Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
FOZ DO IGUAU DEZEMBRO 2006 MaycoN cesar chaves cordeiro portilho DANIEL MAZARIN CASTRO UMA VISAO GERAL SOBRE REDES NEURAIS ARTIFICIAIS
Trabalho de Graduao apresentado ao Curso de Engenharia Mecnica, Setor de Cincias Exatas, Universidade Estadual do Oeste do Paran. Orientador: Prof. Dr. Carlos Henrique.
NDICE
Lista de figuras Figura1: Estrutura biolgica do neurnio 6 Figura 2: Modelo bsico de neurnio artificial 7 Figura3: Modelo de neurnio matemtico 10 Figura 4: Modelos de redes neurais 12 Figura 5: Estrutura de uma rede neural em 3 dimenses 12 Figura 6: Rede neural direta 13 Figura 7: Rede neural com ciclo 13 Figura 8: Rede neural simtrica 14
Figura 9: Modelos de redes neurais 15 Figura 10: No linearidades usadas em redes neurais 15 Figura 11: Modelo rede neural e seus elementos 17 Figura 12: Esquema de controle de padro industrial 18 Figura 13: Estrutura tpica de rede neural backpropagation 21 Figura 14: Rob corredor 24 Figura 15: Rob humanide 25
1. INTRODUO
As redes neurais tm sido utilizadas para solucionar diversos problemas de engenharia como, por exemplo, em processamento digital de imagens, robtica e processamento digital de sinais.
Redes neurais artificiais so tcnicas computacionais que utilizam como modelo o funcionamento do crebro humano, onde os neurniosso treinados de forma a responder somente aos padres de entrada, podendo ser utilizadas no reconhecimento de padres sem a necessidade de um treinamento prvio.
As principais caractersticas que tornam desejveis o estudo e o uso das redes neurais artificiais so: a capacidade das mesmas de aprender atravs da experincia, a capacidade de se adaptar a situaes adversas e a sua tolerncia a rudos.
2. CONCEITOS BSICOS
O crebro apresenta uma notvel habilidade de aprender, sendo considerado o mais fascinante processador existente. O processo de aprendizagem est intimamente ligado s mudanas nas conexes entre diferentes neurnios chamadas de conexes sinpticas ou simplesmente sinapses. Um neurnio biolgico, ilustrado na figura 1, composto de: dendritos, que recebem os estmulos transmitidos pelos outros neurnios; corpo de neurnio, ou soma, que recebe e organiza as informaes vindas de outros neurnios; e os axnios, responsveis por transmitir os estmulos para as outras clulas.
Tais mudanas ocorrem ao longo da vida provocadas por estmulos de diversas naturezas. No se sabe ao certo quantos neurnios existem no crebro. Algumas estimativas que se baseiam na densidade de neurnios medida em pequena regies apontam limites inferiores da ordem s de 3x1010 mas este nmero pode at chegar a 1011 . Cada um destes neurnios se conecta com aproximadamente 104 neurnios. Isso implica que no crebro existe algo em torno de 1013 a 1015 conexes sinpticas. Esses nmeros so extraordinariamente grandes e de certa forma evidenciam a ocorrncia do aprendizado, pois de outra forma todas essas informaes deveriam estar armazenadas na molcula de DNA. Junte se a isso uma grande massa de evidncias experimentais confirmando o fato que as conexes sinpticas so ajustadas ao longo da vida medida que se aprende. A tabela 1 abaixo faz uma comparao entre a estrutura do crebro humano e a estrutura do computador.
Uma rede neural pode ser ensinada. Este um ponto crucial para uma RNA pois nele se fundamenta seu aprendizado. Isto muito atraente do ponto de vista tecnolgico pois dessa forma possvel eliminar a necessidade da programao explcita e detalhada. Todos esses aspectos favorecem o estudo das redes neurais artificiais. No entanto durante muitos anos houve pouco interesse e poucos avanos ocorreram. Uma das causas desta estagnao foi a dificuldade de formalizao destes modelos. Porm a neuroci ncia vem trabalhando juntamente com profissionais da rea da cincia da computao, engenharia eltrica, matemtica, fsica, psicologia e at os lingistas.
