatorrentedetesesepaper'scientficos.Nocomeodestadcadasurgiramvrias
empresasparaaexploraocomercialdeprodutosderedesneurais,invariavelmenteprodutosdesoftware
paraodesenvolvimentodeaplicaesousimulaoacadmicas[11]

Em1987ocorreuemSoFranciscoaprimeiraconfernciaderedesneuraisemtemposmodernos,
aIEEEInternationalConferenceonNeuralNetworks,etambmfoiformadaaInternationalNeuralNetworks
Society(INNS).ApartirdestesacontecimentosdecorreramafundaodoINNSjournalem1989,seguidodo
NeuralComputationedoIEEETransactionsonNeuralNetworksem1990.

RNAs(vantagensecaractersticas) [ editar|editarcdigofonte ]

Asredesneuraisartificiais(RNA)tmmuitasvantagens,porquesebaseiamnaestruturadosistemanervoso
humano,principalmenteocrebro.

SuaAprendizagem:asRNAstmacapacidadedeaprenderatravsdeumafasechamadafasede
aprendizagem.TratasedefornecerdadoscomoentradaRNA,porsuavez,informandoqualasada
(resposta)queesperada.

Autoorganizao:umaRNAcriasuaprpriarepresentaodeinformaonoseuinterior,descarregandoao
usurioisto.

Tolernciaafalhas:ComoumaRNAarmazenainformaesdeformaredundante,podecontinuara
responderdeumaformaaceitvel,mesmoqueestejaparcialmentedanificada.

Flexibilidade:Umaredeneuralnopodelidarcomgrandesmudanasnainformaodeentrada,taiscomo
sinaisruidososououtrasalteraesnaentrada(porexemplo,seainformaodeentradaaimagemdeum
objeto,acorrespondenterespostamantmseinalterada,mesmoseaimagemmudaumpoucodebrilhoouo
objetomudaumpoucodeformato).

RealTime:AestruturadeumaRNAparalela,demodoqueseforimplementadocomcomputadoresou
dispositivoseletrnicosespeciais,podemobterrespostasemtemporeal.

https://pt.wikipedia.org/wiki/Rede_neural_artificial 6/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

Arquiteturas [ editar|editarcdigofonte ]

OsneurniosdeumaRNAsdevemestarconectadosentresi,sodispostosemcamadas,eosneurniosde
umamesmacamadanormalmentesecomportamdamesmamaneira.Adisposiodosneurniosnas
camadaseopadrodeconexoentreestasdefinemaarquiteturadaRNA.

Asredessemrealimentao(feedforward)tmneurniosagrupadosemcamadas.Osinalpercorrearede
emumanicadireo,daentradaparaasada.Osneurniosdamesmacamadanosoconectados.

Nasredescomrealimentaoourecorrentes(recurrent),asadadealgunsneurniosalimentamneurnios
damesmacamada(inclusiveoprprio)oudecamadasanteriores.Osinalpercorrearedeemduasdirees,
temmemriadinmicaecapacidadederepresentarestadosemsistemasdinmicos.Umexemploarede
deHopfield.

Modelos [ editar|editarcdigofonte ]

Umatpicaredeneuralfeedforwardumconjuntodens.Algunsdessesestonacamadadeentrada,
algunsnsnacamadadesada,eosoutrosestonascamadasintermedirias/escondidos.Cadaconexo
entreosneurniostemumpesonumrico.[12]Quandoaredeestiveremoperao,ovalorseraplicadoa
cadandeentradaosvaloresqueestosendoalimentadosporumoperadorhumano,apartirdesensores
ambientais,oudealgumprogramaexterno.Cadanpassaentoovalordadosconexesquelevampara
foradela,eemcadaconexoovalormultiplicadopelopesoassociadoaesserespeito.Cadannacamada
seguinteentorecebeumvalorqueasomadosvaloresproduzidospelasconexesquelevamatele,e
emcadanumsimplesclculorealizadosobreovalorumafunosigmidetpica.Esteprocesso
repetidoentocomosresultadossendopassadosatravsdecamadassubsequentesdensatqueosns
desadasoalcanados.Osprimeirosmodelostiveramumnmerofixodecamadas.Maisrecentemente,os
algoritmosgenticossousadosparadesenvolveraestruturaneural.

Clculos [ editar|editarcdigofonte ]

Acurvasigmidefrequentementeutilizadacomoumafunodetransferncia,porqueintroduzano
linearidadeemredeclculosdapor"esmagamento"[13]deativaodoneurniodenvelparaointervalo[0,1].
Afunosigmidetemavantagemadicionaldeterumafunoextremamentesimplesderivado,talcomo
exigidoparaapartetraseiradepropagaodeerrosatravsdeumaredeneuralfeedforward.Outras
funescomcaractersticassemelhantespodemserutilizados,maiscomumentetanhquecomprimeas
ativaesparaointervalode[1,1]emvezdisso,ou,ocasionalmente,umafunolinearporpartesquepode
serencaixadaaativao,emvezdeoesmagar.

Senenhumanolinearidadeintroduzidaporesmagamentooucorte,aredeperdemuitodoseupoder
computacional,tornandoseumaoperaodemultiplicaomatrizsimplesdelgebralinear.modelos
alternativosdeclculonasredesneuraisincluemmodeloscomalas,ondealgumtipodeprocessodemora
tempodeveserusado,e"ovencedorlevatodososmodelos",ondeoneurniocomomaiorvalordesdeo
clculoincndioseassumeumvalor1,etodososoutrosneurniostomamovalor0.

Normalmente,ospesosemumaredeneuralsoajustadosinicialmenteparapequenosvaloresaleatrios.
Istorepresentaaredesemsabernada,suasadaessencialmenteumafunodereproduoaleatriade
suaentrada.Comooprodutoprocessodetreinamento,ospesosdeconexosogradualmentemodificados
deacordocomasregrascomputacionaisespecficosparaoalgoritmodeaprendizagemaserutilizado.
Idealmente,ospesoseventualmenteconvergirparaosvaloresquelhespermitamexecutarumacomputao
til.Assim,podesedizerquearedeneuralcomeasabendonadaemoveseparaganharalgum
conhecimentoreal,emboraoconhecimentosubsimblico.

https://pt.wikipedia.org/wiki/Rede_neural_artificial 7/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

Utilidade [ editar|editarcdigofonte ]

Asredesneuraissoparticularmenteteisparalidarcomdelimitadasdevalorrealdedados,ondeuma
sadadevalorrealdesejadodestamaneiraasredesneuraisirorealizaraclassificaoporgraus,eso
capazesdeexpressarvaloresequivalentesa"nosabe".Searedeneuraltreinadausandoafunodeerro
deentropiacruzada[14]eseasadadaredeneuralsigmoidal,entoassadasseroestimativasda
probabilidadeposteriorrealdeumaclasse.

Aprendizado(outreino) [ editar|editarcdigofonte ]

Oaprendizadoconsistenamodificaodospesosdasconexesentreosneurnios,ospesosiniciais
(sinapses)somodificadosdeformaiterativa,porumalgoritmoquesegueumdosseguintesparadigmasde
aprendizado:

AprendizadoSupervisionado:apresentadoumconjuntodetreino,consistindodeentradase
correspondentessadasdesejadas.
AprendizadoporReforo:paracadaentradaapresentada,produzidaumaindicao(reforo)sobrea
adequaodassadascorrespondentesproduzidaspelarede.
AprendizadoNosupervisionado:Aredeatualizaseuspesossemousodeparesentradasadas
desejadasesemindicaessobreaadequaodassadasproduzidas.

Descrio [ editar|editarcdigofonte ]

Asredesneuraisartificiaissoummtodoparasolucionarproblemasatravsdasimulaodocrebro
humano,inclusiveemseucomportamento,ouseja,aprendendo,errandoefazendodescobertas.So
tcnicascomputacionaisqueapresentamummodeloinspiradonaestruturaneuraldeorganismosinteligentes
equeadquiremconhecimentoatravsdaexperincia.

Asredesneuraispossuemnsouunidadesdeprocessamento.Cadaunidadepossuiligaesparaoutras
unidades,nasquaisrecebemeenviamsinais.Cadaunidadepodepossuirmemrialocal.Essasunidadesso
asimulaodosneurnios,recebendoeretransmitindoinformaes.Somamseasentradaseseretorna
umasada,casoestasejamaiorqueovalordasoma.

Umaredeneuralpodepossuirumaoumltiplascamadas.Exemplificandocomtrscamadas,poderamoster
acamadadeentrada,emqueasunidadesrecebemospadresacamadaintermediria,ondefeito
processamentoeaextraodecaractersticaseacamadadesada,queconcluieapresentaoresultado
final.Quantomaioronmerodecamadas,melhoracapacidadedeaprendizado.

Acamadadeentradadevepossuirumaunidadeespecialconhecidacomobias,usadaparaaumentaros
grausdeliberdade,permitindoumamelhoradaptao,porpartedaredeneural,aoconhecimentoaela
fornecido.

