SlideShare uma empresa Scribd logo
1 de 76
[object Object],[object Object],[object Object],[object Object],Redes Neurais e Aplicações
Conteúdo ,[object Object],[object Object],[object Object]
Histórico ,[object Object],Célula de Purkinge no Córtex Cerebral Dendritos Corpo celular 1906 :  Ramón y Cajal (Espanha, Santiago) Axônio Sinais de outros neurônios
Outros neurônios biológicos Neurônio piramidal CA1 de rato Neurônio espinhoso neostriatal de rato Interneurônio sem axônio do gafanhoto
Sinapses (conexões entre neurônios) ,[object Object],[object Object],[object Object],[object Object],[object Object]
»Modelo ,[object Object],[object Object],[object Object],[object Object],[object Object]
Histórico ,[object Object],[object Object],[object Object],[object Object],Minsky 1969 » vácuo dos anos 70 ,[object Object],[object Object],$  »  Inteligência Artificial Simbólica
Perceptron w 1 w 2 w 3 e 3 e 2 e 1 sinapses Freqüência dos pulsos Soma dos pulsos s = e 1 w 1 +e 2 w 2 +e 3 w 3 Limite se s>t entao r = 1 senao r = 0 e 1 e 2 1 0 Classificação de padrões 1 1 1 1 0 0 0
Aprendizado Supervisionado ,[object Object],w i ´= w i  +  (r desejado -r atual )e i w 3 ´= w 3  + ( levantar  - ficar parado) mamadeira ,[object Object],r e 1 w 1 w 2 w 3 e 3 e 2 =1
Minsky e a crítica ao Perceptron ,[object Object],e 2 0 1 1 0 e 1 Xor e 1 e 2 ,[object Object]
Aplicações ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Mapa de Kohonen Cortex
Estrutura Básica ,[object Object],[object Object]
Mapa de Kohonen ,[object Object],Cada neurônio especializa-se em determinados padrões, respondendo somente a estes. (w 1 ,w 2  ) w 1 w 2
Reconhecimento de Voz tempo 10mS Sinal no tempo Sinal em  freqüência Mapa de Kohonen Fonema /i/ Fonema /o/
Reconhecimento de Voz ,[object Object]
Proteína estudada: CAP (Catabolic Activator Protein) ,[object Object],[object Object]
Dados ,[object Object],Visão 1 Visão 2 Visão 3
Resultados: Matriz U, (x,y,z), Resíduos
Superfície da Proteína => Superfície no Mapa de Kohonen
Sistema Neural de Visão
Camadas de neurônios no cortex
Rumelhart ,[object Object],[object Object]
[object Object],Erro quadrático: Ajuste dos Pesos: Ex.: Derivação da regra de reajuste dos pesos (Camada intermediária da rede = Hidden Layer)
Exemplo ,[object Object],[object Object],[object Object],Iris-Setosa Iris-Virginica Iris-Versicolor
Ajuda ao diagnóstico médico ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Reconhecimento de Imagens ,[object Object],[object Object],[object Object],[object Object],0 1 janela deslizante 0 1
Reconhecimento de Imagens ,[object Object]
Separação de enantiômeros ,[object Object]
Separação de enantiômeros ,[object Object],[object Object],[object Object],[object Object]
Separação de enantiômeros  Treinamento = pesos adaptados 0.25 0.95 0.05 0.40 0.35
Estrutura secundária de proteinas ,[object Object]
Os Dados Arquivo:  1 run.pdb Que características estudar? As cargas elétricas dos aminoácidos, como possível indicação de características de interação protéica.
Estrutura secundária de proteinas ,[object Object],[object Object],[object Object]
Estrutura secundária de proteinas
Simulação Dinâmica => Rede Neural?
Toxicidade aquática ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Correção de cores ,[object Object],[object Object],[object Object],[object Object],[object Object],scanner impressora
Aprendizado R G B R G B scanner
Aplicação R G B R G B
Simulação e Controle Equações diferenciais dv  dt F  m = dx  dt v  = Massa m Força F Atrito a Velocidade v distância x v (t+  t) = v(t) +   t F  m x (t+  t) = x(t) + v   t
Modelo do Pêndulo triplo                         (t) (t+  t) Modelo passivo   (t) (t+  t) Modelo ativo  u f 
