UNIVERSIDADE ESTADUAL DE LONDRINA

LUIZ CÉSAR ALVES PANICKI

REDES NEURAIS

(SOM) Mapas auto-organizáveis - Kohonen

Londrina – PR

2004
 2

UNIVERSIDADE ESTADUAL DE LONDRINA

LUIZ CÉSAR ALVES PANICKI

REDES NEURAIS

(SOM) Mapas auto-organizáveis - Kohonen

Monografia apresentada ao Curso de

Especialização em Ciência da
Computação, como requisito parcial à
conclusão, sob orientação do Prof.D.Sc
Pedro Paulo da Silva Ayrosa.

Londrina – PR

2004
 3

REDES NEURAIS

(SOM) Mapas auto-organizáveis - Kohonen

LUIZ CÉSAR ALVES PANICKI

Este trabalho foi julgado para obtenção do certificado de Especialização em Ciência

da Computação e aprovada em sua forma final pelo Programa de Pós-Graduação
em Ciência da Computação, da Universidade Estadual de Londrina.

Banca Examinadora:

Prof. Pedro Paulo da Silva Ayrosa, D.Sc (Orientador)

Prof. Alan Silvany Felinto, D.Sc.

Prof. Dirceu Moreira Guazzi, D.Sc.

Prof. Daniel dos Santos Kaster, M.Sc.

Londrina, ____ de ____________________ de 2004.

 4

DEDICATÓRIA

A Deus, razão suprema da

minha existência.

Dedico este trabalho em

primeiro lugar aos meus pais Luiz Panicki
e Geni Alves Panicki, que abriram mão
dos seus sonhos e seus desejos para que
eu pudesse realizar o meu.

À minha esposa Eliane

Panicki, por sua paciência e
companheirismo, e aos meus familiares e
amigos e professores, que de alguma
forma colaboraram para a elaboração
desta pesquisa.
 5

AGRADECIMENTOS

Ao professor D.Sc Pedro Paulo da Silva Ayrosa cuja direção sempre procurou
infundir-nos confiança e perseverança, sentimentos básico para toda e qualquer
realização humana.

Aos meus pais e esposa, pela paciência, carinho e sensibilidade nos momentos de
tensão e alegrias durante a realização deste estudo.

A todos que direta e indiretamente contribuíram para a realização deste trabalho.

Agradeço principalmente a Deus por me presentear com a amizade de todas essas

pessoas tão importantes em minha vida.
 6

“A todos que me invejam desejo uma vida

longa. Para que no futuro bem próximo
assistam de pé a minha Vitória”

Consciência.
 7

RESUMO

Com a evolução da informática na sociedade, o homem sempre procurou construir

maquinas que pudessem raciocinar semelhantes ao ser humano. A fronteira do
desconhecido sempre chamou a atenção, pois o homem mesmo com toda
tecnologia disponível não conseguiu desvendar os mistérios que está por traz do
cérebro humano, modo como processa informações, reconhece padrões, percepção
e controle motor. Esse trabalho surgiu da necessidade de um estudo quem vem
sendo analisado ao longo dos anos onde, as aplicações de fórmulas matemáticas
simulam, ao serem aplicadas em equipamentos computacionais, o reconhecimento
de padrões do modelo neural humano. Iniciou-se o trabalho de redes neurais,
revisando as noções básicas de reconhecimento do padrão humano aplicado à
computação. A proposta no trabalho baseia-se em apresentar os modelos artificiais
enfocando a rede neural de KOHONEN, seus métodos de aprendizagem e
reconhecimento, modelos artificiais e naturais, tipos de redes neurais e suas
aplicações de auxilio na resolução de problemas complexos de grande escala que
são atualmente intratáveis. Entretanto as redes neurais não podem fornecer uma
solução individualmente precisando ser integradas em uma abordagem consistente
de engenharia de sistemas, através da utilização de paradigmas de redes auto-
organizáveis propostos por KOHONEN.
 8

ABSTRACT

With the evolution of computing in the society, the man has always followed for
building machine which could reason similar to the human being. The border of the
unknown has always called attention, because man even with all available
technology couldn’t discover the mysteries that are behind the human brain, the way
as it processes information, recognizes standards, perception and motor control. This
work comes up with the necessity of a study which has been analyzed along the
years where, the application of mathematical formulas simulates, when applied in
computational equipments, the recognition of standards of the human neural model.
The work of neural nets began, revising the basic notions of recognition of the
applied human standard to computing. The proposal in this project is based on
presenting the artificial models focusing the neural net of KOHONEN, his methods of
learning and recognition, artificial and natural models, types of neural nets and his
applications of assistance in the resolution of complex problems of great scale that
are actually intractable. However, the neural nets can’t supply an individual solution
needing to be integrated in a consistent boarding of systems engineering, throughout
the use of paradigms of auto-organized nets considered by KOHONEN.
 9

SUMARIO

CAPÍTULO I - INTRODUÇÃO...................................................................................13

1.1 Considerações Gerais ......................................................................................13

1.2 Característica da Pesquisa...............................................................................15

1.3 Objetivo do Trabalho ........................................................................................17

1.4 Motivação .........................................................................................................17

1.5 Estrutura do Trabalho.......................................................................................20

CAPÍTULO II - REDES NEURAIS ............................................................................22

2.1 Redes Neurais Biológicas X Redes Neurais Artificiais .....................................24

2.1.1 O Funcionamento do neurônio artificial ......................................................26

CAPÍTULO III - HISTÓRIA........................................................................................28

3.1 Aplicações de Redes Neurais ..........................................................................30

CAPÍTULO IV - TIPOS DE APRENDIZAGENS PARA RNA ....................................33

4.1 Supervisionado.................................................................................................33

4.2 Não Supervisionado .........................................................................................35

4.3 Hebiano ............................................................................................................35

4.4 Competitiva ......................................................................................................36

4.5 Reforço.............................................................................................................37

4.6 Correção de Erros ............................................................................................38

CAPÍTULO V - REDES (KOHONEN) .......................................................................40

 10

5.1 Algoritmo Representativo (Rede de KOHONEN) .............................................41

5.2 Treinamento de Redes (SOM) .........................................................................43

5.3 Otimização de Redes (SOM)............................................................................46

5.4 RNA vantagens e desvantagens ......................................................................47

5.5 Modelo Real de Aplicação (SOM) ....................................................................50

CAPÍTULO VI – CONCLUSÃO.................................................................................52

REFERÊNCIAS.........................................................................................................53
 11

LISTA DE FIGURAS

Figura 1 - Neurônio biológico ...................................................................................25

Figura 2 - Neurônio artificial ......................................................................................27