Emtermosmaistcnicos,onmerodecamadasdefineacapacidadederepresentaodasrelaesentreo
espaodeentradaeodesada.Ainexistnciadacamadaintermediria,caractersticadomodeloperceptron,
condicionaoarepresentarbemsomenterelaeslinearmenteindependentes.Aexistnciadecamadas
intermedirias,caractersticadomodeloperceptrondemltiplacamada(PMC),retiratallimitao.Sehouver
apenasumacamadaintermediria,oPMCpoderepresentar(comqualquergraudeaproximao,pormenor
queseja)qualquerfunocontnua.Duasoumaiscamadasampliamouniversoderepresentaoaqualquer
funo,contnuaouno.

Asredesneuraisartificiais,seguindoatradioestadunidense,estomuitoassociadasadaptaode
conexes(sinapses)entreneurnios,oconexionismo.Caberegistrar,entretanto,aexistnciademodelos

https://pt.wikipedia.org/wiki/Rede_neural_artificial 8/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

nosquaisasconexesnosoadaptadas,masapenastransmitemestimulaoentreneurnios.Tais
modelossochamadosredesneuraissempesos(doingls,weightlessneuralnetworks).Paracompletar,h
modelosemqueassinapsesnosoadaptadas,mascalculadaspreviamente,servindoatarefasde
otimizao,geralmente.

TiposdeEntradas [ editar|editarcdigofonte ]

PodemosclassificarasRNAssegundosuascapacidadesdeprocessardiferentestiposdeinformaescomo:

Redesanalgicas:processamdadosdeentradacomvalorescontnuose,geralmentelimitados.Exemplo
destetipoderedeso:Hopfield,Kohoneneasredesdeaprendizagemcompetitivo.
Redesdiscretas:processamdadosdeentradadenaturezadiscreta,geralmentevaloreslgicos
booleanos.ExemplodestesegundotipoderedesoasmquinasdeBoltzmanneCauchy,earede
discretadeHopfield.

Diferenciao [ editar|editarcdigofonte ]

Amaiorpartedosinvestigadoresconcordaemqueasredesneuraissomuitodiferentesdocrebroem
termosdeestrutura.Noentanto,comoocrebro,umaredeneuralumacoleomassivamenteparalelade
unidadesdeprocessamentopequenasesimples,ondeasinterligaesformamamaiorparte
daintelignciadarede.Entretanto,emtermosdeescala,ocrebromuitomaiorquequalquerredeneural.
Almdisso,asunidadesusadasnaredeneuralsotipicamentemuitomaissimplesqueosneurnioseo
processodeaprendizadodocrebro(emboraaindadesconhecido),certamente,muitodiferentedodas
redesneurais.

Redepralimentada [ editar|editarcdigofonte ]

Umaredeneuralpralimentada(emcontraposioretroalimentada)tpicaconsistedeumconjuntodens
emquealgunsdessesnssodesignadosnsdeentrada,outrosnsdesadaeaquelesqueestoentre
essesdoistiposdenssochamadosdensescondidos.Existemtambmconexesentreosneurnios,
comumnmeroreferidocomoumponderadorassociadoacadaconexo.Quandoaredeestemoperao,
umvalordeentradaseraplicadoacadandeentradaessesvaloressocolocadosporumoperador
humanoouporsensoresambientais,outalvezporoutrosprogramas.

Cadanentopassaseudadovalorparaasconexesquesaemdeleeemcadaconexoovalor
multiplicadoporumponderadorassociadoaessaconexo.Cadannacamadaseguinterecebeumvalor,
queasomadosvaloresproduzidospelasconexesquechegamatele,eemcadanrealizadauma
computaosimplessobreessevalorumafunosigmidetpicanessecaso.Oprocessoento
repetidocomosresultadossendopassadosatravsdecamadassubseqentesdens,atqueosnsde
resultadossejamatingidos.Issobaseadoemummodelodeneurniodadcadade1970.

Osmodelosalternativosdeclculonasredesneuraisincluemaquelesdotadosdelaos(nosquaisalgumtipo
deprocessoderetardamentodetempoprecisaserusado)eosmodeloso"vencedorlevatudo",nosquaiso
neurniocomosvaloresmaisaltosdisparaetomaovalor1etodososoutrosneurniostomamovalor0.

Tipicamente,osponderadoresemumaredeneuralsocolocadosinicialmenteemvaloresaleatrios
pequenosissosignificaquearedenosabenada.medidaqueoprocessodetreinamentoacontece,esses
ponderadoresiroconvergirparavaloresquepermitemqueelesrealizemumacomputaotil.Assim,pode
serditoqueumaredeneuralcomeasabendonadaemovesenosentidodeganharalgumconhecimento
real.

https://pt.wikipedia.org/wiki/Rede_neural_artificial 9/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

Asredesneuraissoparticularmenteteisparalidarcomdadosligadosavaloresreaisemquesedeseja
obterumasadadotadadevalorreal.Dessamaneira,asredesneuraisirorealizarumaclassificaopor
grauseserocapazesdeexpressarvaloresequivalentesa"noconhecidocomcerteza".Seumaredeneural
treinadausandoafunodeerrodeentropiacruzadaeseasadadessaredeneuraltemumaforma
sigmoidalnolinear,entoassadasseroestimativasdeumaprobabilidadeposteriorrealdeumaclasse.

