Conteúdo do Livro

 

Prefácio, 13

Organização,  15

Agradecimentos, 17

Parte I – Arquiteturas de redes neurais artificiais e seus aspectos teóricos, 19

Capítulo 1 – Introdução, 21

1.1 Conceitos iniciais, 24

1.1.1 Características principais, 24

1.1.2 Resumo histórico, 25

1.1.3 Potenciais áreas de aplicações, 27

1.2 Neurônio biológico, 29

1.3 Neurônio artificial, 33

1.3.1 Funções de ativação parcialmente diferenciáveis, 36

1.3.2 Funções de ativação totalmente diferenciáveis, 38

1.4 Parâmetros de desempenho, 42

1.5 Exercícios, 43

Capítulo 2 – Arquiteturas de redes neurais artificiais e processos de treinamento, 45

2.1 Introdução, 45

2.2 Principais arquiteturas de redes neurais artificiais, 46

2.2.1 Arquitetura feedforward de camada simples, 46

2.2.2 Arquitetura feedforward de camadas múltiplas, 47

2.2.3 Arquitetura recorrente ou realimentada, 49

2.2.4 Arquitetura em estrutura reticulada, 50

2.3 Processos de treinamento e aspectos de aprendizado, 50

2.3.1 Treinamento supervisionado, 51

2.3.2 Treinamento não-supervisionado, 52

2.3.3 Treinamento com reforço, 53

2.3.4 Aprendizagem usando lote de padrões (off-line), 53

2.3.5 Aprendizagem usando padrão-por-padrão (on-line), 54

2.4 Exercícios, 54

Capítulo 3 – Rede Perceptron 57

3.1 Introdução, 57

3.2 Princípio de funcionamento do Perceptron, 59

3.3 Análise matemática do Perceptron, 61

3.4 Processo de treinamento do Perceptron, 63

3.5 Exercícios, 68

3.6 Projeto prático, 70

Capítulo 4 – Rede Adaline e regra Delta, 73

4.1 Introdução , 73

4.2 Princípio de funcionamento do Adaline, 74

4.3 Processo de treinamento do Adaline, 76

4.4 Comparação entre o processo de treinamento do Adaline e Perceptron, 83

4.5 Exercícios, 86

4.6 Projeto prático, 87

Capítulo 5 – Redes Perceptron multicamadas, 91

5.1 Introdução, 91

5.2 Princípio de funcionamento do Perceptron multicamadas,92

5.3 Processo de treinamento do Perceptron multicamadas, 94

5.3.1 Derivação do algoritmo backpropagation, 95

5.3.2 Implementação do algoritmo backpropagation, 108

5.3.3 Versões aperfeiçoadas do algoritmo backpropagation, 111

5.4 Aplicabilidade das redes Perceptron multicamadas, 120

5.4.1 Problemas envolvendo classificação de padrões, 121

5.4.2 Problemas envolvendo aproximação funcional, 132

5.4.3 Problemas envolvendo sistemas variantes no tempo, 137

5.5 Aspectos de especificação topológica de redes PMC, 146

5.5.1 Aspectos de métodos de validação cruzada, 147

5.5.2 Aspectos de subconjuntos de treinamento e teste, 151

5.5.3 Aspectos de situações de overfitting e underfitting, 153

5.5.4 Aspectos de inclusão de parada antecipada 155

5.5.5 Aspectos de convergência para mínimos locais 157

5.6 Aspectos de implementação de redes Perceptron multicamadas, 158

5.7 Exercícios, 163

5.8 Projeto prático 1 (aproximação de funções), 164

5.9 Projeto prático 2 (classificação de padrões), 166

5.10 Projeto prático 3 (sistemas variantes no tempo), 169

Capítulo 6 – Redes de funções de base radial (RBF), 173

6.1 Introdução, 173

6.2 Processo de treinamento de redes RBF, 174

6.2.1 Ajuste dos neurônios da camada intermediária (estágio I), 174

6.2.2 Ajuste dos neurônios da camada de saída (estágio II), 181

6.3 Aplicabilidades das redes RBF, 183

6.4 Exercícios, 190

6.5 Projeto prático 1 (classificação de padrões), 191

6.6 Projeto prático 2 (aproximação de funções), 194

Capítulo 7 – Redes recorrentes de Hopfield, 199

7.1 Introdução, 199

7.2 Princípio de funcionamento da rede de Hopfield, 201

7.3 Condições de estabilidade da rede de Hopfield, 204

7.4 Memórias associativas, 207

7.4.1 Método do produto externo, 208

7.4.2 Método da matriz pseudo-inversa, 210

7.4.3 Capacidade de armazenamento das memórias, 211

7.5 Aspectos de projeto de redes de Hopfield, 213

7.6 Aspectos de implementação em hardware, 215

7.7 Exercícios, 217

7.8 Projeto prático, 218

Capítulo 8 – Redes auto-organizáveis de Kohonen, 221

8.1 Introdução, 221

8.2 Processo de aprendizado competitivo, 222

