Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

REDES NEURAIS ARTIFICIAIS

No description
by

André Carvalho

on 30 June 2014

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of REDES NEURAIS ARTIFICIAIS

REDES NEURAIS ARTIFICIAIS
Motivação
Neurônio
Neurônio Artificial
Funções de Ativação
Função Degrau
g(u)= 1 para u>0
g(u)= 0 para u<0
Função Logística
g(u) = 1
_______
-Bu
1 + e
e = nº de Euler = 2,7182
B = cte de inclinação = 1
Combinação de Neurônios Artificiais
Combinação de Neurônios Artificiais
Em sistemas mais elaborados, uma rede neural consegue aprender qualquer função que uma pessoa possa saber e não há limites para a quantidade de informação que ela possa processar.

Aprendizado das Redes Neurais
RNA
IA: Conexionista
Perceptron
Computador e Percepetron
Aplicações
- Controle de processos industriais;
- Aplicações climáticas;
- Identificação de fraude de cartão de crédito;
- Prognóstico de mercados financeiros;
- Diagnóstico médico;

- Análise e processamento de sinais;
- Controle de processos;
- Robótica;
- Estimativa de evapotranspiração;
- Análise de imagens;
- Análise de voz.
DEFINIÇÃO
ARTIGO
MAPEAMENTO DIGITAL DE SOLOS POR REDES NEURAIS ARTIFICIAIS COM BASE NA RELAÇÃO SOLO-PAISAGEM
Obter um mapa digital de solos (MDS) com uso de redes neurais artificiais (RNA), utilizando correlações entre unidades de mapeamento (U.M.) e covariáveis ambientais. A área utilizada localiza-se no município de Barra Bonita, SP. Utilizou-se um simulador de Redes Neurais (
JavaNNS
) e um algoritmo de aprendizado (
backpropagation
).
OBJETIVO
Veio através da ideia de que a inteligência humana é fruto de como nosso cérebro é organizado. Esse grupo desenvolveu, na década de 1940 e 1950, a teoria das Redes Neurais.
Apenas no final dos anos 80 é que os pesquisadores voltaram a se interessar pelo assunto.
Primeira publicação relacionada à neurocomputação é de 1943.

Importante técnica empregada para obter mapas de solos digitais é a abordagem por RNA. Essas redes apresentam processamento semelhante aos neurônios do cérebro humano, permitindo relações matemáticas entre covariáveis ambientais e classes de solos.
Covariáveis ambientais: MDE (resolução de 20 m)
- Elevação;
- Declividade;
- Perfil de Curvatura;
- Plano de Curvatura;
- Índice de Convergência;
- Estratos Geológicos;
- Superfície Geomórfica.
Criação de arquivos raster de cada covariável com resolução de 20 m
Extração das informações dos pixels e geração de uma planilha de dados
"Fuzzy k-médias"
Consiste em dividir determinado conjunto de dados em vários grupos (
clusters
), com base em características/atributos das entidades do conjunto (
pixels
)
Geração de um mapa registrando o cluster classificado em cada pixel
Análise do mapa e escolha de 5 áreas de referencia capazes de representar a diversidade de clusters
Realização de mapeamento convencional nas áreas escolhidas
28 pontos de observação nas profundidades de 0-20 e 80-100 cm. Foram realizadas:
- Análise Granulométrica;
- Análises Químicas;
- Cálculos de Somas de base (SB), Capacidade de Troca de Cátion (CTC), Saturação por Bases (V%) e Saturação por Alumínio (m%).
Elaboração de arquivos contendo dados para o treinamento de cada arquitetura de RN
Extração das informações dos pixels de cada U.M.
Conversão dos arquivos e inserção no JavaNNS.
O
software