Aplicaesreais [ editar|editarcdigofonte ]

Emaplicaesreais,asredesneuraissesaemparticularmentebemnasseguintestarefas:

aproximaodefunes
previsodesriestemporais
classificaes
reconhecimentodepadres.

CTRNN [ editar|editarcdigofonte ]

Outrostiposderedesneurais,emparticularredesneuraisrecorrentesdetempocontnuo(CTRNN),so
usadasemconjuntocomalgoritmosgenticosparaproduzircontroladoresrobticos.Ogenomaento
constitudodosparmetrosderedeeaaptidodeumaredeaadequaodocomportamentoexibido
pelorobcontrolado(oufreqentementeporumasimulaodessecomportamento).

Tiposderedesneurais [ editar|editarcdigofonte ]

Oexemplomaisantigoderedesneuraissoasredesperceptron,comumacamadadensdesada,
conectadossentradasporconjuntosdepesos.Essatopologiapodeserconsideradaaformamaissimples
deredeemavano.Asomadoprodutosdospesospelasentradascalculadaporcadandesadae,seo
valorcalculadoultrapassarumcertolimiar(geralmente0),oneurniodisparaeajustaasadaparaovalor1
seovalorcalculadomenorqueolimiar,asadaajustadaparaovalor1.Neurnioscomesse
comportamentosochamadosdeneurniosdeMcCullochPittsouneurnioscomlimiar.Aomesmotempo,
umalgoritmodeaprendizadocalculaadiferenaentreasadacalculadaeosdadosdeentradaeusaovalor
dadiferenaparaajustarospesosdarede.

Perceptroncomumacamada [ editar|editarcdigofonte ]
Verartigoprincipal:Perceptron

Perceptronspodemsertreinadosporumalgoritmodeaprendizagemsimples,chamadogeralmentederegra
delta.Essealgoritmocalculaoserrosentreasadadosdadoscalculadoseasadadesejadaeutilizaisso
paraajustarospesos,assimexecutandoumformulriodadescidadogradiente.

Osperceptronsdeumacamadasocapazesdeaprendersomentesobreproblemaslinearmenteseparveis
(quepodemserseparadosporumaretaemumhiperplano).Em1969,nafamosamonografiaPerceptrons
porMarvinMinskyeporSeymourPapert,mostrousequeeraimpossvelparaumanicarede
doperceptrondacamadaaprenderumafunodeXOR.Conjecturouse(incorretamente)queumresultado
similarpenderiaparaumaredemulticamadasdoperceptron.Emboraumanicaunidadedopontoinicial
fossecompletamentelimitadaemseupodercomputacional,mostrousequeasredesdeunidadesparalelas
dopontoinicialpodemaproximartodaafunocontnuadeumintervalocompactodosnmerosreaisno
intervalo[1,1].

Perceptronmulticamadas [ editar|editarcdigofonte ]
Verartigoprincipal:Perceptronmulticamadas

https://pt.wikipedia.org/wiki/Rede_neural_artificial 10/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

Estaclassederedeconsistedemltiplascamadasdeunidadescomputacionais,geralmenteinterconectadas
emumaformadealimentaoavante.Issoquerdizerquecadaneurnioemumacamadatemconexes
diretasaneurniosdaprximacamada.Emmuitasaplicaes,asunidadesdessasredesutilizamuma
funosigmide(emformadeS)comoafunodeativao.

Oteoremadeaproximaouniversalditaquetodafunocontnuaquemapeiaintervalosdenmerosreais
deentradaaalgumintervalodenmerosreaisdesadapodeserarbitrariamenteaproximadacompreciso
porumperceptronmulticamadascomsomenteumacamadaoculta.Esseresultadosvlidoparaclasses
restritasdefunesdeativao,porexemplo,funessigmides.

Asredesmulticamadaspodemusarumgrandenmerodetcnicasdeaprendizado,sendoqueamais
popularapropagaoreversa.Nessecaso,osvaloresdesadasocomparadoscomarespostacorreta
paracomputarovalordealgumafunodeerroprdefinida.Poralgumatcnica,oerroentoalimentado
devoltanarede.Usandoessainformao,oalgoritmoajustaospesosdecadaconexoparareduzirovalor
dafunodeerro.

