Sei sulla pagina 1di 18

REDE PERCEPTRON

Prof: Jim Jones


INTRODUÇÃO
 Idealizado por Rosenblatt(1958).
 É a forma mais simples de configuração de uma
rede neural, cujo propósito focava em
implementar um modelo computacional inspirado
na retina.
 Uma de suas aplicações consistia em identificar
padrões geométricos.
 Concepção inicial do elemento Perceptron:
 A simplicidade da rede Perceptron está associada
à sua condição de ser constituída de apenas uma
camada neural e tendo somente um neurônio
nesta camada.

 Uma rede Perceptron pode ter n sinais de


entrada, representativas do problema a ser
mapeado, e somente uma saída.
REDE PERCEPTRON
PRINCÍPIO DE FUNCIONAMENTO DO
PERCEPTRON
 Cada uma das entradas xi, as quais representam
informações sobre o comportamento do processo a
ser mapeado, são ponderadas pelos pesos
sinápticos wi a fim de quantificar a importância
de cada uma frente aos objetivos funcionais
atribuídos ao neurônio.
 O valor resultante das entradas ponderadas
adicionado do limiar de ativação 𝜃, que é
repassado como argumento da função de
ativação, cujo resultado de retorno será a saída y.
PRINCÍPIO DE FUNCIONAMENTO DO
PERCEPTRON
 Em termos matemáticos:

𝑢 = ෍ 𝑤𝑖 . 𝑥𝑖 −𝜃
𝑖=1
𝑦=𝑔 𝑢
PRINCÍPIO DE FUNCIONAMENTO DO
PERCEPTRON
 Devido as características estruturais, a função de
ativação normalmente utilizada no Perceptron
são do tipo degrau ou degrau bipolar.
 Independente da função de ativação a ser
utilizada, tem-se apenas duas possibilidades de
valores a serem produzidos pela sua saída: 0 ou
1, -1 ou 1 para degrau bipolar.
Aspectos dos parâmetros característicos do Perceptron.

Parâmetro Variável Tipo característico


Representativa
Entradas 𝑥𝑖 (i-ésima entrada) Reais ou binárias
(advindas
externamente)
Pesos sinápticos 𝑤𝑖 (associado a 𝑥𝑖 ) Reais (iniciados
aleatoriamente)
Limiar 𝜃 Real (iniciado
aleatoriamente)
Saída 𝑦 Binária
Função de ativação 𝑔(. ) Degrau ou degrau
bipolar
Processo de ---------------------------- Supervisionado
treinamento
Regra de aprendizado ---------------------------- Regra Hebb
PRINCÍPIO DE FUNCIONAMENTO DO
PERCEPTRON
 Portanto, considerando um problema envolvendo
classificação de sinais de entrada em duas classes
possíveis, denominadas classe A e classe B, seria
possível então (assumindo a função de ativação
degrau bipolar ) atribuir o valor -1 para
representar as amostras pertence à classe A, ao
passo que o valor 1 seria usado para aquelas da
classe B, ou vice-versa.
ANÁLISE MATEMÁTICA DO PERCEPTRON
 Em termos matemáticos, a saída do Perceptron ,
tendo –se assim como função de ativação a função
sinal definida será dada por:
−1, 𝑠𝑒 ∑𝑤𝑖 ∙ 𝑥𝑖 − 𝜃 < 0
𝑦 =ቊ
1, 𝑠𝑒 ∑𝑤𝑖 ∙ 𝑥𝑖 − 𝜃 ≥ 0

 Portanto, a fronteira de decisão para esta uma


instância com duas entradas será entao uma
reta cuja equação é definida por:
 𝑤1 ∙ 𝑥1 + 𝑤2 ∙ 𝑥2 − 𝜃 = 0
ANÁLISE MATEMÁTICA DO PERCEPTRON
 Pode-se concluir que o Perceptron se comporta
como um classificador de padrões cuja função é
dividir classes que sejam linearmente separáveis.
PROCESSO DE TREINAMENTO
 Se a saída produzida está coincidente com a saída
desejada: pesos sinápticos e limiares da rede
serão então incrementados (ajuste excitatório)
proporcionalmente aos valores de seus sinais de
entrada.
 Caso contrário, a saída produzida pela rede é
diferente do valor desejado, os pesos sinápticos e
limiar serão então decrementados (inibitório).
 Este processo é repetido, sequencialmente para
todas as amostras de treinamento, até que a
saída pelo perceptron seja similar à saída de cada
amostra.
PROCESSO DE TREINAMENTO
 Em termos matemáticos, as regras de ajuste dos
pesos sinápticos 𝑤𝑖 e do limiar 𝜃 do neurônio
podem ser expressas da seguinte forma:
𝑤𝑖𝑎𝑡𝑢𝑎𝑙 = 𝑤𝑖𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 + 𝜂 ∙ 𝑑𝑘 − 𝑦 ∙ 𝑥 𝑘
ቐ 𝑎𝑡𝑢𝑎𝑙
𝜃𝑖 = 𝜃𝑖𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 + 𝜂 ∙ 𝑑𝑘 − 𝑦 ∙ 𝑥 𝑘

 Que pode ser representada da seguinte forma:


𝑤 ← 𝑤 + 𝜂 ∙ 𝑑𝑘 − 𝑦 ∙ 𝑥 𝑘
PROCESSO DE TREINAMENTO
Onde:
 𝑤 = 𝜃 𝑤1 𝑤2 … 𝑤𝑛
𝑇
é o vetor contendo o limiar e
os pesos.
𝑇
𝑥
𝑘 = −1 𝑥1𝑘 𝑥2𝑘 𝑘
… 𝑥𝑛
 𝑑 𝑘 é o valor desejado para k-ésima amostra de
treinamento.
 𝑦 é o valor de saída produzida pelo Perceptron.

 𝜂 é uma constante que define a taxa de


aprendizagem da rede
PROCESSO DE TREINAMENTO
 A taxa de aprendizagem (𝜂) exprime quão rápido
o processo de treinamento da rede estará sendo
conduzido rumo a sua convergência.
 A escolha deste deve ser feita com cautela para
evitar instabilidade no processo de aprendizado.
Normalmente atribui-se valores entre 0 e 1.
ALGORITMO TREINAMENTO
ALGORITMO DE OPERAÇÃO

Potrebbero piacerti anche