Centro de massa Massa 23 pontos de massa = 69 coordenadas (x,y,z) + 69 coordenadas de velocidade (vx,vy,vz)= 138 variáveis de estado ou  138 equações!! Modelo do Golfinho
Simulação e Controle (Vídeo) Golfinho: 6 músculos (Objetivo: bola vermelha) Pêndulo triplo: atrito, forças externas, torque nas juntas objetivo Carro: atrito, tração traseira, direção dianteira objetivo Nave espacial: Propulsor principal, 3 propulsores de direção. objetivo
Controle (BPTT) (t) (t+  t) u f (t+2   t) u f (t+3   t) u f  Objetivo: estado final Estado atual  u Valores a serem aplicados ao processo para que este chegue no estado final. u u
Seqüências de Vídeo: Emulador ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Seqüências de Vídeo: Controle ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Seqüências de Vídeo: Emulador ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Seqüências de Vídeo: Controle ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Comparação entre as Redes Neurais Temporais Memória P Processamento temporal usando atrasos no tempo Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) P Memória P Modelo   Geral Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) Memória P NARX Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Saída ( t ) P Memória P Rede de Elman Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) P Memória Rede de Jordan Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) Variáveis de estado ( t+1 )
Sistema de Lorenz Marchuk, G.I. et all.:  Numerical Simulation of a Large-Scale Atmospheric and Oceanic Circulation. In Problems of Computational Mathematics and Mathematical Modelling. Eds.: G.I.Marchuk e V.P.Dymnikov. MIR Publishers. P. 124-166. 1985. Edward Lorenz MIT 1960 Royal MacBee Project
Sistema de Lorenz ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Experimentos – Sistema de Lorenz ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Experimentos – Sistema de Lorenz Arquitetura da Rede Neural Recorrente Z -1 Variáveis de estado ( t+1 ) x ( t ) y ( t ) z ( t )
Experimentos – Sistema de Lorenz Treinamento das Redes Neurais S 0.22 0.16 3-20-3 S 0.2 0.18 3-19-3 S 0.31 0.29 3-18-3 S 0.48 0.35 3-17-3 S 0.35 0.25 3-16-3 S 0.29 0.24 3-15-3 S 0.48 0.36 3-14-3 S 0.46 0.43 3-13-3 S 0.36 0.34 3-12-3 S 0.45 0.49 3-11-3 N 0.95 0.99 3-10-3 N 11.1 12.07 3-3-3 Simulação  3D MSE Teste MSE Treinamento Topologia  t = 0.03 (20.000 épocas/4.000 padrões) S 2.98 2.94 3-20-3 N 3.28 4.15 3-19-3 S 7.82 6.02 3-18-3 S 4.94 5.2 3-17-3 S 13.33 5.88 3-16-3 N 5.98 5.78 3-15-3 N 5.56 6.24 3-14-3 N 16.77 12.4 3-13-3 N 23.65 14.12 3-12-3 N 26.85 17.71 3-11-3 N 36.69 38.68 3-10-3 N 89.26 92.33 3-3-3 Simulação  3D MSE Teste MSE Treinamento Topologia  t = 0.06 (20.000 épocas/2.000 padrões)
[object Object],Dados Originais Rede com 11 neurônios na camada oculta
Lorenz - Self Organizing MAP
Como avaliar um imóvel utilizando Redes Neurais Artificiais . ,[object Object],[object Object]
Banco de dados no.1 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Banco de dados no.2 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Treinando uma rede (6-24-24-1)
Resultados
Aluguel
Aluguel
Venda
Venda
Aplicação no Mercado Financeiro: Importação ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Rede Neural utilizada
Resultados da Rede ,[object Object]
Robótica Industrial Cinemática Inversa
Classificação
Robix
Posição do Manipulador => Comandos x y z  1  2  3  4 Camada de Entrada Camada de Saída Camada  Oculta
Robótica autônoma ,[object Object]
Porosidade em Rochas ,[object Object]
Futuro ? ,[object Object],[object Object],[object Object],[object Object]