RedesARTs [ editar|editarcdigofonte ]

ARTsoassiglaseminglsdeTeoriadaRessonnciaAdaptativa(AdaptiveResonanceTheory),
desenvolvidainicialmenteporStephenGrossberg,em1976,eempublicaesposterioresemparceriacom
GailCarpenter(1986/87).

AsredesneuraisartificiaisARTsoredesquenoprecisamdaexposioprviadequalquernmerode
elementosdoconjuntodedadosparaoseutreinamento.Aprincipalcaractersticadessafamliade
arquiteturasasuacapacidadeparaformaragrupamentos(clusters),quenospermiteidentificarpadres
desconhecidos.[15]ExistemtrsmodelosderedesARTs:

ART1:capazdeaprenderacategorizarpadresdeentradabinriosapresentadosemordemarbitrria.

ART2:podeaprenderacategorizarpadresdeentradaanalgicosoubinrios.

ART3(ARTMAP):poderealizarumabuscaparalela,outestedehipteses,emcdigoscomreconhecimento
distribudo.

Aplicao [ editar|editarcdigofonte ]

ReconhecimentoAutomticodeAlvosReconhecimentodeCaracteresRobticaDiagnsticoMdico
SensoriamentoRemotoProcessamentodeVoz

Aprendizado [ editar|editarcdigofonte ]

OalgoritmodeaprendizadodaredeART1nosupervisionadoepodeserativaaqualquermomento,
permitindoquearedeaprendanovospadrescontinuamente.

Existem2tiposdeaprendizadonaredeART1,oaprendizadorpidoeolento.

Oprocessodeaprendizadodaredeenvolve3fasescomo:reconhecimento,comparaoebusca.

RedeHopfield [ editar|editarcdigofonte ]

Em1982houveumanovaevoluonostrabalhosdasredesneuraisiniciadoporJohnHopfield,[16]nascidoem
15dejulhode1933umamericanoCientistamaisconhecidopelainvenodeumaredeneuralassociativa,
conhecidacomoaRededeHopfield.JohnHopfieldpublicoudoisartigosqueinfluenciaramvrios
pesquisadores,chamandoaatenoparaaspropriedadesassociativasdeumaclassedeRedesNeurais.A
anlisebaseadanadefiniodeenergiadarede.umaprovadequearedeoperaminimizandoesta
energiaquandoevoluiparapadresestveisdeoperao.

https://pt.wikipedia.org/wiki/Rede_neural_artificial 11/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

DefiniesIniciais [ editar|editarcdigofonte ]

umamemriaautoassociativa.Suasentradassovalores
binrios.[17]Possuiumanaturezadeoperaoassncrona,istoa
cadainstantedetempo,cadaneurniotemseuestadodeativao
avaliadodemaneiraindependentedosoutrosneurnios.

Memriaassociativa [ editar|editarcdigofonte ]

umconceitointuitivo,[18]ondepareceserumadasfunesprimrias
docrebro,efacilmenteassociamosobjetos,imagensesensaesa
eventoscomaredeHopfield,serveparareconstituirpadres Rededehopfieldsendoaplicada
paralembrar/recuperarumconjuntode
corrompidosouincompletos,umexemploumapessoaque padres,nmeros.
normalmentenousaculosescuros,comeles,mesmoassim
reconhecido,assimrecuperandoinformaespelocontedo.

ArededeHopfieldpodeservistacomoumamemriaassociativa,ouumamemriaenderevelpor
contedo,cujaprincipalfunorestaurarumpadro(itemdememria)armazenadoemresposta
apresentaodeumaversoincompletaouruidosadestepadro.

Aplicao [ editar|editarcdigofonte ]

AredeHopfieldfoiaplicadaemvriasreas,tendoumcampodeutilizaomuitogrande,umasdelasfoia
IdentificaodealvosmilitaresB52,Boeing747eSpaceShuttle,Autentiodeusurios,exploraode
petrleoedeterminaoelitologia,PredionoMercadoFinanceiro,ReconhecimentosdeFaceseControle
deNavegaoAutnomadeVeculosALVINNatCMU.[19]

AsRedesNeuraisvemsendousadascomsucessoparadeterminaroratingdecrditodeempresas.Como
nosmostraapesquisadeZekicSusacetal.2004quecomparaaeficciadediferentesformasde
determinaodocrditoasRedesNeuraiscomBackpropagationapresentamosmelhoresresultados,
inclusivemostrandodadoserelaesarespeitodasempresasestudadasquenoapareceramdeoutras
formas.

