Descrição:
1.1 O que São Redes Neurais Artificiais?
1.2 Histórico
1.3 Motivação para as RNAS: Redes Biológicas
1.3.1 Neurônios Biológicos
1.3.2 A Comunicação no Cérebro
1.4 Neurônios Artificiais: Modelo MCP
1.5 Funções de Ativação
1.6 Principais Arquiteturas de RNAs
1.7 Estrutura do Livro
2. Aprendizado
2.1 Introdução
2.2 Aprendizado Supervisionado
2.2.1 Correção de Erros
2.3 Aprendizado Não-supervisionado
2.3.1 Aprendizado Hebbiano
2.3.2 Modelo de Linsker
2.3.3 Regra de Oja
2.3.4 Regra de Yullie
2.3.5 Aprendizado por Competição
2.4 Aprendizado por Reforço
2.4.1 Classes de Aprendizado por Reforço
2.5 Conclusão
2.6 Exercícios
3. Redes Perceptron e Adaline
3.1 Introdução
3.2 Portas de Limiar
3.2.1 Portas de Limiar Lineares
3.2.2 Portas de Limiar Quadráticas
3.3 Perceptron
3.3.1 O Algoritmo de Aprendizado do Perceptron
3.3.2 Teorema da Convergência
3.3.3 Implementação do Algoritmo de Treinamento do Perceptron
3.4 Adaline
3.4.1 Atualização dos Pesos pelo Método do Gradiente
3.4.2 Visão Gráfica do Processo de Aprendizado
3.5 Conclusão
3.6 Exercícios
4. Redes MLP
4.1 Arquitetura
4.1.1 Funcionalidade
4.1.2 Otimização da Topologia Utilizando Pruning
4.2 Treinamento de Redes MLP
4.2.1 Derivação das Fórmulas
4.2.2 Dificuldades no Treinamento
4.3 Variações do Back-Propagation
4.3.1 Algoritmo Quickprop
4.3.2 Algoritmo Rprop
4.4 Aplicações
4.5 Conclusão
4.6 Exercícios
5. Memórias Matriciais
5.1 Introdução
5.2 Modelo Não-linear de Willshaw
5.2.1 Um Exemplo de Utilização da Memória de Willshaw
5.2.2 Capacidade de Recuperação de Informação
5.3 Modelo Matricial Linear
5.4 Exemplo de Utilização da Memória Matricial Linear
5.4.1 O Termo de Crosstalk e Sua Influência na Capacidade de Recuperação de Informação
5.5 OLAM
5.5.1 Exemplo de Utilização da OLAM
5.6 Modelo de Hopfield
5.6.1 Exemplo de Operaçã o da Rede de Hopfield
5.6.2 Minimização de Energia
5.6.3 Capacidade de Armazenamento
5.7 Conclusão
5.8 Exercícios
6. Redes Self-Organizing
6.1 Redes ART
6.1.1 Arquitetura Básica da Rede ART 1
6.1.2 Treinamento
6.1.3 Outros Modelos ART
6.1.4 Aplicações
6.2 Redes SOM
6.2.1 Arquitetura
6.2.2 Melhorando a Desempenho da Rede
6.2.3 Treinamento
6.2.4 Exemplo de Categorização de Dados com SOM.
6.2.5 Algoritmo LVQ
6.2.6 Aplicações
6.3 Conclusão
6.4 Exercício
7. Sistemas Neurais Híbridos
7.1 RNAs e Algoritmos Genéticos
7.1.1 Algoritmos Genéticos
7.1.2 Representação
7.1.3 Seleção
7.1.4 Reprodução
7.1.5 Parâmetros Genéticos
7.1.6 Aplicações
7.1.7 Projeto Evolucionário
7.1.8 Representação das Redes
7.1.9 Operadores Genéticos
7.2 Combinação de RNAs com RBC
7.2.1 Raciocínio Baseado em Casos
7.2.2 Histórico de RBC
7.2.3 Funcionamento de um Sistema de RBC
7.2.4 Representação de Casos
7.2.5 Indexação de Casos
7.2.6 Armazenamento e Recuperação de Casos
7.2.7 Adaptação de Casos
7.2.8 Avaliação e Reparação de Casos
7.2.9 Integrando RNA com RBC
7.3 Extração de Conhecimento
7.3.1 Método EN
7.3.2 Algoritmo Trepan
7.3.3 Método DEDEC
7.4 Conclusão
7.5 Exercícios
8. Redes Neurais sem Pesos
8.1 Introdução
8.2 Nodos RAM
8.3 Discriminadores
8.3.1 Multidiscriminadores
8.3.2 WISARD
8.4 Nodos PLN
8.5 Modelo de Nodo MPLN
8.6 Nodo GSN
8.7 GRAM
8.8 GNU
8.9 PRAM
8.10 SDM
8.11 ALN
8.12 ADAM
8.13 Estudos Comparativos
8.14 Conclusão
8.15 Exercícios
9. Variações
9.1 Redes RBF
9.1.1 Arquitetura
9.1.2 Treinamento
9.2 Redes Construtivas
9.2.1 Redes NTN
9.2.2 Redes CasCor
9.2.3 Redes Upstart
9.2.4 Redes Tiling
9.2.5 Redes Tower e Pyramid
9.2.6 Redes SOFT
9.3 Processamento Temporal
9.3.1 Atraso no Tempo
9.3.2 Back-Propagation Recorrente
9.3.3 Back-Propagation Through Time
9.3.4 Redes Recorrentes de Tempo Real
9.3.5 Redes de Elman e de Jordan
9.4 Conclusão
9.5 Exercícios
10. Aplicações
10.1 Introdução
10.2 Modelagem e Controle Neura1
10.2.1 Modelagem e Identificação de Sistemas
10.2.2 Controladores Neurais
10.2.3 Treinamento On-Line em Identificação e Controle
10.3 Predição
10.4 Otimização
10.5 Processamento de Imagens e Sinais
10.6 Classificação
10.7 Conclusão
Bibliografia
Informação:
