Introdução a Redes Neurais e Lógica Fuzzy

O que são Redes Neurais?

As Redes Neurais possuem várias entradas vindas de outros neurônios, que são processadas pela função de ativação, resultando em uma saída.

A ideia é que o cérebro humano executa certas tarefas melhor que os computadores. Então, as redes neurais são programadas copiando a estrutura de um neurônio cerebral para serem executadas em um computador.

Treinamento de uma Rede Neural

Uma rede neural é treinada através de casos de exemplo, fornecendo uma entrada e comparando a saída gerada com o resultado esperado. A rede organiza os seus "pesos" (que representam o conhecimento) para chegar à resposta correta. Assim, a rede neural assimila a essência dos exemplos para aplicar esse conhecimento em novos processos.

O conhecimento de uma rede neural está relacionado com os "pesos". Por exemplo: de 100 casos, 70 são usados para treinar a rede e 30 para testá-la, ajustando os pesos até que o erro seja minimizado. O treinamento é baseado em um Algoritmo de Treinamento.

Backpropagation

O algoritmo Backpropagation (retropropagação) consiste em pegar o erro na saída e propagá-lo para as camadas anteriores. Ou seja, o processo é revertido da saída para a entrada até que o erro seja eliminado ou minimizado.

O objetivo é treinar a rede de forma que o erro diminua. A rede aprende até certo ponto; a partir daí, ela pode ficar "viciada" nos dados de treino, um fenômeno conhecido como overfitting.

Outros Conceitos de Redes Neurais

Rede Homogênea

Todos os neurônios são interligados entre si.

Perceptrons

É o tipo de rede neural mais simples que existe. Não consegue resolver problemas não-lineares, como o caso do "OU EXCLUSIVO" (XOR).

Função de Ativação

Define como será a saída de um neurônio com base em um valor de entrada.

O que é Lógica Fuzzy?

É uma lógica que trabalha com informações vagas ou incertas, que podem ser traduzidas por expressões como "a maioria", "mais ou menos" ou "talvez". Diferente da lógica convencional, a Lógica Fuzzy não é rígida e permite lidar com problemas ambíguos, utilizando uma linguagem próxima do conhecimento do dia a dia.

Conceitos Fundamentais da Lógica Fuzzy

Sistemas Baseados em Conhecimento

Utilizam o senso comum para resolver problemas, podendo ser imprecisos e inconsistentes.

Função de Pertinência

Reflete o grau de intensidade com que um objeto pertence a um conjunto fuzzy, podendo ter várias formas diferentes.

Regras Fuzzy

Todas as regras contribuem para o resultado final, sendo avaliadas simultaneamente.

Processos da Lógica Fuzzy

Fuzzificação

Etapa na qual as variáveis linguísticas são definidas de forma subjetiva através de funções de pertinência. Engloba:

• Análise do Problema
• Definição das Variáveis
• Definição das Funções de Pertinência
• Criação das Regiões

Inferência

Etapa na qual as proposições (regras) são definidas e examinadas em paralelo. Engloba:

• Definição das proposições: Análise das regras e criação da região resultante.
• Agregação: Calcula a importância de uma determinada regra para a situação corrente.
• Composição: Calcula a influência de cada regra nas variáveis de saída.

Defuzzificação

Etapa na qual as regiões resultantes são convertidas em valores numéricos para a variável de saída do sistema. Dentre os diversos tipos de técnicas de defuzzificação, destaca-se o método do Centróide.

Exemplo de Regras de Inferência Fuzzy

• SE duração = longa E qualidade = alta ENTÃO risco = médio
• SE duração = média E qualidade = alta ENTÃO risco = baixo
• SE duração = curta E qualidade = baixa ENTÃO risco = baixo
• SE duração = longa E qualidade = média ENTÃO risco = alto