renato alves ferreira - Universidade Estadual de Feira de Santana

More documents

Recommendations

Info

2.2 REDES NEURAIS Este item apresenta uma breve revisão bibliográfica sobre redes neurais artificiais ou simplesmente RNA. Por ser um assunto amplo, foi imprescindível focar esse estudo apenas nos aspectos que serão utilizados nessa pesquisa. 2.2.1 Conceito de Redes Neurais Segundo Haykin (2001), uma rede neural artificial, ou simplesmente RNA, é um processador maciço distribuído de forma paralela constituído de unidades de processamento simples, que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para uso. As RNA devem ser capazes de realizar três tarefas: a) armazenar conhecimento; b) aplicar o conhecimento armazenado para resolver problemas; c) adquirir novos conhecimentos através de experiência. Uma RNA é um sistema de processamento de informação que possui algumas características de desempenho em comum com as redes neurais biológicas. Os modelos artificiais têm como principal fonte de inspiração as redes neurais biológicas. A Figura 2.15 apresenta um modelo de neurônio biológico com a seqüência de propagação dos sinais pela célula (CASTRO, 1998). Figura 2.15- Célula neural biológica com seqüência de propagação do sinal (CASTRO 1998) De acordo com Braga et al (2000), RNA são sistemas paralelos distribuídos compostos por unidades de processamento simples (neurônios artificiais) que calculam determinadas funções matemáticas (normalmente não lineares). Tais unidades são dispostas em uma ou mais camadas interligadas por um grande número de conexões, geralmente 37
unidirecionais. Na maioria dos modelos essas conexões estão associadas a pesos, os quais armazenam o conhecimento adquirido pelo modelo e servem para ponderar a entrada recebida por cada neurônio da rede. 2.2.2 O Neurônio Artificial Para explicar os princípios básicos de uma unidade de processamento Haykin (2001) utilizou o modelo apresentando na Figura 2.16, que divide o neurônio artificial em três partes: Conjunto de Sinapses, somador e a função de ativação. Esse mesmo modelo pode ser utilizado para descrever a operação de sua unidade de processamento da seguinte forma: Entrada: O estimulo é representando por n terminais de entrada (dêntritos) que recebem os valores x1, x2,..., xn (essas informações de entrada são aquelas que serão apresentadas a rede); Pesos: O comportamento das sinapses é simbolizado pelos pesos wk,1, wk,2,... wk,n, acoplados aos terminais de entrada, cujos valores podem ser positivos ou negativos, dependendo de as sinapses serem inibitórias ou excitatórias; Combinação Linear: Na seqüência os valores de entrada são multiplicados por seus respectivos pesos caracterizando uma combinação linear, também chamada de saída linear uk; Funções de Ativação: Essa saída linear uk deve ser submetida a uma função de ativação φ que serve para limitar os valores de entrada a um determinado intervalo. Saída: A unidade irá processar o valor de entrada, produzindo uma determinada saída que poderá ser enviada para a camada seguinte ou ser o resultado na camada de saída da rede. 38
Page 1 and 2: UNIVERSIDADE ESTADUAL DE FEIRA DE S
Page 3 and 4: RENATO ALVES FERREIRA PREVISÃO DA
Page 5 and 6: RESUMO Considerando a contribuiçã
Page 7 and 8: Lista de Figuras Figura 2. 1 - Amos
Page 9 and 10: Lista de Variáveis A Coeficiente a
Page 11 and 12: Sumário 1 INTRODUÇÃO ___________
Page 13 and 14: 1 INTRODUÇÃO De acordo com a NBR
Page 15 and 16: 1.2.2 Objetivos Específicos a) Est
Page 17 and 18: 2 REVISÃO BIBLIOGRÁFICA 2.1 GEOTE
Page 19 and 20: necessários à cravação dos 30cm
Page 21 and 22: Segundo Alonso (1996) os métodos t
Page 23 and 24: Segundo Velloso & Alonso (2000), o
Page 25 and 26: 2.1.5 Ensaios de Prova de Carga Os
Page 27 and 28: Figura 2. 6 - Sistema de Reação c
Page 29 and 30: Figura 2. 7 - Critério de Ruptura
Page 31 and 32: Figura 2.9 - Carga de Ruptura Conve
Page 33 and 34: De acordo Andraos (2009), pode-se c
Page 35 and 36: Figura 2.13 - Equipamento PDA (DYMI
Page 37: tubo central, com diâmetro variáv
Page 41 and 42: Figura 2.17- Representação das pr
Page 43 and 44: Figura 2.18 - Exemplos de arquitetu
Page 45 and 46: 2.2.6.1 Back-propagation “O algor
Page 47 and 48: d) O erro obtido na camada de saíd
Page 49 and 50: 2.1.7 RNA na Engenharia Geotécnica
Page 51 and 52: 3. METODOLOGIA 3.1 LEVANTAMENTO DOS
Page 53 and 54: definida pela subtração da carga
Page 55 and 56: 3.3 REDES NEURAIS UTILIZADAS Esse t
Page 57 and 58: Tabela 3.3 - Resultado da análise
Page 59 and 60: 0,2827 29 5 5,33 3230 1200 2030 Sca
Page 61 and 62: a) RNA1: predição da capacidade d
Page 63 and 64: LOCAL Tabela 4.3 - Comparação ent
Page 65 and 66: carga total, foi utilizada a “RNA
Page 67 and 68: LOCAL das redes. Em destaque nas ta
Page 69 and 70: LOCAL Tabela 4.8 - Comparação ent
Page 71 and 72: REFERÊNCIAS ALONSO, U. R. (2000).
Page 73 and 74: HEBB, D. O.(1949). The Organization
Page 75 and 76: MAGALHÃES, P. H. L. (2005). Avalia
Page 77 and 78: TECNOSOLO ENGENHARIA E TECNOLOGIA D
Page 79 and 80: 44 40 0,126 17 40,00 11,33 1000 500
Page 81 and 82: 49 60 0,283 35,5 40,00 4,41 4300 90
Page 83 and 84: ANEXO B - RELATÓRIOS DE SONDAGEM A
Page 85 and 86: B.2- ESTACAS PRÉ-MOLDADAS DE CONCR

renato alves ferreira - Universidade Estadual de Feira de Santana

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?