O modelo mais geral para um neurnio artificial este apresentado na figura 2 logo acima, cujos atributos so melhor explicados adiante. Entradas: as entradas de um neurnio podem ser as sadas de diversos outros neurnios. So as entradas que iro determinar a sada do neurnio. Pesos: cada entrada possui um certo peso, ou seja, possui uma certa fora de conexo sinptica (inibitria ou excitatria).
Net: o somatrio de todas as entradas multiplicadas por seus respectivos pesos nos fornece o chamado net de um neurnio. No decorrer do trabalho explicitaremos de forma mais sucinta os atributos de uma rede neural para melhor entendimento.
2.1. POR QUE UTILIZAR REDES NEURAIS? Desde o incio da evoluo das mquinas o homem busca construir uma mquina que seja independente do controle humano, cujo comportamento seja desenvolvido de acordo com seu prprio aprendizado, e que possa ser chamada de autnoma, cognitiva ou inteligente. Os computadores funcionam de modo seqencial, proporcionando maior eficincia na resoluo de tarefas nas quais devem ser seguidas etapas. J o crebro humano funciona de modo paralelo, sendo extremamente conectado. Devido a esta alta interconexo o crebro mais eficiente que os computadores na resoluo de tarefas que exigem vrias variveis. Se o computador reproduzisse com qualidade estas caractersticas, tais mquinas poderiam vir a ser utilizadas em locais onde a interao humana perigosa, tediosa ou impossvel, como em reatores nucleares, combate ao fogo, operaes militares. Elas so particularmente teis para lidar com dados ligados a valores reais em que se deseja obter uma sada dotada de valor real. Desta maneira as redes neurais iro realizar uma classificao por graus, e sero capazes de expressar valores equivalentes a "no conhecido com certeza".
2.2. CARACTERISTICAS DAS REDES NEURAIS ARTIFICIAIS Atravs de diversas estruturas neurais e algoritmos de aprendizagem propostos por vrios pesquisadores, as redes neurais artificiais conseguem simular estas caractersticas presentes nos sistemas biolgicos. Dentre as caractersticas dos neurnios biolgicos que so interessantes computao podemos citar: reconhecimento de padres; tolerncia falhas, aprendizado, processamento paralelo e distribudo, capacidade de treinamento, robustez, nolinearidade e uniformidade. Tais caractersticas no so suportadas pelos mtodos computacionais tradicionais, fazendo com que tal tecnologia seja empregada para ajudar a solucionar problemas que antes eram resolvidos de forma menos eficaz. A redundncia na representao de informaes em uma rede neural, ao contrrio de outros sistemas, transforma-se em uma vantagem, que torna o sistema tolerante a falhas. Os atributos de uma rede neural, tais como aprender atravs de exemplos, generalizaes redundantes, e tolerncia falhas, proporcionam fortes incentivos para a escolha de redes neurais como uma escolha apropriada para aproximao de funes e para a modelagem de sistemas biolgicos.
A caracterstica mais significante de redes neurais est em sua habilidade de aproximar qualquer funo contnua no linear a um grau de correo desejado. Esta habilidade das redes neurais as tem tornado til para modelar sistemas no lineares. Com o avano em tecnologias de hardware, existe componentes com funes voltadas s redes neurais, o que traz uma velocidade adicional computao neural.
3. O NEURONIO ARTIFICIAL
Para que possamos explanar o neurnio artificial primeiramente devemos nos atentar a alguns conceitos bsicos para um bom entendimento. O grafo, que um conjunto de pontos (vrtices) conectados por linhas (arestas). Um grafo direcionado consiste de um conjunto de pontos ao longo de um conjunto de segmentos de linhas direcionadas entre eles. Uma rede neural uma estrutura de processamento de informao distribuda paralelamente na forma de um grafo direcionado, com algumas restries e definies prprias Os ns de um grafo so as unidades de processamento e suas arestas so as conexes, por onde as informaes so conduzidas instantaneamente de uma unidade de processamento para outra. Tais estruturas podem possuir qualquer nmero de conexes de entrada e uma conexo de sada, que pode ser repetida para quantas sadas forem necessrias, mas o valor ser o mesmo em todas elas. Uma rede neural composta por vrias destas unidades de processamento, que podem ser resumidas no modelo matemtico de McCulloch e Pitts ilustrado na figura 3, onde: x1..xp: vetor de valores de entrada; w1..wp: vetor de pesos das entradas; : funo de entrada, multiplicando o valor das entradas pelos respectivos pesos; f(a): funo de ativao, que dir se o valor de entrada foi suficiente ou no para gerar algum dado na sada; y: funo de sada, que ir conter o resultado das operaes efetuadas no neurnio.