Figura 3 - Treinamento supervisionado.....................................................................34

Figura 4 – Aprendizado não supervisionado .............................................................35

Figura 5 - Diagrama do aprendizado por reforço.......................................................37

Figura 6 - Grade do padrão de KOHONEN...............................................................40

 12

LISTA DE SIGLAS E ABREVIATURAS

CAD - Design assisted by computer (Projeto ou desenho realizado com a utilização

de computadores e softwares específicos)

CAM - Machining by computer (Usinagem com apoio do computador)

MCP - Modelo McCulloch e Pitts

OCR - Optical Character Recognition (Reconhecimento Óptico de Caracteres)

RNA - Redes Neurais Artificiais

RNB - Redes Neurais Biológica

SOM - Self Organizing Map (Mapas Auto Organizáveis)

 13

CAPÍTULO I - INTRODUÇÃO

1.1 Considerações Gerais

Há uma tendência visível nas últimas décadas, onde o homem procura

desenvolver arquiteturas computacionais de processamento semelhante ao que tem

no cérebro humano.

O cérebro humano é composto por unidades funcionais fundamentais,

denominados neurônios que, consistem de um corpo celular e uma infinidade de

ramificações fibrosas que se comunicam através de impulsos elétricos que geram

sinais e que são interpretados pelo sistema nervoso central.

Esses sinais elétricos gerados pelos neurônios foram interpretados

matematicamente podendo ser aplicado à arquitetura computacional em modelos de

fórmulas que simulam o funcionamento neuronal humano.

Pode–se simular o processo de execução de um neurônio natural,

representando de forma artificial, mas com diversas restrições as quais esta distante

de obter a igualdade natural construída pela natureza.

 14

Chips de computadores realizam dezenas de instruções em

nanosegundos (ordem de 10 –9s) enquanto os neurônios humanos necessitam de

milissegundos (ordem 10 –3s) para executar uma ação.

A Rede neural artificial é composta por vários nós conectados simulando

a ramificação da rede neural natural. Cada ligação tem um peso representando a

capacidade de armazenamento. As aprendizagens dos neurônios artificiais são

relacionadas à alteração desses pesos.

Dessa forma ao estabelecer padrões de entrada em um modelo

neurocomputacional, obtém-se resultados extraordinários em determinadas

aplicações, simulando o conhecimento humano em reconhecimento de padrões,

decisões.

As redes neurais apresentam habilidade de adaptação e aprendizagem

pelo ambiente significando que modelos de redes neurais podem lidar com dados

imprecisos e situações não totalmente definidas.

Uma rede treinada de maneira razoável tem a habilidade de generalizar

quando é apresentada a entradas que não estão presentes em dados já conhecidos

por ela.

Enquanto computadores funcionam de modo seqüencial, proporcionando

maior eficiência na resolução de tarefas nas quais devem ser seguidas etapas, o
 15

cérebro humano funciona de modo paralelo e, sendo extremamente conectado, é

mais eficiente na resolução de tarefas que exigem várias variáveis.

Porém, as redes neurais podem ter várias entradas, sendo também

aplicáveis em sistemas com muitas variáveis. Com o avanço em tecnologias de

hardware, existem componentes com funções voltadas para sistemas com

implementações de redes neurais, o que traz uma velocidade adicional à

computação neural e aplicações reais em nosso meio. Com todos esses benefícios a

rede neural sem dúvida e uma ferramenta poderosa no campo da ciência moderna

auxiliando o homem em tarefas simples e complexas, mas com uma grande gama

de aplicações, sendo nossa pesquisa enfocada nessa linha de raciocínio seguem-se

nos tópicos abaixo discriminando toda a estrutura apresentada como proposta de

trabalho.

1.2 Característica da Pesquisa

O presente trabalho apresenta modelos neuronais artificiais, em particular

a rede de KOHONEN (SOM) Self Organizing Map e suas diversas aplicações,

podendo traçar novas visões e perspectivas para um melhor entendimento dos

benefícios que apresentam.

 16

A ênfase principal neste estudo foi o modelo neuronal de KOHONEN

(SOM) o qual recebeu a maior parte da atenção devida ser um modelo que utiliza um

algoritmo simples, podendo ser usado em grandes variedades de problemas.

“O mapa auto-organizável proposto por Kohonen (1982) é uma rede

engenhosa construída em torno de uma grade uni ou bi dimensional de neurônios
para capturar as características importantes contidas em um espaço de entrada
(dados) de interesse. O Algoritmo SOM é inspirado na neurobiologia, incorporado
todos mecanismos que são básicos para auto-organização: Competição,
Cooperação e auto-amplificação” (HAYKIN, 2001, ed. 2, p. 516)

“O que é surpreendente acerca do algoritmo de SOM de Kohonen é que

ele e tão simples de implementar, apesar de matematicamente ser tão difícil de
analisar suas propriedades em uma formulação geral” (HAYKIN, 2001, ed. 2, p. 517)

“O modelo de Kohonen recebeu muito mais atenção em um contexto

analítico e em relação às aplicações na literatura que o modelo de Willshaw-von der
Malsburg, e se tornou uma referência para a avaliação de outras inovações neste
campo” (HAYKIN, 2001, ed. 2, p. 67)
 17

1.3 Objetivo do Trabalho

O objetivo nesse trabalho é mostrar os atributos de uma rede neural, tais

como aprender através de exemplos, generalizações redundantes e tolerância à

falhas, proporcionando fortes incentivos para a escolha de redes neurais para

aproximação na modelagem de sistemas biológicos.

Com uma rede treinada de maneira razoável tem a habilidade de

generalizar quando é apresentada a entradas que não estão presentes em dados já

conhecidos por ela.

Essa mobilidade de generalização que chama a atenção para essa

pesquisa, pois futuramente maquinas e equipamentos domésticos estarão presentes

em nossas vidas, participando, tomando decisões, ajudando o homem a encontrar

soluções onde jamais o ser humano poderia alcançar sem o auxilio dessas

ferramentas como as redes neurais.

1.4 Motivação

A motivação que levou a pesquisar o modelo neuronal de KOHONEN,

seria a grande gama de aplicações que esse algoritmo apresenta. Como é um

algoritmo com plausibilidade biológica do funcionamento do neurônio humano,

 18

chama a atenção pela habilidade de formar mapeamentos que preservam a

topologia entre os espaços de entrada e saída, sendo utilizada em vários projetos de

engenharia industrial como ferramenta para resolver problemas práticos de difícil

solução para homem.

Os campos de pesquisas interessados em projetos com esse tipo de

algoritmo são:

a - Analise Financeira

b - Estatística.

c - Processamento de sinais.

d - Física experimental.

e - Química e Medicina.

f - Entre outros.