Tamanho:84,09MB
Gênero:Informática
FOrmato:PDF
Nº de páginas:262
Idioma:Português
1.1 O que São Redes Neurais Artificiais?
1.2 Histórico
1.3 Motivação para as RNAS: Redes Biológicas
1.3.1 Neurônios Biológicos
1.3.2 A Comunicação no Cérebro
1.4 Neurônios Artificiais: Modelo MCP
1.5 Funções de Ativação
1.6 Principais Arquiteturas de RNAs
1.7 Estrutura do Livro
2. Aprendizado
2.1 Introdução
2.2 Aprendizado Supervisionado
2.2.1 Correção de Erros
2.3 Aprendizado Não-supervisionado
2.3.1 Aprendizado Hebbiano
2.3.2 Modelo de Linsker
2.3.3 Regra de Oja
2.3.4 Regra de Yullie
2.3.5 Aprendizado por Competição
2.4 Aprendizado por Reforço
2.4.1 Classes de Aprendizado por Reforço
2.5 Conclusão
2.6 Exercícios
3. Redes Perceptron e Adaline
3.1 Introdução
3.2 Portas de Limiar
3.2.1 Portas de Limiar Lineares
3.2.2 Portas de Limiar Quadráticas
3.3 Perceptron
3.3.1 O Algoritmo de Aprendizado do Perceptron
3.3.2 Teorema da Convergência
3.3.3 Implementação do Algoritmo de Treinamento do Perceptron
3.4 Adaline
3.4.1 Atualização dos Pesos pelo Método do Gradiente
3.4.2 Visão Gráfica do Processo de Aprendizado
3.5 Conclusão
3.6 Exercícios
4. Redes MLP
4.1 Arquitetura
4.1.1 Funcionalidade
4.1.2 Otimização da Topologia Utilizando Pruning
4.2 Treinamento de Redes MLP
4.2.1 Derivação das Fórmulas
4.2.2 Dificuldades no Treinamento
4.3 Variações do Back-Propagation
4.3.1 Algoritmo Quickprop
4.3.2 Algoritmo Rprop
4.4 Aplicações
4.5 Conclusão
4.6 Exercícios
5. Memórias Matriciais
5.1 Introdução
5.2 Modelo Não-linear de Willshaw
5.2.1 Um Exemplo de Utilização da Memória de Willshaw
5.2.2 Capacidade de Recuperação de Informação
5.3 Modelo Matricial Linear
5.4 Exemplo de Utilização da Memória Matricial Linear
5.4.1 O Termo de Crosstalk e Sua Influência na Capacidade de Recuperação de Informação
5.5 OLAM
5.5.1 Exemplo de Utilização da OLAM
5.6 Modelo de Hopfield
5.6.1 Exemplo de Operaçã o da Rede de Hopfield
5.6.2 Minimização de Energia
5.6.3 Capacidade de Armazenamento
5.7 Conclusão
5.8 Exercícios
6. Redes Self-Organizing
6.1 Redes ART
6.1.1 Arquitetura Básica da Rede ART 1
