Componentes celulares neurais - esquema

INTRODUÇÃO

Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões de neurônios.

O sistema nervoso é formado por um conjunto extremamente complexo de células, os neurônios. Eles têm um papel essencial na determinação do funcionamento e comportamento do corpo humano e do raciocínio. Os neurônios são formados pelos dendritos, que são um conjunto de terminais de entrada, pelo corpo central, e pelos axônios que são longos terminais de saída.

Constituíntes da célula neuronal - esquema.

Os neurônios se comunicam através de sinapses. Sinapse é a região onde dois neurônios entram em contato e através da qual os impulsos nervosos são transmitidos entre eles. Os impulsos recebidos por um neurônio A, em um determinado momento, são processados, e atingindo um dado limiar de ação, o neurônio A dispara, produzindo uma substância neurotransmissora que flui do corpo celular para o axônio, que pode estar conectado a um dendrito de um outro neurônio B. O neurotransmissor pode diminuir ou aumentar a polaridade da membrana pós-sináptica, inibindo ou excitando a geração dos pulsos no neurônio B. Este processo depende de vários fatores, como a geometria da sinapse e o tipo de neurotransmissor.

Em média, cada neurônio forma entre mil e dez mil sinapses. O cérebro humano possui cerca

de 10 E11 neurônios, e o número de sinapses é de mais de 10 E14, possibilitando a formação de redes muito complexa.

Características Gerais das Redes Neurais

Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede.

A operação de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode ser resumida da seguinte maneira:

• Sinais são apresentados à entrada;

• Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade;

• É feita a soma ponderada dos sinais que produz um nível de atividade;

• Se este nível de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de saída.

Esquema de unidade McCullock - Pitts.

Suponha que tenhamos p sinais de entrada X1, X2, ..., Xp e pesos w1, w2, ..., wp e limitador t; com sinais assumindo valores booleanos (0 ou 1) e pesos valores reais.

Neste modelo, o nível de atividade a é dado por:

a = w1X1 + w2X2 + ... + wpXp

A saída y é dada po

y = 1, se a >= t ou

y = 0, se a < t.

A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Em

outras palavras, elas aprendem através de exemplos.

Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas às unidades da camada posterior.

Organização em camadas.

Usualmente as camadas são classificadas em três grupos:

• Camada de Entrada: onde os padrões são apresentados à rede;

• Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características;

• Camada de Saída: onde o resultado final é concluído e apresentado.

Uma rede neural é especificada, principalmente pela sua topologia, pelas características dos nós e pelas regras de treinamento. A seguir, serão analisados os processos de aprendizado.

Aplicações

De acordo com Turbam, McLean e Wetherbe (2004), além de seu papel de mecanismo computacional alternativo, a computação neural também pode ser combinada com outros sistemas de informação baseados em computador para produzir sistemas híbridos poderosos.

Em geral, as RNAs não apresentam um bom desempenho em tarefas que não são bem executadas por pessoas. Por exemplo, cálculos matemáticos e processamento de transações que exijam rapidez não são adequados para as RNAs e são mais bem

executadas pelos computadores convencionais. Entre as áreas de aplicação das RNAs podemos citar:

- Data Mining: Localizar dados em bancos de dados complexos e em sites da Web;

Fraudes tributárias: identificar, localizar e assinalar irregularidades;

- Serviços financeiros: identificar padrões de dados sobre o

mercado de ações e

auxiliar em estratégias de negociação de ações e títulos; escolha e comercialização de commodities, subscrição de hipoteca, precificação de ofertas iniciais ao publico e previsão de taxas de câmbio;

- Avaliação de pedidos de financiamento: avaliar a seriedade dos pedidos de

financiamento, com base em padrões de informações anteriores (nível de critério

do cliente);

- Previsão de solvência: avaliando os pontos fortes e fracos de empresas e

prevendo possíveis fracassos;

- Análise de novos produtos: previsão de vendas e marketing dirigido;

- Gestão de tarifas aéreas: procura de assentos e escalas de tripulação;

-