As Redes de Kohonen resolvem diversos problemas não lineares de alta

dimensionalidade.

Os Problemas que podem ser analisados e solucionados pelas redes de

KOHONEN são:
 19

a - Classificação de imagem e de padrões acústicos.

b - Controles adaptativos de robôs.

c - Defesa no reconhecimento automático de alvos, orientação e controle.

d - Medicina em diagnose médica, análise de imagens, classificação de

doenças.

e - Veículos nos controladores de automóveis, aviões, trens, barcos.

f - Polícia e investigação na detecção criminal a partir da fala, escrita

manual em impressões digitais, fotografias.

g - Estudo e estimativa de recursos naturais na agricultura, extrativismo,

geologia, ambiente.

h - Indústria nas aplicações (CAD) Design Assisted by Computer, (CAM)

Machining by computer, teste e montagem de produtos, controle e

inspeção de qualidade.

i - Sistemas domésticos em utensílios.

j - Computadores em hardware e software difusos, entre outros.

 20

O modelo neuronal de KOHONEN é um dos mais pesquisados no campo

da ciência moderna devido a sua grande gama de aplicações e soluções com alto

grau de confiança em determinadas situações.

1.5 Estrutura do Trabalho

No Capítulo 2 será apresentada uma analogia entre as redes neurais

biológicas e redes neurais artificiais. Inicialmente será descrita a estrutura neural

biológica abordando os aspectos de seu funcionamento, estrutura e alguns

elementos que compões o cérebro humano. Depois será apresentado o conceito

básico que tangem o modelo neuronal artificial. Finalizando o capítulo será

apresentado o funcionamento do modelo neuronal artificial proposto pelos cientistas

McCulloch e Pitts o (MCP) Modelo McCulloch e Pitts.

No Capítulo 3 apresentaremos uma introdução sobre a história da

neurocomputação artificial ao longo dos tempos, seus criadores, evolução, e

situação atual das pesquisas nesse campo. Finalizando esse capítulo será

apresentado á aplicação de redes neurais em nossos meios naturais, como

benefícios que apresentam como ferramenta de auxilio a determinadas tarefas.

Será abordado no Capítulo 4 tipos de aprendizagens da rede neural e sua

capacidade de absorver conhecimento e renegeralização do conhecimento. Alguns

modelos serão enfocados ao longo do capítulo.

 21

No Capítulo 5 é descrito o modelo do objetivo deste trabalho,

apresentando simulações e resultados obtidos. Como o modelo escolhido tem uma

forte inspiração com o modelo (RNB) Redes Neurais Biológicas, o modelo

KOHONEN será descrito logicamente em forma algorítmica, apresentando seu

funcionamento e simulações de entrada e saída de sinais, com representações

matemáticas focada a igualdade natural. Será apresentado o modo de treinamento

no modelo proposto simulando o reconhecimento de padrões e formas para otimizar

o desempenho apresentado suas vantagens e desvantagens da utilização de redes

neurais em situações adversas. Para finalizar esse capítulo será apresentado um

modelo real de aplicação utilizando o modelo proposto de KOHONEN como

pesquisa já efetivada na área de reconhecimento de fala humana utilizando

ferramentas desenvolvidas por pesquisadores brasileiros.

E finalmente no Capítulo 6 serão apresentadas as conclusões que

chegadas com a realização desse trabalho, relacionando todas as abordagens e

discussões dissolvidas nos capítulos anteriores.

 22

CAPÍTULO II - REDES NEURAIS

O funcionamento do cérebro humano sempre foi motivo de muitas

pesquisas e exaustivos trabalhos que se estendem aos longos dos anos. Cientistas

procuram desvendar o mistério que leva ser humano a ter diversos sentidos como:

controle motor, reconhecimento de padrões e percepção. Pensando nisso vários

matemáticos, neurofisiologista, cientistas de diversos setores contribuíram para o

desenvolvimento de novas formas de aplicação de redes neurais artificiais em nossa

sociedade como o desenvolvimento de fórmulas matemáticas que simulam a

fisiologia natural do neurônio.

Redes neurais artificiais são estruturas lógicas e matemáticas que

procuram simular o funcionamento do neurônio humano apresentando

processamento de informação distribuída e paralela. Sendo os dendritos

substituídos por entradas e sua ligação com a estrutura artificial neural é realizada

através dos pesos. Estes pesos representam a capacidade de armazenamento,

sendo o processo de aprendizado está associado á alteração desses pesos. As

redes neurais são formadas por unidade, nós de processamento que são

interconectados por ligações unidirecionais o qual chamamos de sinapse. Redes

neurais artificiais têm sua divisão em neurônios de entrada, que recebem estímulos

do meio externo, neurônios intermediários ou ocultos e neurônios de saída, que se

comunicam com o exterior.

 23

Os estímulos que são captados pelas entradas são processados pela

função soma e o limiar de disparo do neurônio biológico foi substituído pela função

transferência.

A solução de problema através de Redes Neurais Artificiais (RNA) chama

atenção, pois a forma de representação interna e paralela, cria possibilidades de

desempenho superior aos modelos convencionais.

O modelo redes neurais artificiais inicia-se pela 1º fase de aprendizagem

onde se apresenta exemplos que extrai as características para representar a

informação obtida.

Essas características são usadas posteriormente para gerar respostas

coerentes para dados não conhecidos. A generalização da informação aprendia

sem dúvida é um dos pontos que chama mais a atenção.

Uma vez que é passado valor para a fórmula pode-se ter diversos

resultados simulados para cada tipo de aplicação em relação a um neurônio natural.

Aplicações desse tipo são muito usada atualmente em diversos setores

em nossa sociedade, muitas delas sendo ocultas a maioria da população. Será

mostrado mais adiante exemplo de aplicações reais em nosso meio social.

 24

2.1 Redes Neurais Biológicas X Redes Neurais Artificiais

O funcionamento do cérebro humano é uma das mais ricas obras da

natureza tanto pela sua complexidade quando pela sua eficiência natural dinâmica.

A rede neuronal biológica é formada por milhões de unidades

fundamentais chamada de neurônios. O neurônio consiste de um corpo celular ou

soma com infinitas ramificações denominados dendritos há uma longa fibra chamada

de axônio se ramificando e filamentos e subfilamentos o qual se conectam com

dendritos de outros corpos celulares assim formando uma imensa rede de

comunicação.