8.3 Mapas auto-organizáveis de Kohonen (SOM), 229

8.4 Exercícios, 237

8.5 Projeto prático, 238

Capítulo 9 – Redes LVQ e counter-propagation, 243

9.1 Introdução, 243

9.2 Processo de quantização vetorial, 244

9.3 Redes LVQ (learning vector quantization), 247

9.3.1 Algoritmo de treinamento LVQ-1, 248

9.3.2 Algoritmo de treinamento LVQ-2, 252

9.4 Redes counter-propagation, 254

9.4.1 Aspectos da camada outstar, 256

9.4.2 Algoritmo de treinamento da rede counter-propagation, 257

9.5 Exercícios, 259

9.6 Projeto prático, 260

Capítulo 10 – Redes ART (adaptive resonance theory), 263

10.1 Introdução, 263

10.2 Estrutura topológica da rede ART-1, 265

10.3 Princípio da ressonância adaptativa, 268

10.4 Aspectos de aprendizado da rede ART-1, 269

10.5 Algoritmo de treinamento da rede ART-1, 279

10.6 Aspectos da versão original da rede ART-1, 281

10.7 Exercícios, 284

10.8 Projeto prático, 285

Parte II – Aplicações de redes neurais artificiais em problemas de engenharia e ciências aplicadas, 287

 

Capítulo 11 – Estimação da qualidade global de café utilizando o Perceptron multicamadas, 289

11.1 Introdução, 289

11.2 Características da Rede PMC, 290

11.3 Resultados computacionais, 292

Capítulo 12 – Análise do tráfego de redes de computadores utilizando protocolo SNMP e rede LVQ, 295

12.1 Introdução, 295

12.2 Características da rede LVQ, 297

12.3 Resultados computacionais, 299

Capítulo 13 – Previsão de tendências do mercado de ações utilizando redes recorrentes, 301

13.1 Introdução, 301

13.2 Características da rede recorrente, 303

13.3 Resultados computacionais, 304

Capítulo 14 – Sistema para diagnóstico de doenças utilizando redes ART, 309

14.1 Introdução, 309

14.2 Características da Rede ART, 311

14.3 Resultados computacionais, 312

Capítulo 15 – Identificação de padrões de adulterantes em pó de café usando mapas de Kohonen, 315

15.1 Introdução, 315

15.2 Características da rede de Kohonen, 316

15.3 Resultados computacionais, 319

Capítulo 16 – Reconhecimento de distúrbios relacionados à qualidade da energia elétrica utilizando redes PMC, 321

16.1 Introdução, 321

16.2 Características da rede PMC, 325

16.3 Resultados computacionais, 326

Capítulo 17 – Controle de trajetória de robôs móveis usando sistemas fuzzy e redes PMC, 329

17.1 Introdução, 329

17.2 Características da rede PMC, 331

17.3 Resultados computacionais, 334

Capítulo 18 – Método para classificação de tomates usando visão computacional e redes PMC, 339

18.1 Introdução, 339

18.2 Características da rede neural, 341

18.3 Resultados computacionais, 345

Capítulo 19 – Análise de desempenho de redes RBF e PMC em classificação de padrões, 347

19.1 Introdução, 347

19.2 Características das redes RBF e PMC, 348

19.3 Resultados computacionais, 349

Capítulo 20 – Resolução de problemas de otimização com restrições por redes de Hopfield, 355

20.1 Introdução, 355

20.2 Características da rede de Hopfield, 357

20.3 Mapeamento de problemas de otimização pela rede de Hopfield, 359

20.4 Resultados computacionais, 364

Bibliografia, 371

Apêndice I, 381

Apêndice II, 383

Apêndice III, 385

Apêndice IV, 391

Apêndice V, 395

Índice remissivo, 397

 

 ---------------------------------------------------------------------------------------------

Os autores são imensamente agradecidos aos vários colegas que contribuíram para a realização desta compilação, dispondo de preciosos momentos a fim de auxiliar prontamente nesta importante e nobre empreitada. Em especial, gostariam de expressar seus agradecimentos aos colegas que colaboraram na formulação da Parte II deste livro: Alexandre C. N. de Oliveira, Anderson da Silva Soares, André L. V. da Silva, Antonio V. Ortega, Débora M. B. S. de Souza, Edison A. Goes, Ednaldo J. Ferreira, Eduardo A. Speranza, Fabiana C. Bertoni, José Alfredo C. Ulson, Juliano C. Miranda, Lucia Valéria R. de Arruda, Marcelo Suetake, Matheus G. Pires, Michelle M. Mendonça, Valmir Ziolkowski, Wagner C. Amaral, Washington L. B. Melo e Wesley F. Usida.

 

 



VOLTAR