De forma geral, a operao de uma unidade da rede se resume em: Sinais so inseridos na entrada;
Cada sinal multiplicado por um peso que indica sua influncia na sada da unidade; feita a soma ponderada dos sinais que produz um nvel de atividade; Se este nvel excede um limiar de ativao (threshold) a unidade produz uma sada.
3.1. A REDE NEURAL ARTIFICIAL Uma rede neural artificial , geralmente, um sistema de neurnios artificiais, tais como o descrito anteriormente, ligados por conexes sinpticas e dividido em 3 camadas: camada de entrada, que so os neurnios que recebem estmulos do meio externo; camadas internas ou hidden (ocultos); e neurnios de sada, que so os que se comunicam com o exterior. Tais redes podem ser tambm encontradas em modelos de apenas 1 camada, mas nestes casos as redes realizam apenas clculos muito simples, que podem ser efetuados mais facilmente atravs de mtodos tradicionais. Modelos de redes neurais como o Perceptron (ROSENBLATT, 1959) e a rede de Kohonen (WIDROW; HOFF, 1960), apresentam estruturas renciadas a esta definida acima.
3.2. TOPOLOGIAS As topologias de redes neurais podem ser classificadas quanto a: disposio dos neurn e ios quanto aos ciclos.
3.2.1. DISPOSIO DOS NEURNIOS Segundo Rumelhart (RUMELHART; HINTON; WILLIAMS, 1986), a rede neural deve ter ao menos duas camadas para apresentar um resultado significativo no desempenho de suas funes: entrada e sada de dados. Como uma rede deste tipo possui o processamento muito limitado necessria a adio de uma camada intermediria, fazendo com que uma rede neural tenha pelo menos trs camadas. A rede neural de Hopfield (HOPFIELD, 1982) apresenta fluxo de dados multidirecional e comportamento dinmico, devido ao fato de que todos os neurnios so interconectados, desaparecendo a idia de camadas. Como seu funcionamento mais complexo so encontrados maiores problemas tanto na fase de aprendizado quanto na fase de test s. e Sua utilizao maior na rea de problemas de otimizao e desempenho. As duas redes neurais citadas podem ser observadas na figura 4.
3.2.2. CICLOS Quanto aos ciclos, as redes neurais podem ser classificadas em: Diretas: redes neurais que no tem ciclos e podem ser representadas em camadas assim como mostrado na figura 6;
Com ciclos: redes em que o grafo de conectividade possui pelo menos um ciclo (tambm chamadas redes com realimentao ou feedback), podem ser compostas de uma ou mais camadas, sendo que cada neurnio fornece o sinal de entrada como input para cada um dos outros neurnios, podemos ver um exemplo desta rede na figura 7;
Simtricas: redes cuja matriz (do grafo de conectividade) simtrica, sendo um caso particular das redes com ciclos como na figura 8 .
3.2.3. MODELOS DE REDES NEURAIS A partir dos algoritmos so construdas as redes neurais que iro interagir com as entradas, as quais iro processar e fornecer as respostas. Dentre estas redes, podemos classific-las de acordo com seus ciclos e processos, os quais geram uma vasta gama de redes neurais j construdas ao longo do tempo como mostrado na figura 9 abaixo.
Esses ciclos desenvolvem as respostas que em geral, so funes tangentes hiperblicas no lineares e em degraus, como mostrado na figura 10 abaixo.
Figura 10: No linearidades usadas em redes neurais 3.2.4. CLASSES DE COMPORTAMENTOS O comportamento de uma rede neural designa a forma como o algoritmo que a compe interage com os dados recebidos pela entrada, fornecendo uma resposta. Esses comportamentos so classificados em reflexivos e reativos, os quais sero detalhados.
3.2.4.1. COMPORTAMENTOS REFLEXIVOS Uma caracterstica marcante aos comportamentos reflexivos de uma rede neural a intensidade e a durao das respostas de um estmulo (entrada), os quais so uma funo direta da intensidade e durao deste estimulo que disparou seu comportamento. Tambm importante notar que tempo decorrido entre a ocorrncia do estimulo e a aparecimento da resposta (sada) mnimo.