Através de reações eletroquímicas os sinais se propagam podendo

aumentar ou diminuir o sinal que está sendo enviado. Quando esse sinal atinge um

determinado limiar, ele percorre o axônio chegando à extremidade onde há ligações

pelos dendritos se comunicando de forma dinâmica com outros neurônios e assim a

rede vai se alimentando de sinais e formando os nossos sentidos.

O cérebro possui algo em torno de 10 bilhões de neurônios interligados,

sendo que cada um deles faz entre mil e dez mil conexões com os neurônios

adjacentes. Além do mais, seu "processamento" é totalmente paralelo. Uma

descrição do modelo neuronal biológico está ilustrado abaixo na figura 1.

 25

Figura 1 - Neurônio biológico

Uma rede neural artificial não é muito diferente da rede neuronal

biológica, pois como dito no parágrafo acima, a rede neural artificial simula de forma

matematicamente e lógica do funcionamento de um neurônio humano.

Foi proposto por McCulloch e Pitts (MCP) em 1943 um modelo neuronal

que simplificava do que se sabia a respeito do neurônio biológico naquela época.

A descrição matemática proposta por McCulloch e Pitts resultou em um

modelo matemático com n terminais de entrada X1,...,Xn representava os dendritos,

com apenas um terminal de saída y representando os axônios.

 26

Os terminais de entrada do neurônio têm pesos acoplados w1,...,wn, com

valores podendo variar positivamente ou negativamente dependendo das sinapses

correspondentes serem inibitórias ou excitatórias.

O efeito de uma sinapse particular no neurônio pós-sináptico é dado por:

xi wi. Os pesos determinam em que grau o neurônio deve considerar sinais de

disparo que ocorrem naquela conexão. Uma descrição do modelo está ilustrado na

Figura 2 - Neurônio Artificial e seu funcionamento está descrito na seção abaixo.

2.1.1 O Funcionamento do neurônio artificial

A) Apresentam-se sinais a entrada;

B) Sinal é multiplicado por W peso que indica a influencia de saída;

C) Somando–se ponderadamente o sinal através da função soma é

produzido um nível de ativação;

D) Caso o nível exceder seu limite, começa-se então a produção de sinais

de saída do algoritmo.
 27

Figura 2 - Neurônio artificial

Fazendo uma analogia da comparação entre o cérebro humano e as

redes neurais, temos:

Redes Neurais Artificiais Cérebro Humano

Neurônio Artificial Neurônio Biológico

Entradas Dendritos

Pesos Sinapse

Função de Ativação ou Limiar Disparo

Função soma Soma

Tabela 1 - Comparação RNA X RNB

 28

CAPÍTULO III - HISTÓRIA

Os pioneiros que começaram um estudo avançado em redes neurais

foram McCulloch e Pitts.

McCulloch foi um psiquiatra e neuroanatomista que interpretou o neurônio

natural como sendo entradas binárias por somas ponderadas, produzindo uma

entrada efetiva. Já Pitts foi um excelente matemático o qual se uniu a McCulloch em

1942.

“Em um artigo descrito na época por McCulloch e Pitts descreviam um

cálculo lógico das redes neurais que unificava os estudos de neurofisiologia e da
lógica matemática. Eles assumiam que o modelo formal de um neurônio seguia a lei
do ” tudo ou nada “ . Como um número suficiente dessas unidades simples em
conexões sinápticas ajustadas apropriadamente e operando de forma síncrona,
McCulloch e Pitts mostraram que uma rede assim construída realizaria, a princípio, a
computação de qualquer função computável. Este era um resultado significativo e
com ele é geralmente aceito o nascimento das disciplinas de redes neurais e
inteligência artificial”. (HAYKIN, 2001, ed. 2, p. 63)

Em 1949 foi o lançamento do livro The Organiztion of Behavior o qual teve

ampla repercussão, pois Hebb propôs que a conectividade do cérebro é

continuamente modificada conforme um organismo vai aprendendo tarefas

funcionais diferentes e que os agrupamentos neurais são criado por tais

modificações.

Já em 1958 Frank Rosenballt criou o perceptron de única camada e

introduziu o conceito de aprendizado. Minsky e Papert em 1969 utilizaram a

matemática para provar que havia falhas em redes baseados em única camada.
 29

Houve então uma breve paralisação ate os anos 80 onde recomeçaria a

segunda e mais avançada das pesquisas sobre redes neurais. A paralisação de 10

anos teve o motivo baseado em falta de equipamentos compatíveis para o

desenvolvimento de novos filtros e rotinas entre outros como recursos financeiros.

Já em 1982 um grande nome surgiria no mundo da neurocomputação

artificial, um grande cientista renomado mundialmente chamado de John Hopfield

contribui com sua pesquisa o qual ganhou um modelo neuronal que ficou conhecido

como (redes de Hopfield) que tem o principio de armazenar informações em redes

dinamicamente estáveis é profundas.

De 1982 á 1983 um outro desenvolvimento importante marcou a era

neurocomputacional dos anos 80 que seria a publicação do artigo de KOHONEN

sobre os (Mapas Auto-organizáveis) que era baseado em modelos unidimensionais

ou bidimensionais o qual se tornou referência devido a uma grande atenção que foi

mostrada pela comunidade científica, incentivando futuras implementações e

pesquisas na área.

Em 1984 publica-se o livro de Braitenberg, Vehicles: Experiments in

Synthetic Psychology, o qual defenda o princípio do desempenho auto-organizado

direcionado objetivo obtendo-se um melhor entendimento de um processo complexo.

Em 1986 Rumelhart, Hinton e Williams desenvolveram o algoritmo de

retropropagação (back-propagation).
 30

Em 1988 Linkser descreve um novo princípio para auto-organização de

uma rede perceptiva.

Já em 1989 publica-se o livro (Mead, Analog VLSI and Neural System),

fornecendo uma analogia sobre neurobiologia e da tecnologia.

A partir dos anos 90 a tendência de novos neurociêntistas intensificarem

seus esforços para obterem resultados ainda mais próximos ao neurônio biológico,

teve um crescimento magnífico chegando a resultados extraordinários nos dias

atuais.

3.1 Aplicações de Redes Neurais

Com avanço tecnológico as redes neurais estão cada vez mais presentes

em nossas vidas.

Aplicações em diversos setores ajudam o homem a atingir objetivos com

rapidez e eficiência obtendo resultados fantásticos.

Imagine como seria difícil analisarmos o perfil financeiro de clientes de um

grande banco com o gasto de seu cartão de credito com as seguintes perguntas:

A) Qual a melhor época de gasto desse cliente dia/mês/ano?

 31

B) O Cliente excedeu o limite creditado em sua conta, quando, porque?

C) Há alguma irregularidade no perfil desse cliente, como gastos

absurdos, horários impróprios para saques etc.

