3.11 Outros tipos de Redes Neurais Artificiais

FIGURA 3.32 Dados de teste do processo e estimados pelo modelo RBF.

3.11 Outros tipos de Redes Neurais Artificiais

Existem outros tipos de redes neurais como a de Hopfield, as Recorrentes máquina de Boltzmann, as Máquinas de Vetor de Suporte, entre outras

(Haykin, 2007).

Uma rede de Hopfield utiliza o conceito de função de energia, em que a

rede em questão converge para um conjunto estável de ativações em relação à

função considerada (Hopfield, 1984).

As redes Recorrentes diferem das de Hopfield em dois aspectos (Haykin

2007) que as tornam adequadas para aplicações em tempo real: têm camadas escondidas; possuem dinâmicas arbitrárias.

A máquina de Boltzmann foi proposta por Hinton e Sejnowski (1983), e

nela os estados das unidades da rede com valores binários possuem transições de estados probabilísticas. Em aplicações em problemas de otimização, os pesos desta rede representam as restrições do problema a ser otimizado.

As Máquinas de Vetor de Suporte (SVM – Support Vector Machine

utilizam aprendizagem supervisionada e funções de Kernel na sua composição, sendo aplicadas com sucesso em problemas de classificação de

padrões e de regressão linear (Haykin, 2007). Em Carpinteiro et al. (2011) esse tipo de rede foi aplicado na previsão de séries temporais, e os resultados obtidos foram comparados com redes MLP e modelos hierárquicos.

Modelos com redes neurais podem estar associados a outras técnicas de IA

como sistemas fuzzy, definindo-se estruturas conhecidas como neurofuzzy, e com algoritmos de inspiração evolucionária (como os Algoritmos Genéticos Enxame de Partículas, e outros).

Exercícios

1. Considere a rede a seguir, com função de ativação de McCullock-Pitts

e com limiar θ nulo. Apresente a saída da rede para todas as combinações de entradas binárias (0 e 1) possíveis.

2. Recalcule a mesma rede, agora com entradas bipolares (−1 e 1) e

limiar igual a 1.

3. Considere a rede a seguir, com função de Ativação de McCullock-Pitts

e com limiar θ em 2. Apresente a saída da rede para todas as combinações de entradas binárias (0 e 1) possíveis.

4. Considere a rede a seguir, com função de ativação de McCullock-Pitts

e com limiar θ em 4. Apresente a saída da rede para todas as combinações de entradas binárias (0 e 1) possíveis.

5. Assumir uma rede com função de ativação de McCullock-Pitts, com

limiar θ em 2 e com polarização b = 0 para todos os nós. Apresente a saída da rede para todas as combinações de entradas binárias (0 e 1) possíveis.

6. Elabore uma rede com função de ativação de McCullock-Pitts e com

limiar θ = 0, que responda como uma função OR NOT bipolar. Use para treinar a regra de Hebb.

7. Construa uma rede com função de ativação de McCullock-Pitts, com

limiar θ = 0, que responda como uma função AND NOT bipolar. Use para treinar a regra de Hebb.

8. Use a regra de Hebb para classificar os vetores a = (1, 1, 1, 1) e b =

(−1, 1, −1, −1) em um grupo (saída = 1), e os vetores c = (1,1,1,−1) e d = (1, −1, −1, 1) em outro grupo (saída = −1). Use limiar θ = 0. Faça um esquema da rede, construa a tabela de treinamento e preencha a tabela usando a regra de Hebb.

9. Repita o problema anterior usando a regra de treinamento Perceptron,

com η = 1 e θ = 0. Inicie todos os pesos com zero.

10. Usando regra Perceptron, treine uma rede para emular uma porta

AND.

11. Construa um Perceptron de duas saídas para classificar os vetores a =

(1, 1, 1) e b = (1, −1, −1) em uma classe, e c = (1, 1, −1) e d = (−1,1, −1) em outra. Faça η = 1, θ = 0, e inicialize os pesos e viés com zero. Construa a tabela de treinamento, faça um esquema gráfico da rede e teste-a para as entradas dadas e para os vetores e = (−1, −1, 1), f = (0, −1, 1), e g = (−1, 1, 0) e h = (1, 1,0). Discuta os resultados.

12. Estabeleça uma rede Adaline para a função lógica AND, utilizando

entradas e saídas bipolares. Inicie todos os pesos com o valor 0,1 e η = 0,25.

13. Construa uma rede Adaline para a função lógica OR NOT, utilizando

entradas e saídas bipolares. Inicie todos os pesos com o valor 0,1 e η = 0,25.

14. Foi construída uma rede Adaline, com η = 0,25, com os pesos e as

bias iniciados em 0,1, para classificar os vetores a = (1, −1, 1) e b = (1, 1, −1) na classe de saída 1, e c = (1, −1, −1) na classe de saída −1. Imediatamente antes de entrar o vetor b, a rede apresentou a configuração a seguir.

Forneça os valores dos pesos após o processamento do vetor de entrada b.