3.2.4.2. COMPORTAMENTOS REATIVOS uma classe intermediria entre os comportamentos puramente reflexivos e os comportamentos instintivos. formada por uma srie de comportamentos estereotipados como resposta a um estimulo dado. A entrada que dispara esse comportamento geralmente mais complexa e especifica que o necessrio para disparar o comportamento reflexivo. A resposta envolve um seqencial temporal de aes que se desenrolam at o final, mesmo que o estimulo disparador no esteja mais presente.
4. O PROCESSO DE APRENDIZAGEM
Uma das caractersticas mais importantes de uma rede neural artificial a capacidade de aprender com o meio ambiente, adaptando-se as condies do meio. Isto feito atravs de um processo iterativo de ajuste de seus pesos, chamado de aprendizado. Quando a rede aprende uma soluo para uma classe generalizada de problemas dizemos que ela aprendeu a tratar destes. Para que uma rede neural possa fazer isto necessrio fornecer
a ela um conjunto de valores possveis de entradas e, no caso de redes com aprendizado supervisionado, as sadas corretas para as solues propostas. Aplica-se ento um algoritmo que ir ajustar os pesos das arestas internas da rede, para generalizar aquela classe de problema. Estes algoritmos diferenciam-se entre si principalmente pelo modo como os pesos so ajustados, na figura 11 ilustramos nosso modelo.
Todo o conhecimento de uma rede est nas sinapses, ou seja, nos pesos das arestas. Para que a rede no seja configurada de maneira errada o processo de aprendizado deve ser feito de forma rigorosa. Existem vrios paradigmas de aprendizado, dentre os quais destacam -se: Independncia de quem aprende: rede aprende por memorizao, contato, exemplos, por analogia, por explorao e tambm por descoberta; Por retroao do mundo: diz respeito presena ou ausncia de realimentao explcita de fora da rede. Por Finalidade do Aprendizado: Auto-associador: apresentada rede uma coleo de exemplos para que ela memorize. Quando se apresenta um dos elementos da coleo de exemplos mas de modo errneo, a rede deve mostrar o exemplo original, funcionando assim como um filtro; Hetero-associador: uma variao do auto-associador, mas que se memoriza um conjunto de pares. O sistema aprende a reproduzir o segundo elemento do par, mesmo que o primeiro esteja pouco modificado, funcionando desta maneira como um reconhecedor de padres. Dentre os principais procedimentos para aprendizado, podemos citar: 1. Aprendizado supervisionado: aquele no qual um professor prov valores de sada para cada padro de entrada da rede. Podemos citar como um exemplo o reconhecimento de padres, os quais devem ser fornecidos por um operador (professor). Os parmetros de entrada sero: cor, tamanho e textura, e as sadas previstas podem ser somente: peixe bom ou peixe estragado. Podemos visualizar o exemplo pela figura 12 abaixo.
2. Aprendizado semi-supervisionado: aquele no qual um professor meramente indica quando a resposta da rede a um padro de treinamento bom ou ruim ; 3. Aprendizado no-supervisionado: no qual no h um professor , e a rede deve encontrar regularidades nos dados de treinamento por si mesma. Algo entre 50 e 90% das respostas devem ser fornecidas no processo de aprendizado, afim de que a rede aprenda a resolver o problema e no apenas decore solues prontas. Podemos denominar ainda ciclo como sendo uma apresentao de todos os N (N N, e N > 0) pares (entrada e sada) do conjunto de treinamento no processo de aprendizado. A correo dos pesos num ciclo pode ser executado de dois modos: 1. Modo Padro: A correo dos pesos acontece a cada apresenta rede de um exemplo o do conjunto de treinamento. Cada correo de pesos baseia somente no erro do exemplo -se apresentado naquela iterao. Assim, em cada ciclo ocorrem N (N N, e N > 0) correes. 2. Modo Batch: Apenas uma correo feita por ciclo. Todos os exemplos do conjunto de treinamento so apresentados rede, seu erro mdio calculado e a partir deste erro fazemse as correes dos pesos. Redes neurais artificiais so geralmente utilizadas para fazer reconhecimento esttico de padres, ou seja, para estaticamente mapear entradas complexas em sadas mais simples, como classificao N-ria de padres de valores. O modo usual de se treinar uma rede neural para a tarefa a ser executada atravs de um procedimento chamado de backpropagation (RUMELHART; HINTON;WILLIAMS, 1986), onde os pesos da rede so modificados em proporo de sua contribuio ao erro observado nas unidades de sada da rede.