D) Qual perfil de compra desse cliente? Supermercados, Shopping,

Viagens?

Essas informações são obtidas no instante que o cliente utiliza seu cartão,

pois contém informações do local que está sendo efetuando o pagamento do

beneficio creditado.

Essas seriam algumas perguntas que tem respostas imediatas por

sistemas baseados em redes neurais, funcionando como rastreadores de

informações, desenvolvendo um mapa topológico do cliente e analisando seu perfil,

evitando fraudes e abstraindo informações a qual poderá ser usada futuramente

para promoções de interesse dos próprios bancos ou evitando frades de saques

bancários por criminosos. Agora imagine se não tivéssemos uma ferramenta como

essa para aplicações desse gênero.

Teríamos que efetivar milhões de suporte técnico que avaliariam o perfil

do cliente para obter resultados que não seriam satisfatórios pelo tempo e prazo de

processamento sem contar a redundância de informações que geraria conflitos e

problemas internos devido à quantidade de dados de entrada e saída in/out.

 32

Outro exemplo clássico seria aplicações de redes neurais para análise e

diagnósticos médicos. Em alguns casos temos softwares capazes de mapear e

identificar doenças com precisão, com a diferença da velocidade de processamento

e resultados concretos para apresentação de uma solução rápida e eficaz no

combate as doenças.

Essas ferramentas são para o auxilio médico e não para substituição do

mesmo, pois toda a base com que a rede neural trabalha depende do especialista

para indicar em seu treinamento como será o padrão de identificação, essa base e

composta de vários especialistas o qual futuramente a rede com seu treinamento

apropriado pode ajudar auxiliando em tempo real o mapeamento dessa doença.

“Uma das aplicações existentes em RNA é a Máquina de Escrever

Fonética, que utiliza o modelo SOM (Self-Organizing Map), de KOHONEN para
aprender fonemas, que posteriormente serão transformados em palavras, através de
regras gramaticais aprendidas automaticamente”. (KOHONEN, 1990, p. 1468).

E temos inúmeras aplicações: Na robótica para aplicações de sentidos

humanos como visão, movimento motor entre outros. Análise de sinais, Optical

Character Recognition (OCR), usado em scanner para reconhecimento ótico da

escrita.

Futuramente a rede neural passará a fazer parte de nossas vidas

controlando e agindo de forma oculta por redes interligadas mundialmente, ajudando

o homem a evoluir rapidamente em tomadas de decisões cruciais em seu meio.

 33

CAPÍTULO IV - TIPOS DE APRENDIZAGENS PARA RNA

Redes Neurais Artificiais tem a capacidade de aprender através de

exemplos apresentados por meios externos. A iniciação da rede neural passa pela

fase de aprendizagem, onde a rede extrai características relevantes de padrões de

informações apresentados para a mesma. Criando representação própria para o

problema. Apresentaremos alguns modelos para RNA em uma breve introdução.

“A utilização de uma Rede Neural Artificial na solução de uma tarefa

passa inicialmente por uma fase de aprendizagem, onde a rede extrai informações
relevantes de padrões de informação apresentados para a mesma, criando assim
uma representação própria para o problema. A etapa de aprendizagem consiste em
um processo iterativo de ajuste de parâmetros da rede, os pesos das conexões entre
as unidades de processamento, que guardam, ao final do processo, o conhecimento
que a rede adquiriu do ambiente em que está operando. Uma definição geral do que
vem a ser aprendizagem pode ser expressa da seguinte forma” (MENDEL;
MCLAREN, 1970, p. 290)

4.1 Supervisionado

A rede é treinada, ou seja, há uma influência externa de informações que

auxilia no aprendizado informando os pesos que deve ser modificado para que o

aprendizado aconteça.

Ajustando os parâmetros da rede, de forma a encontrar uma ligação entre

os pares de entrada e saída fornecidos alcança-se o objetivo do treinamento. Há

 34

influência externa de um supervisor indicando, explicitamente, um comportamento

positivo ou negativo para a rede, visando direcionar o processo de treinamento. A

rede tem sua saída corrente (calculada) comparada com a saída desejada,

recebendo informações do supervisor sobre o erro da resposta atual.

A cada padrão de entrada submetido à rede compara-se a resposta

desejada (que representa uma ação ótima a ser realizada pela rede) com a resposta

calculada, e os pesos das conexões são ajustados para minimizar o erro.

A minimização da diferença é incremental, já que pequenos ajustes são

feitos nos pesos a cada etapa de treinamento, de tal forma que estes caminhem, se

possível, para uma solução otimizada.

Professor

+
-
RNA Σ
Entrada
Erro

Figura 3 - Treinamento supervisionado

 35

4.2 Não Supervisionado

“Na aprendizagem não supervisionada ou auto-organizada, não há um

professor externo ou um crítico para supervisionar o processo de aprendizado. Em
vez disso, são dado condições para realizar uma medida independente da tarefa da
qualidade de representação que a rede deve aprender, e os parâmetros livres da
rede são otimizados em relação a esta medida” (HAYKIN, 2001, ed. 2, p. 91)

Somente padrões de entrada estão disponíveis para rede sendo que a

partir do momento em que a rede estabelece uma harmonia com as regularidades

estatísticas da entrada de dados, desenvolve-se nela uma habilidade de formar

representações internas para codificar características da entrada e criar novas

classes ou grupos automaticamente.

Estado do Resposta
Meio Externo
Meio Externo RNA

Figura 4 – Aprendizado não supervisionado

4.3 Hebiano

É um tipo de algoritmo de aprendizado não supervisionado sendo a mais

antiga e conhecida regra de aprendizagem.

 36

“Quando um axônio da célula A está perto o suficiente para excitar uma

célula B e participa do disparo repetido ou persistente, então algum processo de
crescimento ou modificação metabólica acontece em uma das células ou em ambas,
de tal forma que a eficiência de A como uma das células que dispara B é
aumentada” (HEBB, 1949, p. 62).

Hebb propõe que o peso de uma conexão sináptica deva ser ajustado,

caso exista sincronismo entre os "níveis de atividade" das entradas e saídas. Caso

dois neurônios, em lados distintos da sinapse, são ativados sincronamente, teremos

um fortalecimento desta sinapse.

Entretanto, se os neurônios forem ativados assincronamente, a sinapse

será enfraquecida ou mesmo eliminada. Em outras palavras, se o neurônio pré-

sináptico tiver grande influência na ativação do neurônio pós-sináptico, a conexão

entre eles dever ser reforçada.

