Loading...
Please wait, while we are loading the content...
Similar Documents
Contextualização de redes neurais recorrentes
| Content Provider | Semantic Scholar |
|---|---|
| Author | Toscano, Wagner Cabral, Eduardo Lobo Lustosa |
| Copyright Year | 2006 |
| Abstract | 65 Exacta, São Paulo, v. 4, n. especial, p. 65-66, 25 nov. 2006 Sobre o paradigma da inteligência artificial conexista, acredita-se que, construindo-se um sistema que simule a estrutura do cérebro, esse sistema apresentará inteligência, ou seja, será capaz de aprender, assimilar, errar e aprender com seus erros (HOCH, 1997). Em geral, a inteligência consiste em um processo de raciocínio composto de mecanismos de captura de dados e operações de validação desses dados. Nessas operações os instrumentos incluem modos de inferência. A inferência compreende uma operação intelectual por meio da qual se afirma a verdade de uma proposição, em decorrência de sua ligação com outras proposições já reconhecidas como verdadeiras, formando um encadeamento lógico e argumentativo. Dos três modos de inferência – abdutiva, indutiva e dedutiva –, o único que pode produzir exatidão na conclusão é o da inferência dedutiva. No entanto, essa exatidão falha se não for obtida a descrição dos estados do ambiente analisado, isto é, tendo como premissa que os estados de um ambiente são contínuos, sofrendo alterações no tempo e no espaço, a representação do ambiente torna-se complexa. Para contornar essa complexidade, a inferência dedutiva recorre a um snapshot do ambiente, por meio de restrições. Dessa forma, aceita-se como resultado de raciocínio uma solução próxima ao ideal, porém não 100% exata. Essa “inexatidão” nos resultados está alinhada ao conceito da inteligência artificial conexista, o qual propõe o raciocínio por aproximação, utilizando a rede neural artificial (RNA) como uma das ferramentas. A RNA tem como base a estrutura dos neurônios biológicos e é composta de dispositivos chamados de neurônios artificiais que, apesar de não serem um substituto para os biológicos, atendem, como solução, a diversos problemas, principalmente aos que necessitam de soluções em tempo real (KRÖSE; SMAGT, 1996). O desempenho de uma RNA depende dos parâmetros que a compõem, tais como bias, threshold, pesos; da estrutura projetada, se possui layer “escondida” ou não, e quantas; do algoritmo de treinamento e, principalmente, de sua aplicação. Os algoritmos de treinamento são fundamentados nos conceitos-chave do aprendizado de Hebbian e na retropropagação (backpropagation) do erro. A técnica de aprendizado denominada backpropagation é relativamente simples de ser implementada quando existem poucos neurônios; no entanto, há dificuldade de evitar “mínimos locais” (oscilação na solução). Com relação às layers, quanto maior a quantidade, maior é a capacidade de aprendizado e Atualmente, os estudos sobre redes neurais artificiais (RNAs) convergem para o conceito de RNAs recorrentes (RNARs), pela facilidade de implementação e redução de componentes denominados neurônios e pela agilidade com que as redes recorrentes podem ser treinadas em relação às neurais em geral. Soma-se a esses motivos a similaridade existente com as redes biológicas. Contextualização de redes neurais recorrentes |
| Starting Page | 65 |
| Ending Page | 66 |
| Page Count | 2 |
| File Format | PDF HTM / HTML |
| DOI | 10.5585/exacta.v4iesp.730 |
| Volume Number | 4 |
| Alternate Webpage(s) | http://periodicos.uninove.br/index.php?journal=exacta&op=viewFile&page=article&path%5B%5D=730&path%5B%5D=637 |
| Alternate Webpage(s) | https://doi.org/10.5585/exacta.v4iesp.730 |
| Language | English |
| Access Restriction | Open |
| Content Type | Text |
| Resource Type | Article |