Mais conteúdo relacionado

Mais procurados

Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais ArtificiaisRicardo Zalla
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Bruno Catão
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Bruno Catão
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Ricardo Brasil
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldLucas Sabadini
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiaisRobson Gomes
 
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagensRedes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagensGDGFoz
 
Computadores de redes neurais
Computadores de redes neuraisComputadores de redes neurais
Computadores de redes neuraisSanclé Porchéra
 
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisLeonardo Goliatt
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep LearningCristian Muñoz
 

Mais procurados (20)

Redes neurais
Redes neuraisRedes neurais
Redes neurais
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais Artificiais
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e Hopfield
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiais
 
Apresentacao
ApresentacaoApresentacao
Apresentacao
 
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagensRedes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
 
P910Aula05
P910Aula05P910Aula05
P910Aula05
 
160277 redes neurais artificiais
160277 redes neurais artificiais160277 redes neurais artificiais
160277 redes neurais artificiais
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 
Modelos de previsão de Ocorrências
Modelos de previsão de OcorrênciasModelos de previsão de Ocorrências
Modelos de previsão de Ocorrências
 
Computadores de redes neurais
Computadores de redes neuraisComputadores de redes neurais
Computadores de redes neurais
 
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep Learning
 
Deep Learning
Deep LearningDeep Learning
Deep Learning
 

Semelhante a Redes neurais: histórico, princípios e aplicações

Projeto de Controle de Posição entre veículos, Análise de Sistemas III
Projeto de Controle de Posição entre veículos, Análise de Sistemas IIIProjeto de Controle de Posição entre veículos, Análise de Sistemas III
Projeto de Controle de Posição entre veículos, Análise de Sistemas IIICiro Marcus
 
29 1 observabilidade e controlabilidade
29 1   observabilidade e controlabilidade29 1   observabilidade e controlabilidade
29 1 observabilidade e controlabilidadeAdler Linhares
 
Análise de sinais e sistemas
Análise de sinais e sistemasAnálise de sinais e sistemas
Análise de sinais e sistemasReggae Strong
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]ronaldo ramos
 
Dinâmica Molecular
Dinâmica MolecularDinâmica Molecular
Dinâmica Molecularjcfa06
 
Sistemas 2009 1
Sistemas 2009 1Sistemas 2009 1
Sistemas 2009 1Eli Brito
 
Algorítimos Genéticos
Algorítimos GenéticosAlgorítimos Genéticos
Algorítimos Genéticosiaudesc
 
Grafos De Bruijn para identificação de variações genéticas usando GBS
Grafos De Bruijn para identificação de variações genéticas usando GBSGrafos De Bruijn para identificação de variações genéticas usando GBS
Grafos De Bruijn para identificação de variações genéticas usando GBSMarcos Castro
 
Instrumentação Agropecuária no Brasil_Siagro2014_Embrapa Intrumentação
Instrumentação Agropecuária no Brasil_Siagro2014_Embrapa IntrumentaçãoInstrumentação Agropecuária no Brasil_Siagro2014_Embrapa Intrumentação
Instrumentação Agropecuária no Brasil_Siagro2014_Embrapa IntrumentaçãoNetNexusBrasil
 
Modelagem e inversão em coordenadas esféricas na gravimetria
Modelagem e inversão em coordenadas esféricas na gravimetriaModelagem e inversão em coordenadas esféricas na gravimetria
Modelagem e inversão em coordenadas esféricas na gravimetriaLeonardo Uieda
 
Sistemas digitais - Sistemas de Numeração
Sistemas digitais - Sistemas de NumeraçãoSistemas digitais - Sistemas de Numeração
Sistemas digitais - Sistemas de NumeraçãoCarlos Pereira
 
Implementacao analisador sinais elétricos - sistema monofásico
Implementacao analisador sinais elétricos - sistema monofásicoImplementacao analisador sinais elétricos - sistema monofásico
Implementacao analisador sinais elétricos - sistema monofásicoEdson Bittar Henriques
 
Prova 1 2015-1 (d1)
Prova 1 2015-1 (d1)Prova 1 2015-1 (d1)
Prova 1 2015-1 (d1)almeidacisco
 
Formação das imagens convencionais e digitais: raios X
Formação das imagens convencionais e digitais: raios XFormação das imagens convencionais e digitais: raios X
Formação das imagens convencionais e digitais: raios XPaulo Fonseca
 
Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...
Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...
Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...UFPA
 