Modelos de redes neurais como o Perceptron (ROSENBLATT, 1959) so capazes de tratar problemas linearmente independentes ou separveis. Para problemas no lineares, como computar a porta XOR ou a operao lgica de implicao, necessrio que a rede tenha uma representao intermediria apropriada para padres de entrada. Isto feito atravs da insero de camadas de neurnios intermedirios no-lineares. A rede neural com backpropagation utiliza a regra delta (uma restrio) para o processo de aprendizado. O termo backpropagation uma abreviao para propagao do erro p trs. ara Com a regra delta, como atravs de outros tipos de backpropagation, o aprendizado um processo supervisionado que ocorre a cada ciclo, isto , cada vez que dados so apresentados na entrada da rede, atravs de um fluxo de ativao posterior das sadas e da propagao dos erros anteriores do ajuste de pesos.
Simplificando, toda vez que uma rede neural recebe um padro ela adivinha aleatoriamente o que a entrada deve ser. Verifica-se ento a diferena entre a resposta encontrada est resposta e faz os ajustes nos pesos das conexes. A rede inicializada aleatoriamente para que julgamentos acerca da aplicao no sejam feitos antes desta ser apresentada ao algoritmo backpropagation. Os padres de treinamento apresentados rede podem ser vistos como um conjunto de pares ordenados {(x1, y1), (x2, y2), ..., (xp, yp)}, onde xi representa um padro de entrada, yi representa um vetor de padro de sada associado ao vetor de entrada xi e oi representa a sada real obtida na rede. O processo de treinamento da rede ento feito de acordo com o seguinte algoritmo, o qual derivado de um resultado natural da busca pelo gradiente da superfcie de erro (no espao de pesos) da sada atual produzida pela rede em relao a um resultado desejado. 1. Selecione o primeiro par de vetor de treinamento dos pares de vetores de treinamento. Chame este vetor de par (x, y). 2. Use o vetor de entrada x como a sada da camada de entrada dos elementos de processamento. 3. Calcule a ativao para cada unidade na camada subseqente. 4. Aplique as funes de ativao apropriadas, as quais sero denotadas como f(net) para as camadas intermedirias e como f(net0) para a camada de sada, para cada unidade na camada subseqente. 5. Repita os passos 3 e 4 para cada camada da rede. 6. Calcule o erro para este padro p em todo a camada de sada K utilizando a frmula: pk = (yk ok)f0(netok). 7. Calcule o erro para todas camadas intermedirias j utilizando a frmula recursiva. 8. Atualize os valores dos pesos das conexes das camadas intermedirias utilizando a equao: . Onde n um pequeno valor utilizado para limitar a quantidade de mudana permitida para cada conexo durante um ciclo de treinamento. 9. Atualize os valores dos pesos das conexes da camada de sada atravs da frmula: . 10. Repita os passos de 2 a 9 para todos os vetores pares no conjunto de treinamento. Chame esta de poca de treinamento. Os passos 1 a 10 devem ser repetidos quantas vezes for necessria para reduzir a soma dos erros a um valor mnimo de acordo com a frmula:
A figura 13 mostra uma rede tpica na qual pode ser utilizado o algoritmo backpropagation. Tal rede constituda de L camadas feedforward (os ns de entrada no so computados como uma camada) consistindo de uma camada de entrada, (L-1) camadas intermedirias e uma camada de sada com ns conectados sucessivamente de forma para frente sem neurnios conectados que se encontrem na mesma camada. No ilustrado aqui o funcionamento do algoritmo devido ao grande nmero de iteraes qu e geralmente so necessrias para se chegar a um resultado significativo.
