renato alves ferreira - Universidade Estadual de Feira de Santana
renato alves ferreira - Universidade Estadual de Feira de Santana
renato alves ferreira - Universidade Estadual de Feira de Santana
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tipo <strong>de</strong> conexões dos Nodos:<br />
o feedforward, ou acíclica: A saída <strong>de</strong> um neurônio não po<strong>de</strong> ser utilizada como<br />
entrada <strong>de</strong> nodos em camadas <strong>de</strong> índice menor ou igual a (Figura 2.18 a, b, c);<br />
o feedback ou cíclica: A saída <strong>de</strong> um neurônio qualquer localizado na camada é<br />
usada como entrada <strong>de</strong> nodos em camadas <strong>de</strong> índice menor ou igual a (Figura<br />
2.18 d, e).<br />
Tipo <strong>de</strong> conectivida<strong>de</strong>:<br />
o re<strong>de</strong> fracamente (ou parcialmente) conectada (Figura 2.18 b, c, d).<br />
o re<strong>de</strong> completamente conectada (Figura 2.18 a, e).<br />
2.2.6 Treinamento<br />
Depois <strong>de</strong> coletar e selecionar os dados, <strong>de</strong>ve-se dividi-los <strong>de</strong> forma que uma parte<br />
<strong>de</strong>sses seja utilizada para o treinamento da re<strong>de</strong>, e outra parte para o teste. Haykin (2001) e<br />
Braga et al. (2000) recomendam a divisão <strong>de</strong> cerca <strong>de</strong> 70 a 90% para o treinamento e o<br />
restante para a validação.<br />
De acordo Dyminski (2000), o treinamento consiste na apresentação dos exemplos<br />
do conjunto <strong>de</strong> treinamento ao sistema. A re<strong>de</strong> processará os parâmetros <strong>de</strong> entrada relativos a<br />
estes exemplos através da multiplicação dos mesmos pelos pesos sinápticos e da posterior<br />
aplicação <strong>de</strong>stes valores às funções <strong>de</strong> ativação dos neurônios, fornecendo então as respostas<br />
(saídas da re<strong>de</strong>) a este estímulo. Estas saídas das RNA <strong>de</strong>verão ser comparadas com os<br />
valores reais dos parâmetros <strong>de</strong> saída correspon<strong>de</strong>ntes aos exemplos do conjunto <strong>de</strong><br />
treinamento, e <strong>de</strong>sta comparação será obtido um valor <strong>de</strong> erro da fase <strong>de</strong> treinamento.<br />
Procura-se então ajustar os valores dos pesos sinápticos, através <strong>de</strong> um algoritmo matemático,<br />
visando a diminuição do erro <strong>de</strong> treinamento.<br />
Haykin (2001) afirma que existem diversos algoritmos para se treinar RNA, sendo os<br />
mais comumente utilizados o <strong>de</strong> error back-propagation (retro-propagação do erro) e o <strong>de</strong><br />
Levenberg-Marquardt (também abreviado por LM), que é uma variação do algoritmo <strong>de</strong> retro-<br />
propagação.<br />
43