UmbomexemplodeusodeRedesNeuraisparaadeterminaoderatingdecrditoparaempresasvisto
noartigodeCarlingEtal.2002emquefeitoumestudodoratingdedebenturesnomercadoasitico.Eles
usamomodelodebackpropagationeconstroemaanliseusandoumasriedeindicadoresusadospelos
especialistasemanlisedecrdito.

Estrutura [ editar|editarcdigofonte ]

AsunidadesemredesdeHopfieldsounidadesbinriasdopontoinicial,isto,asunidadesfazemexame
somenteemdoisvaloresdiferentesparaseusestadoseovalordeterminadopertoseounoaentradadas
unidadesexcedeseupontoinicial.AsredesdeHopfieldpodemumououtroterasunidadesquefazem
exameemvaloresde1oude1,ouasunidadesquefazemexameemvaloresde1oude0.

Treinamento [ editar|editarcdigofonte ]

TreinarumarededeHopfieldenvolveabaixaraenergiadosestadosquearedeserecorde.Istopermite
quearedesirvacomoumsistemadamemriaenderevelsatisfeita,aqueledizer,aredeconvergiraum
estadorecordadosefordadosomenteapartedoestado.Aredepodeserusadarecuperardeumaentrada
distorcidaoestadotreinadoqueomaissimilaraessaentrada.Istochamadomemriaassociativaporque
recuperamemriasnabasedasimilaridade.Porexemplo,senstreinarmosumarededeHopfieldcomcinco

https://pt.wikipedia.org/wiki/Rede_neural_artificial 12/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

unidadesdemodoqueoestado(1,0,1,0,1)[20]sejaummnimodaenergia,ensdamosredeoestado(1,
0,0,0,1)queconvergir(1,0,1,0,1).Assim,aredeesttreinadacorretamentequandoaenergiados
estadosquearededeverecordarmnimoslocais.Otreinamentodesumaimportnciaparao
desempenhoeficazdomesmo

MemoriaAssociativa [ editar|editarcdigofonte ]

Memriaassociativaummeiodearmazenamentoerecuperaodainformaoporassociaocomoutras
informaes.

Umdispositivodearmazenamentochamadomemriaassociativa,sevocpoderecuperarinformaesa
partirdoconhecimentoparcialdoseucontedo,semsaberseulocaldearmazenamento.svezestambm
chamadodememriadecontedonoenderevel.

OsComputadorestradicionaisnousamestedirecionamento,sebaseiamnoconhecimentoexatodadireo
(endereo)damemriaemqueseencontraainformaco.

Noentanto,ocrebrohumanonofuncionaassim.Senoslembrarmosdonomedeumapessoa,noseria
tildeterminarqualfoionomedenmero3.274queaprendemos.Seriamaistilsaberqueseunome
comeaeterminacom'N'eumfamosocientistaIngls.Comessainformao,quasecertamentese
lembrariacomsucessode"Newton".

Memriasassociativassoumadasmaisimportantesredesneuraiscomumavastagamadeaplicaesem
reascomooacessoaocontedodememria,reconhecimentodepadresecontroleinteligente.

Umamemriaassociativapodearmazenarerecuperarinformaesquandonecessrio,ouseja,umarede
realimentaasadaqueusadarepetidamentecomoumanovaentradaatqueoprocessotermine.Voc
podeobteressasinformaescombasenoconhecimentodapartedela(chave).Opadrodechavepodeser
umaversoruidosadeumpadrodememorizao,ouseja,quedifereemalgunscomponentes.Amemria
humanaumareminiscnciadeumapessoa,mesmosevocsevestediferenteouusaculos.

OsprimeirosmodelosdememriasassociativasbaseadasnaMorfologiaMatemtica,referidoscomo
MemriasAssociativasMorfolgicas(MAMs),foramintroduzidasporRittereSussneremmeadosdosanos
1990[21][22].Especificamente,osneurniosdasMAMsefetuamgeneralizaesdasoperaesdaabordagem
umbradamorfologiamatemticaemtonsdecinza.Emtermosgerais,aprincipaldiferenaentreosmodelos
clssicosdememriasassociativaseosmodelosmorfolgicosestemutilizarasoperaesbaseadasem
reticuladosnolugardasoperaesusuaisdemultiplicaodematrizes[22].

PropriedadesTericas [ editar|editarcdigofonte ]

CapacidadeComputacional [ editar|editarcdigofonte ]

OPerceptronmulticamadasumaproximadoruniversaldefunes,comoprovadopeloteoremade
Cybenko.Noentanto,aprovanoconstrutivasobreonmerodeneurniosrequeridosouasconfiguraes
dosvaloresdospesosnecessrias.OtrabalhodeHavaSiegelmanneEduardoD.Sontagforneceuuma
provaqueumaarquiteturarecorrenteespecficacomvaloreslgicosdospesostemotodoopoderde
umaMquinadeTuring[23]usandoumnmerofinitodeneurnioseconexeslinearespadres.Elesmostram
tambmqueousodevaloresilgicosparaospesosresultaemumamquinacomcapacidadedeuma
"super"MquinadeTuring.