Figura 13: Estrutura tpica de rede neural backpropagation 5. APLICAO DAS REDES NEURAIS ARTIFICIAIS
5.1. RECONHECIMENTO DE VOZ O reconhecimento de voz um campo que tm mostrado grande parte da capacidade das redes neurais. Pesquisadores facilmente obtiveram excelentes resultados em tarefas bsicas como diferenciao de fala humana e fala sintetizada e reconhecimento de fonemas e de dgitos atravs de fala. H ainda o reconhecimento da voz humana, campo no qual tm-se encontrado muitos avanos nos ltimos anos, com a presena de softwares de reconhecimento de voz tal qual o ViaVoicer da IBM.
5.2. RECONHECIMENTO DE TEXTO O reconhecimento de caracteres utilizado atualmente no processo de transferncias de dados (principalmente livros) para o meio digital. O processo de OCR (Optical Character Recognition - reconhecimento tico de caracteres) utilizando redes neurais utilizado para leitura dos cdigos postais em envelopes de carta nos Estados Unidos. O sistema apresenta preciso de at 99,5%.
5.2.1. EXEMPLOS 5.2.1.1. ADIOS Pesquisadores das Universidades Cornell, Estados Unidos, e Tel Aviv, Israel, desenvolveram um mtodo que permite a um computador escanear um texto, escrito em qualquer idioma, incluindo ingls e chins, e, autonomamente e sem qualquer informao prvia, inferir as regras gramaticais por detrs da construo daquele texto.
Entendendo as regras, o computador pode ento utiliz-las, construindo sentenas novas diferentes daquelas que ele "leu" - e que tm sentido. O mtodo tambm funciona para pautas musicais e at mesmo para seqncias de protenas. O novo mtodo ter implicaes significativas em aplicaes como o reconhecimento de voz e em quaisquer outras aplicaes que envolvam o processamento computadorizado da linguagem natural, assim como para campos de estudo como a gentica ou a lingustica. Ao contrrio das tentativas anteriores para o desenvolvimento de algoritmos de computador voltados para o aprendizado da linguagem, o novo mtodo, batizado de "Automatic Distillation of Structure - ADIOS", ou destilao automtica de estrutura, consegue identificar padres complexos em textos comuns. O algoritmo descobre os padres alinhando repetidamente as sentenas e procurando por partes que se sobreponham. "O ADIOS se fundamenta em um mtodo estatstico para a extrao de padres e em uma generalizao estruturada - dois processos ligados aquisio da linguagem. Nossas experincias mostram que ele consegue capturar estruturas intricadas de dados simples, incluindo transcries de falas dos pais com crianas de dois ou trs anos de idade,", conta o Dr. Edelman. Alm da fala com crianas, o algoritmo foi testado no texto completo da Bblia, em diversos idiomas, e na notao musical. Ele tambm pode ser aplicado a dados biolgicos, como pares de nucleotdeos e seqncias de aminocidos. Analisando protenas, por exemplo, o algoritmo foi capaz de extrair padres de seqncias de aminocidos que eram altamente correlacionados com as propriedades funcionais das protenas.
5.3. ROBTICA Uma rea importante das redes neurais no campo da robtica. Geralmente, estas redes so desenvolvidas para direcionar um manipulador, a parte mais importante do rob industria l, para segurar objetos, baseados em dados vindos de sensores. Geralmente as redes neurais so utilizadas na robtica para permitir aproximao de movimentos. Por exemplo, se um rob precisa seguir um caminho de A at B por C, pode ser que em algum momento sua trajetria se desvie do plano traado. Atravs do uso de redes neurais, quando isto acontecer, possvel fazer uma reavaliao e verificar se o caminho ainda possvel de ser traado ou se o rob deve retornar a origem. Outras aplicaes incluem direcionamento de robs autnomos.
O "RunBot" (rob corredor) mostrado na figura 14 abaixo conseguiu quebrar o recorde robtico em velocidade, capaz de andar velocidade de 3,5 pernas por segundo. Pernas por segundo ainda no uma unidade que faa parte do sistema internacionalde medidas.
Figura 14: Rob corredor Mas foi a forma encontrada pelos cientistas para comparar os diferentes robs, j que cada um tem um tamanho diferente. uma medida de velocidade relativa, sendo calculada dividindo-se a velocidade (metros por segundo) pelo comprimento das pernas do rob. O RunBot incrivelmente simples, inclusive no seu controle. O programa que faz o pequeno pernalta de 30 centmetros de altura ser to rpido inspirado na forma como os neurnios as clulas cerebrais - controlam o movimento nos humanos e nos animais.