Caracteristica sensores doc
Caracteristica sensores docCaracteristica sensores doc
Caracteristica sensores docAlziane Lima
 
Aula 05 - Transformada de Laplace.pdf
Aula 05 - Transformada de Laplace.pdfAula 05 - Transformada de Laplace.pdf
Aula 05 - Transformada de Laplace.pdfPedroTVSouza
 

Semelhante a Redes neurais: histórico, princípios e aplicações (20)

Projeto de Controle de Posição entre veículos, Análise de Sistemas III
Projeto de Controle de Posição entre veículos, Análise de Sistemas IIIProjeto de Controle de Posição entre veículos, Análise de Sistemas III
Projeto de Controle de Posição entre veículos, Análise de Sistemas III
 
29 1 observabilidade e controlabilidade
29 1   observabilidade e controlabilidade29 1   observabilidade e controlabilidade
29 1 observabilidade e controlabilidade
 
Análise de sinais e sistemas
Análise de sinais e sistemasAnálise de sinais e sistemas
Análise de sinais e sistemas
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]
 
Dinâmica Molecular
Dinâmica MolecularDinâmica Molecular
Dinâmica Molecular
 
Sistemas 2009 1
Sistemas 2009 1Sistemas 2009 1
Sistemas 2009 1
 
Maquinas estocasticas
Maquinas estocasticasMaquinas estocasticas
Maquinas estocasticas
 
Algorítimos Genéticos
Algorítimos GenéticosAlgorítimos Genéticos
Algorítimos Genéticos
 
GOP Software Manual
GOP Software ManualGOP Software Manual
GOP Software Manual
 
Aula 2 balanco de massa
Aula 2 balanco de massaAula 2 balanco de massa
Aula 2 balanco de massa
 
Grafos De Bruijn para identificação de variações genéticas usando GBS
Grafos De Bruijn para identificação de variações genéticas usando GBSGrafos De Bruijn para identificação de variações genéticas usando GBS
Grafos De Bruijn para identificação de variações genéticas usando GBS
 
Instrumentação Agropecuária no Brasil_Siagro2014_Embrapa Intrumentação
Instrumentação Agropecuária no Brasil_Siagro2014_Embrapa IntrumentaçãoInstrumentação Agropecuária no Brasil_Siagro2014_Embrapa Intrumentação
Instrumentação Agropecuária no Brasil_Siagro2014_Embrapa Intrumentação
 
Modelagem e inversão em coordenadas esféricas na gravimetria
Modelagem e inversão em coordenadas esféricas na gravimetriaModelagem e inversão em coordenadas esféricas na gravimetria
Modelagem e inversão em coordenadas esféricas na gravimetria
 
Sistemas digitais - Sistemas de Numeração
Sistemas digitais - Sistemas de NumeraçãoSistemas digitais - Sistemas de Numeração
Sistemas digitais - Sistemas de Numeração
 
Implementacao analisador sinais elétricos - sistema monofásico
Implementacao analisador sinais elétricos - sistema monofásicoImplementacao analisador sinais elétricos - sistema monofásico
Implementacao analisador sinais elétricos - sistema monofásico
 
Prova 1 2015-1 (d1)
Prova 1 2015-1 (d1)Prova 1 2015-1 (d1)
Prova 1 2015-1 (d1)
 
Formação das imagens convencionais e digitais: raios X
Formação das imagens convencionais e digitais: raios XFormação das imagens convencionais e digitais: raios X
Formação das imagens convencionais e digitais: raios X
 
Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...
Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...
Cinematica inversa de um manipulador robotico de quatro graus de liberdade ut...
 
Caracteristica sensores doc
Caracteristica sensores docCaracteristica sensores doc
Caracteristica sensores doc
 
Aula 05 - Transformada de Laplace.pdf
Aula 05 - Transformada de Laplace.pdfAula 05 - Transformada de Laplace.pdf
Aula 05 - Transformada de Laplace.pdf
 

Mais de semanact2007

Tutorial para acessar a Ilha Unisinos no Second Life
Tutorial para acessar a Ilha Unisinos no Second LifeTutorial para acessar a Ilha Unisinos no Second Life
Tutorial para acessar a Ilha Unisinos no Second Lifesemanact2007
 
ApresentaçãO Projeto
ApresentaçãO ProjetoApresentaçãO Projeto
ApresentaçãO Projetosemanact2007
 
