TrabalhosGratuitos.com - Trabalhos, Monografias, Artigos, Exames, Resumos de livros, Dissertações
Pesquisar

Redes neurais artefactuais

Resenha: Redes neurais artefactuais. Pesquise 860.000+ trabalhos acadêmicos

Por:   •  17/5/2014  •  Resenha  •  322 Palavras (2 Páginas)  •  353 Visualizações

Página 1 de 2

Redes Neurais Artificais estão presentes em muitas aplicações atualmente. Quais são os principais motivos do seu sucesso?

Aprende por meio de exemplos;

Não precisa de um grande conhecimento do problema a ser modelado;

Cada neurônio é uma unidade simples de processamento. Descreva o funcionamento de um neurônio artificial atual?

O funcionamento de um neurônio artificial é da seguinte forma. 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 certo limite a unidade produz uma determinada resposta de saída.

Quando devem ser atualizados os pesos de uma Rede Neural Perceptron? Como é feito?

Cada peso é incrementado quando a saída é menor que a esperada ou quando a saída é maior que a esperada.

E também é a taxa de aprendizagem e o valor do erro j sobre a entrada i: /\wij = nxiej.

Quando deve ser encerrado o algoritmo de treinamento de um Rede Neural Perceptron?

Quando não há mais padrões a aplicar e pesos para atualizar.

Quais são as diferencias entre Redes Neurais Perceptron e Redes Neurais Multi Layer Perceptron?

Redes Neurais Perceptron: Regra de Propagação; Função de Ativação: Limiar; Topologia: Camada Única; Algoritmo de Aprendizado: Supervisionado; Valores de entrada e saída: Binarios;

Rede Neurais Multi Layer Perceptron: Regra de Propagação; Função de ativação: Não linear diferençável em todos os pontos: yi = f(ui); Topologia: Multiplas Camadas; Algoritmo de Aprendizado: Supervisionado; Valores de entrada e saída: Binarios ou Continuos.

Por que em um Rede Multi Layer Perceptron a maneira de calcular os erros das camadas escondidas é diferente da maneira de calcular os erros da cama de saída?

Devido ao processo de aprendizagem, pois usa o algoritmo de retroprogagação (back propagation que tem duas fases: feeforward: as entradas se propagam pela rede até a cama de saída. Feedbak: os erros se propagam da cama de saída até a primeira cada escondida.

...

Baixar como (para membros premium)  txt (2.1 Kb)  
Continuar por mais 1 página »
Disponível apenas no TrabalhosGratuitos.com