O controlador neuronal aprende enquanto anda, o que dispensa a multiplicidade de sensores existentes nos outros robs andarilhos. Na verdade, ele possui apenas dois sensores, um para detectar quando o p sai do cho e outro para detectar quando o p toca o cho. Recebendo os sinais dos sensores, o controlador neuronal responde da mesma forma que o reflexo de um animal, fazendo com que as pernas se ajustem ao estgio do movimento no qual elas se encontram naquele momento.
5.3.1.2. MOVIMENTO DE ROBES HUMANOIDES A empresa japonesa Fujitsu anunciou o desenvolvimento de um sistema de aprendizado para robs humanides como o da figura 15 logo abaixo, que utiliza uma rede neural reconfigurvel. As redes neurais representam um passo importante no desenvolvimento de robs humanides, simplificando o processo de gerao de movimento do rob, normalmente feito com a demorada configurao individual de inmeros controles.
A gerao de movimento e seu controle envolvem complexos clculos de dinmica, exigindo considervel capacidade de computao. Mas mais poder de computao ainda ser requerido para que o rob responda instantaneamente a alteraes no ambiente. Um mtodo de resolver este problema atravs da utilizao de redes neurais baseadas em sistemas de controle, as quais imitam a maneira como os seres vivos aprendem. Mas este tipo de rede tem um funcionamento excessivamente demorado, levando dias ou at mesmo meses para gerar movimentos de maneira eficiente.
A tecnologia da Fujitsu baseada em redes CPG ("Central Pattern Generator"), que simulam matematicamente o oscilador neural existente nos vertebrados. A ferramenta combina um mtodo de perburbao numrica (NP), que quantifica o estado da configurao e dos pesos da rede. Esta combinao, conhecida como CPG/NP, foi otimizada para se chegar nova tecnologia. A empresa tambm desenvolveu um software, chamado de Humanoid Movement Generation System, que permite aos robs humanides aprenderem uma ampla gama de movimentos. Em termos mais simples, um gerador cria oscilaes nas diversas juntas do rob. Estas oscilaes so avaliadas por um software que determina se o movimento est correto ou incorreto. Se estiver incorreto, o programa altera os pesos atribudos s diversas variveis e tenta novamente. A rede neural se reconfigura dinamicamente e seleciona o movimento mais apropriado. Os pesquisadores enfatizam que o cerne da tecnologia est nessa reconfigurao dinmica e no simplesmente na alterao dos pesos. Esta reconfigurao permite o aprendizado de uma enorme gama de movimentos complexos. O enfoque adotado resultou em uma significativa reduo do tamanho do programa destinado a controlar os movimentos do rob, tendo apenas dez por cento do cdigo de um programa convencional. O tempo de aprendizado tambm caiu para algo em torno de 10 a 30 por cento do tempo anteriormente exigido, considerando-se um rob com 20 juntas mveis. Isto torna o rob capaz de se adaptar e reagir instantaneamente s situaes mutveis de um ambiente real. Para facilitar o desenvolvimento de movimentos especficos, a empresa desenvolveu tambm uma linguagem de computador para a programao de redes neurais. A linguagem estar embutida no rob, podendo ser utilizada por usurios no especializados em dinmica e redes neurais para gerar os movimentos desejados.
6. CONCLUSES
Neste trabalho apresentamos uma sub-rea da Inteligncia Artificial: Redes Neurais Artificiais. Procuramos por meio de idias e conceitos bsicos explanar o desenvolvimento e o aprendizado de uma rede neural. Sabedores de que em processos normais de desenvolvimento destes tipos de rede, a modelagem da arquitetura um processo custoso por demandar de especialistas que nem sempre esto disponveis. A principal vantagem que esse tipo de algoritmo passa a ser gerado com pouca ou quase nenhuma interveno humana, criando sistemas autnomos que possam tomar suas prprias decises baseados em experincias anteriores.
7. REFERENCIAS BIBLIOGRFICAS
SANTOS, Davi Trindade. 2004. Sistemas Inteligentes Hbridos: Como Combinar Redes Neurais Artificiais, Lgica Nebulosa e Algoritmos Genticos.
SILVA, Flavio de Almeida. Redes Neurais Hierrquicas para Implementao de Comportamento de Agentes Autnomos.