4.4 Competitiva

“Na aprendizagem competitiva como o nome implica, os neurônios de

saída de uma rede neural competem entre si para tornarem ativos (disparar).
Enquanto que em uma rede neural baseada na aprendizagem hebbiana, vários
neurônios de saída podem estar ativos simultaneamente, na aprendizagem
competitiva somente um neurônio de saída está ativo em um determinado instante”
(HAYKIN, 2001, ed. 2, p. 83)

A forma mais simples do aprendizado competitivo e que a rede tem uma

única camada de neurônios de saída estando os neurônios totalmente conectados

aos nós de entrada podendo incluir realimentações entre neurônios.

 37

Como o próprio nome sugere os neurônios competem entre si onde e

verificado o maior valor sendo o neurônio vencedor.

4.5 Reforço

O aprendizado por reforço pode ser comparado particularmente ao

aprendizado supervisionado diferenciando-se somente pela medida do desempenho

que no aprendizado supervisionado e baseado no conjunto de respostas desejadas

usando somente um critério de erro, sendo que no aprendizado por reforço a única

realimentação fornecida e se uma determinada saída está correta ou não.

Crítico

Reforço / Penalidade

RNA
ação

Figura 5 - Diagrama do aprendizado por reforço

Aprendizado por reforço é uma forma de aprendizado on-line obtido por

um mapeamento de entrada-saída, através de um processo de triagem de erro

 38

desenvolvido para maximizar o índice de desempenho escalar chamada de sinal de

reforço.

4.6 Correção de Erros

Procura minimizar a diferença entre a soma ponderada das entradas pelo

peso e a saída desejada, ou seja, o erro da resposta atual da rede. O termo e(t)

denota o erro e deve ser calculado através da seguinte expressão:

e(t ) = d (t ) − y (t )

Equação 1 – Fórmula do cálculo do erro

Onde d(t) é a saída desejada e y(t) é a resposta atual (calculada) no

instante de tempo t. A forma genérica para alteração dos pesos por correção de

erros é definida por:

wi (t +1) = wi (t ) + n e(t ) xi (t )

Equação 2 – Fórmula da correção de erros

 39

Onde η é a taxa de aprendizado e xi(t) é a entrada para o neurônio i no

tempo t.

A equação acima nos mostra o ajuste dos pesos deve ser proporcional ao

produto do erro pelo valor de entrada da sinapse naquele instante de tempo. Esse

método pode ser chamado de regra delta de aprendizado. Este método caracteriza o

conceito de aprendizado supervisionado descrito na seção 4.1.

 40

CAPÍTULO V - REDES (KOHONEN)

Em 1972, Teuvo KOHONEN da Universidade de Helsinky definiu um novo

modelo de rede neural, conhecido como mapa auto-organizável de características.

Segundo HAYKIN(2001, p.483), o modelo neuronal de KOHONEN

pertence à grade conhecida como mapas auto-organizáveis, onde são baseadas em

aprendizagem competitiva o qual os neurônios de saída competem entre si para

serem ativados. O neurônio de saída e chamado de neurônio vencedor. Esse tipo de

rede tem forte inspiração biológica.

Nos mapas auto-organizáveis os neurônios estão colocados em nós de

uma grade que normalmente é uni ou bidimensional. Os neurônios se tornam

seletivamente sintonizados a vários padrões de entradas (estímulos) ou classes de

padrões de entrada no decorrer de um processo de aprendizagem. A Forma de

representação matemática: x=[x1, x2, x3,..., xn]t n

Figura 6 - Grade do padrão de KOHONEN

 41

As localizações dos neurônios assim sintonizados (neurônio vencedor) se

tornam ordenadas entre si de forma que um sistema de coordenas significativo para

diferente característica de entrada e criado sobre a grade.

Então sua característica é a formação de mapas topográficos dos padrões

de entrada no qual as localizações espaciais dos neurônios na grade são indicativas

das características estáticas contidas nos padrões de entradas (Mapas Auto-

organizáveis).

5.1 Algoritmo Representativo (Rede de KOHONEN)

A forma de representação do algoritmo computacional de KOHONEN

apresenta-se em 9 níveis distintos:

1 – Inicialização dos pesos da rede com valores baixos.

2 – Ajuste o raio da vizinhança Vi o qual e recomendado que seja do

tamanho da rede.

3 – Apresente uma entrada válida para rede.

4 – Calcule a distância euclidiana entre a entrada e os pesos dos

neurônios selecionados.
 42

n
di (t ) = [x (t ) − w (t )]
j ij
2

j =1

Equação 3 - Fórmula da distância

OBS: A Fórmula acima e apresentada pelas seguintes regras.

4.1 – ( d i ) Distância entre a saída e o nodo i com a entrada

4.2 – (N) Número de entradas.

4.3 – ( x jt ) Vetor de entrada no tempo T.

4.4 – wij (t ) Peso da conexão do neurônio de entrada j para

neurônio i no tempo t.

5 – Selecionado o neurônio vencedor que tem a menor distância

euclidiana.

6 – Atualize o peso do neurônio com a menos distancia juntamente com

sua vizinhança definida por Vi (t ) .

 43

[ ]
wi (t + 1) = {wi (t ) + n (t ) x (t ) − w j (t ) } se i ∈ v n (t )

wi (t + 1) = {wi (t )} se i ∉ v n (t )

Equação 4 - Fórmula da atualização do nodo vencedor

7 – Caso seja necessário modifique o raio de toda vizinhança dos

neurônios decrementando do raio de Vi (t ) .

8 - Existindo um fato que não faça parte do conjunto de treinamento volte

ao passo três.

9 – Caso o número de interações atingiu o especificado no inicio encerre.

Caso contrario volte ao passo três.

5.2 Treinamento de Redes SOM

Havíamos dito nos tópicos acima que a rede SOM é do tipo competitiva e

não supervisionada. São redes que podem ser usadas para classificações ou

reconhecimentos de padrões. KOHONEN apresenta que a rede SOM não só foi

criada para reconhecimentos de padrões, mas para agrupamento abstração e

visualização sendo indicado um modelo de aprendizado supervisionado.

 44

O algoritmo SOM organiza os nodos sendo inseridos valores em seus

pesos, os nodos competem entre si, o nodo com a menor distância euclidiana e

maior saída e o nodo vencedor. Definido o nodo vencedor múltiplo processos de

atualização da grade de pesos são ativados, mas somente o que estão em um raio

de vizinhança que terão seus valores nos pesos modificados, ou seja, atualizados

para nova renegeralização dos sinais aplicados que são continuamente

decrementados.

