Tuesday, June 12, 2007

Redes Neuronais

Um neurónio é o elemento mais básico de uma rede neuronal biológica, sendo essencialmente constituído pelo corpo da célula (soma), pelas dendrites e pelo axónio. As dendrites recebem sinais dos axónios de outros neurónios. O pequeno espaço (falha) entre o axónio de um neurónio e a dendrite de outro é conhecido como terminal sináptico.
As diversas dendrites de um neurónio conduzem impulsos para o corpo da célula. A função de um neurónio é integrar as diversas entradas que são recebidas, através de diversas sinapses nas dendrites, e gerar ou não uma saída. Esta saída tem a duração aproximada de 1 milisegundo e 0.1mV de amplitude, sendo a sua velocidade de propagação de 120 m/s. Quando este sinal atinge a sinapse na cauda do axónio, o sinal eléctrico é convertido num sinal químico, que será transmitido para outro neurónio através da falha. Nos terminais sinápticos do neurónio receptor, o sinal químico é novamente convertido para um sinal eléctrico que viajará através da dendrite para a soma.
Uma sinapse pode ser excitante ou inibitória. Se for excitante, aumenta o nível interno de activação do neurónio, caso contrário, reduz este nível. Em termos de controlo, pode-se afirmar que os neurónios têm um controlo do tipo On-Off (também conhecido como Bang-Bang). Acima de um certo nível superior produz uma saída e abaixo de um nível inferior não produz qualquer saída. A grandes níveis de actividade, as saídas aumentam em frequência mas não em amplitude, no entanto, a frequência aumenta até uma frequência máxima, pelo que a partir daí a frequência é fixa.


Um neurónio artificial computacional tenta modelizar algumas destas características biológicas. Em termos de simulação, uma rede neuronal é constituída por unidades básicas de processamento, designadas por neurónios, que estão interligadas. Cada neurónio possui várias entradas a que estão associados pesos. Um somador efectua a soma ponderada das entradas e na saída deste, encontra-se uma função não-linear (sigmóide). As redes contêm vários neurónios ligados de forma a que as saídas de uns estarem ligadas às entradas de outros.

A arquitectura das redes neuronais pode ser totalmente conectada, camada única ou múltiplas camadas. A aprendizagem da rede pode ser forçada, supervisionada ou não supervisionada. Na aprendizagem forçada, não são fornecidas as saídas correctas para as entradas consideradas mas são atribuidos prémios/castigos de acordo com o facto de a saída ser correcta ou não. As alterações nos pesos das conexões são baseadas somente nos níveis de actividade entre unidades conectadas. Na aprendizagem supervisionada, a rede produz a sua própria resposta a uma configuração que é presente à entrada, após o que um supervisor apresenta a resposta correcta. Se duas respostas são idênticas, não há necessidade de modificar os pesos das conexões. Caso contrário, a diferenca entre estes dois valores, é utilizada para modificar o peso das conexões existentes na rede. Finalmente, a aprendizagem não supervisionada ocorre como uma adaptação própria da rede na detecção de regularidades no espaco de entrada, sem feedback directo de um supervisor. Este metodo de aprendizagem aplica-se quando não dispomos, à priori, de qualquer indicação sobre possíveis classificadores

No comments: