Beruflich Dokumente
Kultur Dokumente
Resumo – A identificação de padrões é later Adaptive Linear Element) with the Delta
utilizada para resolver problemas diversos, rule as a method of supervised training.
deste o reconhecimento da face de uma pessoa
até a digitalização de textos manuscritos. Redes Keywords – Artificial Neural Networks,
neurais artificiais (RNA) é um método utilizado Adaline, Delta Rule, Recognition of Patterns.
para solucionar tais problemas. Tal método
simula o funcionamento do cérebro humano,
baseando-se em suas estruturas para criar 1. Introdução
modelos computacionais capazes de aprender
O cérebro humano apresenta uma
através da repetição de sua execução,
adequando repetidamente o seu estado e grande capacidade de reconhecer padrões,
comportamento. Este trabalho propõe uma permitindo ao ser humano resolver problemas
aplicação para o reconhecimento de caracteres complexos naturalmente. Deste o nascimento, o
alfanuméricos, a sua implementação é baseada
cérebro humano está em constante evolução,
na utilização da técnica de redes neurais
armazenando uma quantidade exorbitante de
Adaline usando como método de treinamento
supervisionado a regra Delta. informações. Tais informações são comparadas
e combinadas para a identificação de padrões.
Palavras-Chave – Redes Neurais Artificiais, Tal característica permite ao ser humano ser
Adaline, Regra Delta, reconhecimento de
fortemente adaptativo, capacitando-o a resolver
padrões.
problemas novos de um modo bem eficiente.
fundamentada em áreas diversas, tais como: Fig. 1: Modelo não linear de um neurônio
neurociência, matemática, estatística, física, Artificial (fonte = [4])
P neural;
t P k − yk , onde t e y são,
• ModGUI: contém as interfaces
respectivamente, a saída esperada e a gráficas necessárias para propiciar a
saída encontrada do neurônio P; interação com o usuário do sistema.
• xi (n) - valor do estímulo i presente no Este módulo utiliza-se do módulo
padrão P. ModRN para resolver os problemas.
quadrático total que é dado pela formula: futuros desenvolvimentos. A figura 3 apresenta
a sua estrutura, que é composto por 8 classes,
Etotal = ∑ E , onde :
E = 12 (t − y )
P P P 2
P
. neste trabalho são utilizado:
P
• Entrada: responsável em representar as
diversas entradas de um neurônio.
• Sinapse: que representa as conexões
4. Desenvolvimento da Aplicação
entre uma entrada e um neurônio, bem
como o peso da mesma. Contém os
O desenvolvimento desta aplicação utiliza de
algoritmos responsáveis em atualizar
técnicas de desenvolvimento interativo, no qual
os pesos.
a cada nova versão da aplicação novas
• Regra Delta: Implementa a função
funcionalidades são inseridas. Esta nova versão
delta.
entende as funcionalidades desenvolvidas
• Neuronio: Esta classe se relaciona com
anteriormente, que implementavam uma solução
n objetos da classe Sinapse e com um
do problema de reconhecimento de padrões
objeto da classe FunçãoLimiar.
numéricos, utilizando a técnica Perceptron[6].
Através desta relação, ela gerencia o
Esta nova versão foi feita utilizando a
linguagem de programação Java e utilizou a
processo de Ativação e Treinamento de Este módulo propicia a interface
um neurônio da rede. gráfica necessária para a utilização da aplicação.
•
RedeNeural: É
a classe
principal,
contém
toda a
lista de
neurônios
existentes,
bem como
o conjunto
de
entradas e
saídas
Fig. 4.: Interface Principal da aplicação.
fornecidas. Implementa
Ele é composto por uma classe principal que
os algoritmos responsáveis em gerir
propicia um ambiente de desktop. Neste
todo o treinamento e execução da rede.
ambiente é possível executar duas
Estes algoritmos utilizam de objetos da
funcionalidades:
classe Neuronio para realizar tal
• Atividade 3: reconhecimento de
função.
padrões numéricos utilizando a técnica
• RedeNeuralAdaline: Esta classe
Perceptron.
especializa a classe RedeNeural,
• Atividade 4: reconhecimento de
capacitando à resolver problemas
padrões alfanuméricos, nesta
utilizando a regra delta com estratégia
funcionalidade foi disponibilizado a
de aprendizado.
oportunidade de selecionar a técnica de
resolução de problema: Perceptron ou
Adaline.
Experimento 01:
Neste experimento a taxa de
aprendizagem foi de 0.01, a taxa de erros
máximo foi de 1 e a quantidade máxima de
ciclos foi de 1000. O treinamento gastou 78
Fig. 6: Caractere A modificado para teste.
ciclos para conseguir ensinar a rede,
consumindo 0.73 segundos. A última taxa de • Ao modificar as entradas para
apresentada. caractere A;
novamente treinada inserindo este novo padrão.
Este novo treinamento produz os dados: 80
ciclos, 0.92 segundos e último erro igual à
0.9718051125482026.
O padrão apresentado pela figura 9 foi
Fig. 7: Caractere A modificado, aproximando-se novamente apresentado e a rede identificou,
do caractere F. retornando o resultado 0.9996902827201839.
• Estas modificações geraram as saídas: Foram alterado 9 entradas, gerando a
o A : 0.07501626406083356 imagem apresentada na figura 10. A rede
o F : 0.044344784303051915 identificou o caractere m, com resultado igual a
• Identificou
• Resultado = 0.3630745227473232
Sexta Entrada:
• Identificou
• Resultado = 0.08310224556675395