Viol^Ncia De G^Nero Ihu
Viol^Ncia De G^Nero IhuViol^Ncia De G^Nero Ihu
Viol^Ncia De G^Nero Ihusemanact2007
 
Projeto Mauricio Veronez
Projeto Mauricio VeronezProjeto Mauricio Veronez
Projeto Mauricio Veronezsemanact2007
 
Projeto Mpk Aditivos
Projeto Mpk AditivosProjeto Mpk Aditivos
Projeto Mpk Aditivossemanact2007
 
ApresentaçãO Web
ApresentaçãO WebApresentaçãO Web
ApresentaçãO Websemanact2007
 
Mostra Cient(Ffica Talize Dia27oficialaiaia
Mostra Cient(Ffica  Talize Dia27oficialaiaiaMostra Cient(Ffica  Talize Dia27oficialaiaia
Mostra Cient(Ffica Talize Dia27oficialaiaiasemanact2007
 
M O S T R A W E B X Y
M O S T R A W E B X YM O S T R A W E B X Y
M O S T R A W E B X Ysemanact2007
 

Mais de semanact2007 (13)

Tutorial para acessar a Ilha Unisinos no Second Life
Tutorial para acessar a Ilha Unisinos no Second LifeTutorial para acessar a Ilha Unisinos no Second Life
Tutorial para acessar a Ilha Unisinos no Second Life
 
Mural Enade
Mural EnadeMural Enade
Mural Enade
 
Aprepesqui
AprepesquiAprepesqui
Aprepesqui
 
ApresentaçãO Projeto
ApresentaçãO ProjetoApresentaçãO Projeto
ApresentaçãO Projeto
 
Cibergeografia
CibergeografiaCibergeografia
Cibergeografia
 
Viol^Ncia De G^Nero Ihu
Viol^Ncia De G^Nero IhuViol^Ncia De G^Nero Ihu
Viol^Ncia De G^Nero Ihu
 
Projeto Mauricio Veronez
Projeto Mauricio VeronezProjeto Mauricio Veronez
Projeto Mauricio Veronez
 
Projeto Mpk Aditivos
Projeto Mpk AditivosProjeto Mpk Aditivos
Projeto Mpk Aditivos
 
Gonzalez Pesquisa
Gonzalez PesquisaGonzalez Pesquisa
Gonzalez Pesquisa
 
ApresentaçãO Web
ApresentaçãO WebApresentaçãO Web
ApresentaçãO Web
 
Mostra Cient(Ffica Talize Dia27oficialaiaia
Mostra Cient(Ffica  Talize Dia27oficialaiaiaMostra Cient(Ffica  Talize Dia27oficialaiaia
Mostra Cient(Ffica Talize Dia27oficialaiaia
 