A característica do algoritmo de KOHONEN e a aproximação vetor peso

(Reference Vector), Vetor de entrada. Seu processo de aprendizagem e referenciado

pela seguinte Fórmula:

wi (t + 1) = wi (t ) + hci (t )[ x (t ) − w j (t )]

Equação 5 - Fórmula do aprendizado

a - hci (t ) é a função de vizinhança função de vizinhança entre os

processadores (c e i)

b - Para convergência, hci (t ) 0, quando t .

A definição da vizinhança e apresentada pela definição entorno do nó c

=> n c (t ) .
 45

c - neste caso, hci (t ) = α (t ) se nó i ∈ nc (t )

d - hci (t ) = 0 se nó i ∉ nc (t )

e- 0 < α (t ) < 1

f- α (t ) e nc (t ) decrescem com o tempo.

| rc − r j | 2
hci (t ) = α (t ). exp −
2σ 2 (t )

Equação 6 - Fórmula da definição da vizinhança

Onde: - rc e ri são os vetores de localização dos nós c e i.

a- (t) é uma taxa de aprendizado.

b - (t) define a largura do kernel de vizinhança.

c - (t) diz respeito ao raio de nc (t ) .

 46

d - (t) e (t) decrescem com o tempo.

Se nc (t ) for pequeno inicialmente, o mapa não se ordenará globalmente;

nc (t ) Deve ser grande inicialmente e ir diminuindo com o tempo;

nc (t ) é o (t=0) então pode ser maior que a metade do diâmetro da rede.

5.3 Otimização de Redes SOM

Pode-se melhorar o desempenho do aprendizado de uma rede

KOHONEN aumentando a taxa de seu aprendizado e suas representações de

informação no mapa neural. Esse desempenho otimizado foi embasado pela

qualidade e quantidade de representação de certas partes do corpo no tecido

cortical.

Como explica KANDEL(1991, p.367) quanto mais importante for um

determinado tipo de estímulo maior será a sua representação cortical.

Para otimização de uma rede neural de KOHONEN podemos modificar o

critério de seleção do neurônio vencedor, passando a ser mais de um criando uma

grade seletiva com colocações de 1° lugar á n ° lugar..., considerando que todos os

 47

neurônios com a distância euclidiana menor que 0.8 seriam os vencedores dessa

competição.

Essas alterações em seus pesos causam mudanças que aumentam

significativamente o número de vencedores no mapa, aumentando, assim, a

probabilidade de acerto do algoritmo.

Mas uma observação importante deve ser avaliada, pois quando temos

diversos nodos vencedores o processo de ajuste da vizinhança não pode ser

alterado devido ao tempo de processamento que pode se prolongar causando um

retardo de sinais em seus nodos, além de aumentar significativamente a área de

ajuste de vizinhança.

A solução seria manter o ajuste da vizinhança com o neurônio de maior

representação do grupo vencedor o nodo vencedor.

5.4 RNA vantagens e desvantagens

Em redes Neurais pode-se analisar algumas vantagens e desvantagens

oferecidas por essa ferramenta, com o auxílio de softwares apropriados para

diversas situações pode-se chegar a resultados extraordinários, nos tópicos abaixo

será descrito de forma simplificada em regras simples que produzidas por algoritmos
 48

bem ajustados oferecem mais benefícios que malefícios em relação à solução de

problemas enfrentados pelo homem.

As Vantagens são:

a - São representados por regras que pode ser analisadas e interpretadas

com muita facilidade permitindo análises superiores às conseguidas com técnicas

estatísticas.

b - Permite analises satisfatórias em relação ao resultado obtido onde o

analista consegue depurar de onde surgiu á explicação apresentada a determinado

problema.

c - São redes auto-organizáveis que não necessitam de conhecimentos

de especialistas para tomar decisões elas se baseiam unicamente nos exemplos

históricos que lhes são fornecidos.

d - Apresentam facilidade em inserções de novos conhecimentos

fornecidos por um especialista ou através de modos automáticos de aquisição de

conhecimentos.

e - Apresenta imunidade a falhas, pois RNA trabalha em modo paralelo,

caso haja problema em um de seus nodos a rede não fica inoperante podendo ate

não causar muitos problemas em seu funcionamento.

 49

As desvantagens são:

a - Há uma necessidade de se trabalhar com conhecimentos completos e

exatos sobre um determinado problema;

b - Apresenta grande dificuldade para tratar informações imprecisas ou

aproximadas, e valores numéricos (dados quantitativos).

c - As redes podem chegar a conclusões que contrariem as regras e

teorias estabelecidas, bem como considerar dados irrelevantes como básicos;

somente o bom senso do profissional experiente saberá tratar tais casos;

d - O equipamento disponível e a tecnologia necessária para o

treinamento devem ser de processamento rápido, isso requer um custo alto com

investimentos que passam muitas vezes da expectativa do cliente.

e - No modelo de KOHONEN, pode-se falhar em representar

estatisticamente o espaço de atributos, assinalando regiões pequenas do mapa para

classes com o maior número de amostras de treinamento.

 50

5.5 Modelo Real de Aplicação SOM

Redes Neurais Artificiais são ferramentas de grande potencial em

diversas áreas do conhecimento, ajudando o homem a resolver problemas práticos

de difícil solução. Isto ocorre devido a sua grande capacidade de aprendizagem.

Tais redes podem classificar e reconhecer diversos padrões. Diversos trabalhos vem

sendo avaliados ao longo dos anos no campo de redes neurais, verificando sua

integridade e resultados. Pode-se aplicar redes neurais em diversos campos como

em: física, matemática, industrias, avaliação estatísticas e militares.

Percebe-se que entre as principais funcionalidades do algoritmo proposto

estão reconhecimentos de padrões como calígrafia, imagens, o que será cada vez

mais importante na interface homem-computador e também análise de padrões para

previsão como nos mercados financeiros que avalia melhores decisões dependendo

dos padrões apresentados a rede neural.

Hugo, Marcelo. Uma Interface de Reconhecimento e Voz para Sistema de

Gerenciamento de Central de Informações de Frete. Acessado em: 15 jan. 2004.

Disponível em <http://www.eps.ufsc.br/disserta/hugo/index.htm#sumário>. Propôs

um software capaz de identificar padrões de reconhecimento da fala humana

utilizando o modelo neuronal de KOHONEN para comandos em linguagem natural

aplicáveis em um sistema gerenciador de central de informação de fretes para

operação interativa com menus do sistema.

 51

Com interfaces de linguagem natural, o usuário não teria mais de aplicar

comandos ao computador. O computador deverá entender a linguagem natural do

usuário sendo transmitida ao computador basicamente de duas formas: a escrita; e a

falada. A entrada de sinais da forma escrita por teclado e na forma falada por

instrumentos de captura de voz como um microfone.

