O documento discute redes neurais artificiais, incluindo sua história, princípios, aplicações e modelos. Aborda conceitos como perceptrons, mapas de Kohonen, backpropagation e redes neurais recorrentes, além de aplicações como reconhecimento de padrões, imagens, voz e simulação/controle de sistemas dinâmicos.

4. Outros neurônios biológicos Neurônio piramidal CA1 de rato Neurônio espinhoso neostriatal de rato Interneurônio sem axônio do gafanhoto

8. Perceptron w 1 w 2 w 3 e 3 e 2 e 1 sinapses Freqüência dos pulsos Soma dos pulsos s = e 1 w 1 +e 2 w 2 +e 3 w 3 Limite se s>t entao r = 1 senao r = 0 e 1 e 2 1 0 Classificação de padrões 1 1 1 1 0 0 0

12. Mapa de Kohonen Cortex

15. Reconhecimento de Voz tempo 10mS Sinal no tempo Sinal em freqüência Mapa de Kohonen Fonema /i/ Fonema /o/

19. Resultados: Matriz U, (x,y,z), Resíduos

20. Superfície da Proteína => Superfície no Mapa de Kohonen

21. Sistema Neural de Visão

22. Camadas de neurônios no cortex

31. Separação de enantiômeros  Treinamento = pesos adaptados 0.25 0.95 0.05 0.40 0.35

33. Os Dados Arquivo: 1 run.pdb Que características estudar? As cargas elétricas dos aminoácidos, como possível indicação de características de interação protéica.

35. Estrutura secundária de proteinas

36. Simulação Dinâmica => Rede Neural?

39. Aprendizado R G B R G B scanner

40. Aplicação R G B R G B

41. Simulação e Controle Equações diferenciais dv dt F m = dx dt v = Massa m Força F Atrito a Velocidade v distância x v (t+  t) = v(t) +  t F m x (t+  t) = x(t) + v  t

42. Modelo do Pêndulo triplo                         (t) (t+  t) Modelo passivo  (t) (t+  t) Modelo ativo u f 

43. Centro de massa Massa 23 pontos de massa = 69 coordenadas (x,y,z) + 69 coordenadas de velocidade (vx,vy,vz)= 138 variáveis de estado ou 138 equações!! Modelo do Golfinho

44. Simulação e Controle (Vídeo) Golfinho: 6 músculos (Objetivo: bola vermelha) Pêndulo triplo: atrito, forças externas, torque nas juntas objetivo Carro: atrito, tração traseira, direção dianteira objetivo Nave espacial: Propulsor principal, 3 propulsores de direção. objetivo

45. Controle (BPTT) (t) (t+  t) u f (t+2  t) u f (t+3  t) u f  Objetivo: estado final Estado atual  u Valores a serem aplicados ao processo para que este chegue no estado final. u u

50. Comparação entre as Redes Neurais Temporais Memória P Processamento temporal usando atrasos no tempo Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) P Memória P Modelo Geral Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) Memória P NARX Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Saída ( t ) P Memória P Rede de Elman Saída ( t ) Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) P Memória Rede de Jordan Entrada ( t ) Variáveis de estado ( t+1 ) Variáveis de estado ( t ) Variáveis de estado ( t ) Variáveis de estado ( t+1 )

51. Sistema de Lorenz Marchuk, G.I. et all.: Numerical Simulation of a Large-Scale Atmospheric and Oceanic Circulation. In Problems of Computational Mathematics and Mathematical Modelling. Eds.: G.I.Marchuk e V.P.Dymnikov. MIR Publishers. P. 124-166. 1985. Edward Lorenz MIT 1960 Royal MacBee Project

54. Experimentos – Sistema de Lorenz Arquitetura da Rede Neural Recorrente Z -1 Variáveis de estado ( t+1 ) x ( t ) y ( t ) z ( t )

55. Experimentos – Sistema de Lorenz Treinamento das Redes Neurais S 0.22 0.16 3-20-3 S 0.2 0.18 3-19-3 S 0.31 0.29 3-18-3 S 0.48 0.35 3-17-3 S 0.35 0.25 3-16-3 S 0.29 0.24 3-15-3 S 0.48 0.36 3-14-3 S 0.46 0.43 3-13-3 S 0.36 0.34 3-12-3 S 0.45 0.49 3-11-3 N 0.95 0.99 3-10-3 N 11.1 12.07 3-3-3 Simulação 3D MSE Teste MSE Treinamento Topologia  t = 0.03 (20.000 épocas/4.000 padrões) S 2.98 2.94 3-20-3 N 3.28 4.15 3-19-3 S 7.82 6.02 3-18-3 S 4.94 5.2 3-17-3 S 13.33 5.88 3-16-3 N 5.98 5.78 3-15-3 N 5.56 6.24 3-14-3 N 16.77 12.4 3-13-3 N 23.65 14.12 3-12-3 N 26.85 17.71 3-11-3 N 36.69 38.68 3-10-3 N 89.26 92.33 3-3-3 Simulação 3D MSE Teste MSE Treinamento Topologia  t = 0.06 (20.000 épocas/2.000 padrões)

57. Lorenz - Self Organizing MAP

61. Treinando uma rede (6-24-24-1)

62. Resultados

63. Aluguel

64. Aluguel

65. Venda

66. Venda

68. Rede Neural utilizada

70. Robótica Industrial Cinemática Inversa

71. Classificação

72. Robix

73. Posição do Manipulador => Comandos x y z  1  2  3  4 Camada de Entrada Camada de Saída Camada Oculta