Sisamo
SisamoSisamo
Sisamo
 
M O S T R A W E B X Y
M O S T R A W E B X YM O S T R A W E B X Y
M O S T R A W E B X Y
 

Redes neurais: histórico, princípios e aplicações

  • 1.
  • 2.
  • 3.
  • 4. Outros neurônios biológicos Neurônio piramidal CA1 de rato Neurônio espinhoso neostriatal de rato Interneurônio sem axônio do gafanhoto
  • 5.
  • 6.
  • 7.
  • 8. Perceptron w 1 w 2 w 3 e 3 e 2 e 1 sinapses Freqüência dos pulsos Soma dos pulsos s = e 1 w 1 +e 2 w 2 +e 3 w 3 Limite se s>t entao r = 1 senao r = 0 e 1 e 2 1 0 Classificação de padrões 1 1 1 1 0 0 0
  • 9.
  • 10.
  • 11.
  • 12. Mapa de Kohonen Cortex
  • 13.
  • 14.
  • 15. Reconhecimento de Voz tempo 10mS Sinal no tempo Sinal em freqüência Mapa de Kohonen Fonema /i/ Fonema /o/
  • 16.
  • 17.
  • 18.
  • 19. Resultados: Matriz U, (x,y,z), Resíduos
  • 20. Superfície da Proteína => Superfície no Mapa de Kohonen
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31. Separação de enantiômeros  Treinamento = pesos adaptados 0.25 0.95 0.05 0.40 0.35
  • 32.
  • 33. Os Dados Arquivo: 1 run.pdb Que características estudar? As cargas elétricas dos aminoácidos, como possível indicação de características de interação protéica.
  • 34.
  • 36. Simulação Dinâmica => Rede Neural?
  • 37.
  • 38.
  • 39. Aprendizado R G B R G B scanner
  • 40. Aplicação R G B R G B
  • 41. Simulação e Controle Equações diferenciais dv dt F m = dx dt v = Massa m Força F Atrito a Velocidade v distância x v (t+  t) = v(t) +  t F m x (t+  t) = x(t) + v  t
  • 42. Modelo do Pêndulo triplo                         (t) (t+  t) Modelo passivo  (t) (t+  t) Modelo ativo u f 
  • 43. Centro de massa Massa 23 pontos de massa = 69 coordenadas (x,y,z) + 69 coordenadas de velocidade (vx,vy,vz)= 138 variáveis de estado ou 138 equações!! Modelo do Golfinho
  • 44. Simulação e Controle (Vídeo) Golfinho: 6 músculos (Objetivo: bola vermelha) Pêndulo triplo: atrito, forças externas, torque nas juntas objetivo Carro: atrito, tração traseira, direção dianteira objetivo Nave espacial: Propulsor principal, 3 propulsores de direção. objetivo
  • 45. Controle (BPTT) (t) (t+  t) u f (t+2  t) u f (t+3  t) u f  Objetivo: estado final Estado atual  u Valores a serem aplicados ao processo para que este chegue no estado final. u u
  • 46.
  • 47.
  • 48.
  • 49.
  • 50. Comparação entre as Redes Neurais Temporais Memória P Processamento temporal usando atrasos no tempo Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) P Memória P Modelo Geral Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) Memória P NARX Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Saída ( t ) P Memória P Rede de Elman Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) P Memória Rede de Jordan Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) Variáveis de estado ( t+1 )
  • 51. Sistema de Lorenz Marchuk, G.I. et all.: Numerical Simulation of a Large-Scale Atmospheric and Oceanic Circulation. In Problems of Computational Mathematics and Mathematical Modelling. Eds.: G.I.Marchuk e V.P.Dymnikov. MIR Publishers. P. 124-166. 1985. Edward Lorenz MIT 1960 Royal MacBee Project
  • 52.
  • 53.
  • 54. Experimentos – Sistema de Lorenz Arquitetura da Rede Neural Recorrente Z -1 Variáveis de estado ( t+1 ) x ( t ) y ( t ) z ( t )
  • 55. Experimentos – Sistema de Lorenz Treinamento das Redes Neurais S 0.22 0.16 3-20-3 S 0.2 0.18 3-19-3 S 0.31 0.29 3-18-3 S 0.48 0.35 3-17-3 S 0.35 0.25 3-16-3 S 0.29 0.24 3-15-3 S 0.48 0.36 3-14-3 S 0.46 0.43 3-13-3 S 0.36 0.34 3-12-3 S 0.45 0.49 3-11-3 N 0.95 0.99 3-10-3 N 11.1 12.07 3-3-3 Simulação 3D MSE Teste MSE Treinamento Topologia  t = 0.03 (20.000 épocas/4.000 padrões) S 2.98 2.94 3-20-3 N 3.28 4.15 3-19-3 S 7.82 6.02 3-18-3 S 4.94 5.2 3-17-3 S 13.33 5.88 3-16-3 N 5.98 5.78 3-15-3 N 5.56 6.24 3-14-3 N 16.77 12.4 3-13-3 N 23.65 14.12 3-12-3 N 26.85 17.71 3-11-3 N 36.69 38.68 3-10-3 N 89.26 92.33 3-3-3 Simulação 3D MSE Teste MSE Treinamento Topologia  t = 0.06 (20.000 épocas/2.000 padrões)
  • 56.
  • 57. Lorenz - Self Organizing MAP
  • 58.
  • 59.
  • 60.
  • 61. Treinando uma rede (6-24-24-1)
  • 65. Venda
  • 66. Venda
  • 67.
  • 69.
  • 72. Robix
  • 73. Posição do Manipulador => Comandos x y z  1  2  3  4 Camada de Entrada Camada de Saída Camada Oculta
  • 74.
  • 75.
  • 76.