Java Simulator Neural Network
(JavaNNS) é baseado no
Stuttgart Neural Network Simulator 4.2 Kernel
.
Conjuntos de entrada das redes neurais aplicados:
Alteração no número de neurônios na camada interna a cada treinamento
Avaliação de 64 arquiteturas de RN e aplicação do backpropagation no treinamento
Avaliação de acordo com o número de neurônios na camada de entrada relacionando com cada conjunto testado e pelo número na camada interna (1 a 15).
Utilização das informações das covariáveis ambientais obtidas nas áreas de referência.
O arquivo de treinamento permite que o algoritmo estabeleça relação entre as covariáveis ambientais (entrada) utilizadas na rede e as U.M. (saída). Já o arquivo de validação testa essa relação por meios estatísticos.
Origina um arquivo de treinamento e validação para cada conjunto de covariáveis testado.
Todas as Covariáveis (TC)
Todas exceto Declividade (TC-D)
Todas exceto Elevação (TC-E)
Todas exceto Geologia (TC-G)
Todas exceto Índice de Convergência (TC-IC)
Todas exceto Perfil de Curvatura (TC-PfC)
Todas exceto Plano de Curvatura (TC-PnC)
Todas exceto Superfície Geomórfica (TC-SG)
Avaliado o comportamento do Erro Quadrático Médio (EQM) como critério para continuação ou término dos treinamentos.
O EQM mede a diferença entre os valores estimados e os desejados para o treinamento.
Com base nos resultados, realizou-se a escolha da RN com melhor desempenho para uso no MDS
Processado no JavaNNS o arquivo referente a RN e a imagem em raster
Realizado o treinamento da RN escolhida com as informações referentes à área mapeada
Obtenção do mapa final
Foi adicionando a cada pixel o valor correspondente à U.M. que apresentou a maior porcentagem entre todas as envolvidas.
Imagem importada para o Erdas Imagine 9.2.
Validação do MDS
Verificação
Inserção das informações em banco de dados e verificação do tipo "verdadeiro-falso" entre cada ponto classificado e sua localização no MDS.
Para a visualização e ajuste de projeção cartográfica.
Coleta de 22 pontos de referência georreferenciados, nas profundidades de 0-20 e 80-100 cm, totalizando 44 amostras, distribuídas aleatoriamente sobre a área.
Resultado: cada pixel é classificado com valores de similaridade para cada U.M.
Com isso, gerou-se um arquivo de imagem final com a classificação de cada pixel, de acordo com as relações entre as U.M. e as covariáveis ambientais estabelecidas pela rede.
PROCESSO DE CRIAÇÃO
Identificaram-se nove U.M. nas cinco áreas de referência:
RESULTADOS
Argissolo Vermelho eutrófico textura média/muito argilosa (PVe3/1)
Argissolo Vermelho eutrófico textura média (PVe3/3)
Cambissolo Háplico Tb eutrófico textura muito argilosa (CXbe1)
Cambissolo Háplico Ta eutrófico textura argilosa (CXve2)
Latossolo Vermelho distrófico textura média (LVd3)
Latossolo Vermelho eutrófico textura média (LVe3)
Latossolo Vermelho eutrófico textura argilosa (LVe2)
Latossolo Vermelho eutroférrico textura muito argilosa (LVef1)
Nitossolo Vermelho eutroférrico textura muito argilosa (NVef1)
De acordo com a posição no relevo e o material de origem subjacente, notou-se tendência de ocorrência de determinadas classes de solos nas áreas mapeadas.
De maneira geral, as áreas mapeadas apresentaram comportamento similar na ocorrência de classes de solos e de suas propriedades químicas e granulométricas, no sentido da superfície geomórfica mais antiga para a mais rejuvenescida.
RESULTADOS
As covariáveis "índice de convergência" e "plano de curvatura" tiveram menor importância na distinção entre as classes de solos para os dados em questão.
Os piores desempenhos encontrados ocorreram quando as covariáveis declividade e elevação foram excluídas do conjunto de entrada pois apresentaram comportamento mais distinto entre as classes de solos.
A RN teve dificuldade em distinguir unidades que apresentaram pequenas divergências em atributos relacionados com a classificação de um solo.
Do total de pontos avaliados na classificação digital pelo uso das redes neurais, foram inferidas corretamente 16 amostras (72,7 %). Das seis amostras discordantes, três foram devidas a textura do solo, sendo idênticas as classificações até o nível de subordem.
Os possíveis motivos das causas das divergências na validação pontual do mapa digital de solos são:
- A variação dos solos pode ter ocorrido sem relação com as covariáveis ambientais.
- As informações geológicas podem não ter representado adequadamente a geologia da área.
- A dificuldade no processo de aprendizado das redes neurais.
CONCLUSÕES
O padrão de distribuição dos solos nas áreas de referência, mapeadas de forma convencional, foi observado nos 12.000 ha estudados,quando se analisou a distribuição dos solos no mapa digital.
Os atributos do terreno declividade e elevação foram as covariáveis ambientais que mais se destacaram na distinção e predição das classes de solos pelas redes neurais.
O comportamento semelhante das covariáveis ambientais para os Latossolos e Argissolos, na região estudada, dificultou a separação dessas classes pela abordagem empregada. A mesma dificuldade foi constatada no campo, já que esses solos ocorreram em condições de relevo similares.
A extrapolação do conhecimento adquirido pela abordagem por redes neurais, a partir de áreas de referência, para áreas adjacentes, gerou resultados coerentes com a realidade de campo. Com isso, unidades de mapeamento foram obtidas em locais não visitados, servindo como dados preliminares para atividades que demandam esse tipo de informação.
REFERÊNCIAS
Redes Neurais Artificiais para engenharia e ciências aplicadas – Ivan Nunes da Silva/ Danilo Hernane Spatti/ Rogério Andrade Flauzino
www.cerebromente.org.br/n05/tecnologia/rna.htm
www.tecmundo.com.br/programacao/2754-o-que-sao-redes-neurais-.htm
Arruda, Gustavo Pais de, Demattê, José Alexandre M., & Chagas, César da Silva. (2013).
Mapeamento digital de solos por redes neurais artificiais com base na relação solo-paisagem
. Revista Brasileira de Ciência do Solo, 37(2), 327-338. Retrieved June 23, 2014
Full transcript