Capacidade [ editar|editarcdigofonte ]

https://pt.wikipedia.org/wiki/Rede_neural_artificial 13/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

ModelosdeRNAstemumapropriedadechamadacapacidade,aqualgrosseiramentecorrespondeasua
habilidadedemodelarqualquerfunodeterminada.Issoestrelacionadocomaquantidadedeinformao
quepodeserarmazenadanaredeeanoodecomplexidade.

Convergncia [ editar|editarcdigofonte ]

Nogeralnadapodeserditosobreconvergnciavendoqueeladependedealgunsdefatores.Primeiramente,
podemexistirmnimoslocaiseistodependedafunodecustoedomodelo.Emsegundolugar,omtodode
otimizaousadopodenogarantiraconvergnciaquandoestivermuitolongedomnimolocal.Emterceiro
lugar,paraumaquantidadededadosouparmetrosmuitogrande,algunsmtodossetornamimpraticveis.
Nogeral,foidescobertoquegarantiastericassobreaconvergnciasoguiaspoucoconfiveispara
aplicaoprtica.

GeneralizaoeEstatsticas [ editar|editarcdigofonte ]

Emaplicaesnasquaisoobjetivocriarumsistemaquegeneralizebememexemploscegos,surgeo
problemadeexcessodetreinamento.Issoaconteceemsistemascomplicadosouexcessivamente
especficos,quandoacapacidadedaredeexcedesignificantementeanecessidadedosparmetros.Hduas
escolasdepensamentoparaevitaresteproblema:Aprimeiraousodavalidaocruzadaetcnicas
similaresparachecarapresenadeexcessodetreinamentoeselecionarotimamentehiperparmetrosafim
deminimizaroerrodegeneralizao.Asegundausaralgumaformaderegularizao.Esteconceitosurge
naturalmenteemumquadroprobabilstico(Baysiano),noqualaregularizaopodeserfeitaselecionando
umamaiorprobabilidadeanterioremrelaoamodelosmaissimplesmastambmnoaprendizado
estatsticoterico,noqualoobjetivominimizaratduasquantidades:o'riscoemprico'eo'riscoestrutural',
oqualcorrespondeaoerrosobreoconjuntodetreinamentoeoerroprevistoemdadoscegos.Redesneurais
supervisionadasqueusamumafunodecustodeerromdioquadrticopodemusarmtodosestatsticos
formaisparadeterminaraconfianadomodelotreinado.Oerromdioquadrticoemumconjuntode
validaopodeserusadocomoumaestimativaparavariao.Estevalorpodeentoserusadoparacalcular
ointervalodeconfianadeumasadanaredeneural,assumindoadistribuionormal.Aanliseda
confianafeitadestamaneiraestatisticamentevlidaenquantoadistribuioprobabilsticadasadase
mantiveramesmaearedeneuralnomodificada.Assumindoafunodeativaosoftmaxnacamadade
sadadaredeneuralparavariveiscategricasalvos,asadapodeserinterpretadacomoprobabilidades
posteriores.Issomuitotilnaclassificao,poisdumamedidadecertezasobreasclassificaes.

funodeativaosoftmax:

RedesNeuraiseNeurocincia [ editar|editarcdigofonte ]

Neurocinciacomputacionalocampopreocupadocomaanlisetericaeamodelagemcomputacionaldo
sistemanervosobiolgico.Comosistemasneuraisestointimamenterelacionadoscomprocessoscognitivos
ecomportamentais,elestambmestofortementeligadosamodelagemcognitivaecomportamental.

Oobjetivodocampocriarmodelosdesistemasneuraisbiolgicosparaentenderofuncionamentode
sistemasbiolgicosreais.Parachegaraesseentendimento,neurocientistastentamfazerumaligaoentre
processosbiolgicosobservados(dados),mecanismosbiologicamenteplausveisdeprocessamentoe
aprendizadoneural(modelosderedesneuraisbiolgicas)eteoria(aprendizadoestatsticoeteoriada
informao).

https://pt.wikipedia.org/wiki/Rede_neural_artificial 14/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

Tiposdemodelos [ editar|editarcdigofonte ]

Muitosmodelossousadosnestecampo,cadaumdefinidoemumnveldiferentedeabstraoetentando
modelardiferentesaspectosdesistemasneurais.Elesvodemodelosdecomportamentodecurtoprazode
neurniosindividuais,passandopormodelosdecomoasdinmicasdecircuitosneuraissurgemdeinteraes
entreneurniosindividuais,atmodelosdecomocomportamentospodemsurgirdemdulosneurais
abstratosquerepresentamsubsistemascompletos.Estesincluemmodelosdeplasticidadedecurtoelongo
prazodesistemasneuraisesuarelaocomoaprendizadoeamemria,deumneurnioindividualato
nveldeumsistema.