6.1.2 Treinamento
6.1.3 Outros Modelos ART
6.1.4 Aplicações
6.2 Redes SOM
6.2.1 Arquitetura
6.2.2 Melhorando a Desempenho da Rede
6.2.3 Treinamento
6.2.4 Exemplo de Categorização de Dados com SOM.
6.2.5 Algoritmo LVQ
6.2.6 Aplicações
6.3 Conclusão
6.4 Exercício
7. Sistemas Neurais Híbridos
7.1 RNAs e Algoritmos Genéticos
7.1.1 Algoritmos Genéticos
7.1.2 Representação
7.1.3 Seleção
7.1.4 Reprodução
7.1.5 Parâmetros Genéticos
7.1.6 Aplicações
7.1.7 Projeto Evolucionário
7.1.8 Representação das Redes
7.1.9 Operadores Genéticos
7.2 Combinação de RNAs com RBC
7.2.1 Raciocínio Baseado em Casos
7.2.2 Histórico de RBC
7.2.3 Funcionamento de um Sistema de RBC
7.2.4 Representação de Casos
7.2.5 Indexação de Casos
7.2.6 Armazenamento e Recuperação de Casos
7.2.7 Adaptação de Casos
7.2.8 Avaliação e Reparação de Casos
7.2.9 Integrando RNA com RBC
7.3 Extração de Conhecimento
7.3.1 Método EN
7.3.2 Algoritmo Trepan
7.3.3 Método DEDEC
7.4 Conclusão
7.5 Exercícios
8. Redes Neurais sem Pesos
8.1 Introdução
8.2 Nodos RAM
8.3 Discriminadores
8.3.1 Multidiscriminadores
8.3.2 WISARD
8.4 Nodos PLN
8.5 Modelo de Nodo MPLN
8.6 Nodo GSN
8.7 GRAM
8.8 GNU
8.9 PRAM
8.10 SDM
8.11 ALN
8.12 ADAM
8.13 Estudos Comparativos
8.14 Conclusão
8.15 Exercícios
9. Variações
9.1 Redes RBF
9.1.1 Arquitetura
9.1.2 Treinamento
9.2 Redes Construtivas
9.2.1 Redes NTN
9.2.2 Redes CasCor
9.2.3 Redes Upstart
9.2.4 Redes Tiling
9.2.5 Redes Tower e Pyramid
9.2.6 Redes SOFT
9.3 Processamento Temporal
9.3.1 Atraso no Tempo
9.3.2 Back-Propagation Recorrente
9.3.3 Back-Propagation Through Time
9.3.4 Redes Recorrentes de Tempo Real
9.3.5 Redes de Elman e de Jordan
9.4 Conclusão
9.5 Exercícios
10. Aplicações
10.1 Introdução
10.2 Modelagem e Controle Neura1
10.2.1 Modelagem e Identificação de Sistemas
10.2.2 Controladores Neurais
10.2.3 Treinamento On-Line em Identificação e Controle
10.3 Predição
10.4 Otimização
10.5 Processamento de Imagens e Sinais
10.6 Classificação
10.7 Conclusão
Bibliografia
Informação:
Tamanho:84,09MB
Gênero:Informática
FOrmato:PDF
Nº de páginas:262
Idioma:Português
