renato alves ferreira - Universidade Estadual de Feira de Santana

Tipo de conexões dos Nodos:
o feedforward, ou acíclica: A saída de um neurônio não pode ser utilizada como
entrada de nodos em camadas de índice menor ou igual a (Figura 2.18 a, b, c);
o feedback ou cíclica: A saída de um neurônio qualquer localizado na camada é
usada como entrada de nodos em camadas de índice menor ou igual a (Figura
2.18 d, e).
Tipo de conectividade:
o rede fracamente (ou parcialmente) conectada (Figura 2.18 b, c, d).
o rede completamente conectada (Figura 2.18 a, e).
2.2.6 Treinamento
Depois de coletar e selecionar os dados, deve-se dividi-los de forma que uma parte
desses seja utilizada para o treinamento da rede, e outra parte para o teste. Haykin (2001) e
Braga et al. (2000) recomendam a divisão de cerca de 70 a 90% para o treinamento e o
restante para a validação.
De acordo Dyminski (2000), o treinamento consiste na apresentação dos exemplos
do conjunto de treinamento ao sistema. A rede processará os parâmetros de entrada relativos a
estes exemplos através da multiplicação dos mesmos pelos pesos sinápticos e da posterior
aplicação destes valores às funções de ativação dos neurônios, fornecendo então as respostas
(saídas da rede) a este estímulo. Estas saídas das RNA deverão ser comparadas com os
valores reais dos parâmetros de saída correspondentes aos exemplos do conjunto de
treinamento, e desta comparação será obtido um valor de erro da fase de treinamento.
Procura-se então ajustar os valores dos pesos sinápticos, através de um algoritmo matemático,
visando a diminuição do erro de treinamento.
Haykin (2001) afirma que existem diversos algoritmos para se treinar RNA, sendo os
mais comumente utilizados o de error back-propagation (retro-propagação do erro) e o de
Levenberg-Marquardt (também abreviado por LM), que é uma variação do algoritmo de retro-
propagação.
43