Galeria [ editar|editarcdigofonte ]

RedeNeuralArtificialFeedForwardde ExemplodoscomponentesdeumaRede
duascamadas. NeuralArtificial.

Referncias
1.BARONE,DanteAugustoCouto:"Sociedades
Artificiais:anovafronteiradainteligencianas
mquinas",(2003),PortoAlegre:Bookman
2.HAYKIN,Simon.Redes
neurais:princpioseprtica.trad.PauloMartins
Engel.2.ed.PortoAlegre:Bookman,2001.
3.Hebb,D.O..BrainMechanismsandLearning.
London:J.F.Delafresnaye(Ed.),1961.
4.HAYKIN,Simon.Redes
neurais:princpioseprtica.trad.PauloMartins
Engel.2.ed.PortoAlegre:Bookman,2001.
5. a b c dMSSON,EgillWANG,YihJeou.
IntroductiontoComputationandLearninginArtificial
NeuralNetworks.EuropeanJournalofOperational
Research,NorthHoland,47,1990.
6. a b cBraga,AntniodePduaCarvalho,AndrP.
L.FerreiraLudermir,TeresaBernarda,"Redes
NeuraisArtificiais:TeoriaeAplicaes"(2000),Rio
deJaneiro:LTC.
7.HAYKIN,Simon.Redes
neurais:princpioseprtica.trad.PauloMartins
Engel.2.ed.PortoAlegre:Bookman,2001.
8. a bWASSERMAN,PhilipD.NeuralComputing:
TheoryandPractice.NewYork:VanNostrand
Reinhold,1989.
9.HAYKIN,Simon.Redes
neurais:princpioseprtica.trad.PauloMartins
Engel.2.ed.PortoAlegre:Bookman,2001.
10.REZENDE,SolangeOliveira.Sistemas
Inteligentes:fundamentoseaplicaes,2003,
Barueri,SP:Manole
11.ZSOLTLKOVACS,REDESNEURAIS
ARTIFICIAIS:FUNDAMENTOSE
APLICAOES(Ed.4),2006.
12.Bispo,CM(1995)RedesNeuraispara
ReconhecimentodePadres,Oxford:Oxford
UniversityPress.ISBN0198538499(encadernado)
ouISBN0198538642
13.Gurney,K.(1997)UmaIntroduoRedesNeurais
London:Routledge.ISBN1857286731capadura()
ouISBN1857285034
14.Hertz,J.,Palmer,RG,Krogh.AS(1990)Introduo
teoriadacomputaoneural,PerseusBooks
15.BRAGA,AntoniodePaduaLUDERMIR,Teresa
Bernarda:"REDESNEURAISARTIFICIAIS:Teoriae
aplicaes",(2000),RiodeJaneiro:LTC
16.ANDERSON,J.A.AnIntroductionToNeural
NetworksBradfordBook,1995.
17.[1]

https://pt.wikipedia.org/wiki/Rede_neural_artificial 15/16
2017614 RedeneuralartificialWikipdia,aenciclopdialivre

18.WASSERMAN,P.NeuralComputingTheoryand vol.4.doi:10.1109/ICPR.1996.547657 Verifique

Practice.VanNostrandRheinhold,NewYork,1989. dataem:|data=(ajuda)
19.Braga,LudermireCarvalho.RedesNeurais 22. a bRitter,G.X.P.(March1998).Morphological
Artificiais.LTC. associativememories .IEEETransactionson
20.Captulo13OmodelodeHopfielddeRedesNeural NeuralNetworks.9(2):281
umaintroduosistemticaporRaulRojas(ISBN 293.doi:10.1109/72.661123 .ISSN1045
9783540605058) 9227 Verifiquedataem:|data=(ajuda)
21.Ritter,G.X.P.(August1996).Anintroductionto 23.Siegelmann,H.T.Sontag,E.D.(1991).Turing
morphologicalneuralnetworks .Proceedingsof computabilitywithneuralnets (PDF) .Appl.Math.
the13thInternationalConferenceonPattern Lett.4(6):7780.doi:10.1016/08939659(91)90080
Recognition,1996.4:709717 F

https://pt.wikipedia.org/wiki/Rede_neural_artificial 16/16