Este trabalho demonstra a viabilidade e potencialidade dos sistemas

comandados por voz, construindo um protótipo de software capaz de responder em

tempo real a um comando falado por um usuário através de dispositivos receptores

de sinais simples. Seu principal objetivo nessa pesquisa foi de aplicar o modelo de

rede neural KOHONEN para a tarefa de reconhecimento de padrões de fala

testando a viabilidade da utilização de diferentes formas de pré-processamento dos

sinais de fala digitalizados e construir uma interface de reconhecimento de voz no

ambiente Windows.

O modelo proposto nessa pesquisa mostrou um resultado satisfatório para

o processamento de digitalização do reconhecimento dos padrões de voz humana.

Utilizando-se da abordagem global para reconhecimento de fala humana,

o software alcançou uma margem da taxa de acerto geral de 84,84%.

 52

CAPÍTULO VI – CONCLUSÃO

As características que as redes neurais tem de aprender através de

exemplos, proporciona fortes incentivos para futuros projetos aplicados nas soluções

de problemas diversificados. A Rede de KOHONEN com sua forte inspiração

biológica está ganhando espaço em novas linhas de pesquisa.

Dentre os fatores inseridos no contexto de RNAs, pode-se destacar a

configuração de dados para o treinamento, a escolha e análise das possíveis

topologias, com isso a rede se torna cada vez mais dinâmica em relação a outros

modelos conhecidos.

As redes de KOHONEN com um treinamento adequado pode ser uma

ferramenta de auxílio ao homem nas soluções de problemas diversos, agilizando e

trazendo benefícios já mais propostos antes na história natural.

Com o avanço da tecnologia, novas propostas de utilização bem

depuradas surgiram e a humanidade se beneficiará dessa tecnologia, no campo da

robótica e sistemas inteligentes será tão natural que passará de complexo a fácil à

interação homem máquina.

 53

REFERÊNCIAS

BOSCHETTI, M.R. Redes Neurais Artificiais SOM (KOHONEN). Acessado em:

18.set.2003. Disponível em http:www.inf.ufrgs.br/procpar/disc/cmp135/trabs/012/T2/

marcos/RNAsom.htm

CASTRO, F.C.C. Mapas Auto-organizáveis de KOHONEN (SOM). Acessado em:

18.ago.2003. Disponível em http://www.ee.pucrs.br/~decastro/RNA_hp/pdf/ RNA_C7

.pdf

CAETANO, Daniel. Inteligência Artificial usando Redes Neurais. Acessado em:

05.jun.2004. Disponível em http://www.caetano.eng.br/pef411/

COURSE, Marcos. Redes Neurais Artificiais. Acessado em: 20.jan.2004. Disponível

em http://www.ec.ucdb.br/~marco/courses02a/ai2/lectures/RNA-ucdb01b.pdf

FERREIRA, Nívea.C. Um Modelo Neurocomputacional para Síndrome do Autismo.

Rio de Janeiro, 1999. Mestrado em Ciências em Engenharia de Sistemas e

Computação pela Universidade Federal do Rio de Janeiro.

HUGO, Marcelo. Uma Interface de Reconhecimento de Voz para o Sistema de

Gerenciamento de Central de Informações de Fretes. Florianópolis, 1995. Mestrado

em Engenharia de Produção pela Universidade Federal de Santa Catarina.

HAYKIN, Simon. Redes Neurais: Princípios e Práticas. 2. ed. Porto Alegre:

Bookmann, 2001.

HEBB, Donald.O. The Organization of Behavior. New York: Wiley, 1949. p. 60-65.
 54

MENDEL, J. M.; MCLAREN, R. W. Adaptive, Learning, and Pettern Recognition

Systems; Theory and Applications, chapter Reinforcement-learning control and

pattern recogniton systems. New York: Academic Press, 1970. p. 287-318.

KOHONEN, Teuvo. The Self-Organizing Map. Proceedings of the IEEE, v. 78, n.9,

1990. p. 1464-1479.

KANDEL, Eric et al. Principles of neural science. 3. ed. USA: Appleton & Lange,

1991. p. 367-384.

MATTOS, A.C.M. Redes Neurais Artificiais. Acessado em: 19.set.2003. Disponível

em http://www.univ.com.br/acmm/Redes/~RNIN -DEX.htm

MURAKAI, Alan. Redes Neurais Artificiais (RNAs). Acessado em: 28.mar.2004.

Disponível em http://www.terravista.pt/Meco/5704/RedesNeurais.htm

MEDEIROS, J.S. Considerações Teóricas em Redes Neurais Artificiais. Acessado

em: 15.jan.2004. Disponível em http://www.dpi.inpe.br/teses/simeao/cap4.pdf

OLIVEIRA, M.E. Redes Neurais Artificiais. Acessado em: 10.out.2003. Disponível em

http://www.marceloeliasoliveira.cjb.net/

Redes Competitivas de KOHONEN. Acessado em: 15.ago.2003. Disponível em

http://www.inf.ufpr.br/~aurora/tutoriais/kohonen.pdf

RAUBER, Tomas. Redes Neurais. Acessado em: 10.jun.2004. Disponível em

http://www.eletrica.ufpr.br/lamar/te746/Turma2004/ERI98-silvia.pdf

SILVA, Eugenio. Dicas para a configuração de Redes Neurais. Acessado em:

01.fev.2004. Disponível em http://www.eletrica.ufpr.br/lamar/te746/Turma2004/dicas

_configuracao_rna.pdf

TATIBANA, C.Y. Introdução a Redes Neurais. Acessado em: 10.dez.2003.

Disponível em http://www.din.uem.br/ia/neurais/
 55

TAFNER, M.A. O que são redes neurais?. Acessado em: 12.abr.2004. Disponível em

http://www.epub.org.br/cm/n05/tecnologia /plasticidade2.html

WEBSOM-Self-Organizing Maps for Internet Exploration. Acessado em: 20.jun.2004.

Disponível em http://websom.hut.fi/websom

II CONGRESSO BRASILEIRO DE COMPUTAÇÃO, 2002, Itajaí. Classificador de

Texturas por Redes Neurais. Acessado em 04.mar.2004. Disponível em

http://www.cbcomp.univali.br/anais/pdf /2002/ina007.pdf

V CONGRESSO BRASILEIRO DE REDES NEURAIS, 2001, Rio de Janeiro.

Reconhecimento de Locutores em Língua Portuguêsa com Modelos de Redes

Neurais e Gaussianos. Acessado em 27.mar.2004. Disponível em

http://www.cic.unb.br/~weigang/pub/cnrnrj 2001.pdf