Março de 2000

Predição

Problema: Predição de séries temporais que envolvam a construção de modelos a partir de observações em um dado período.

Aplicações: Todos os tipos de predição como por exemplo: previsão na bolsa de valores, previsão de volumes de vendas de produtos, previsão de vazão de água em uma barragem.

Resultados alcançados: Foram feitas inúmeras aplicações usando as redes neurais por combinação de blocos de regressão sigmóide não-linear (NSRBN) desenvolvidas por nós anteriormente. Todas as aplicações desenvolvidas foram nas áreas de recursos híbridos (previsão de vazões semanais, previsão de vazões diárias), na área financeira (taxa de câmbio média mensal entre libra e dólar), na área de consumo e demanda de energia (previsão de demanda máxima mensal), aproximações de funções não lineares, aproximações de polinômios multivariados e realização de funções Booleanas. Os resultados obtidos com NSRBN foram comparados com MLP, Box-Jenkins, Elman e Jordan. O objetivo maior com NSRBN é o aprendizado construtivo capaz de aproximar qualquer função contínua definida sobre um conjunto compacto. NSRBN é responsável pela escolha do modelo de complexidade ótima, ou seja pela definição da arquitetura da rede. O objetivo das redes NSRBN é de reduzir o envolvimento humano no processo, especialmente do usuário final, uma vez que o elemento humano muitas vezes é responsável pela introdução de erros e decisões indesejáveis. Em todos os experimentos realizados foram atingidos os objetivos.

Sistemas Neurais Híbridos

Problema: Elaboração de sistemas que combinam dois ou mais tipos diferentes de sub-sistemas, sendo um deles uma rede neural, para formar um sistema heterogêno com características inteligentes.

Aplicações: Soluções de problemas onde uma única técnica, devido às suas limitações e/ou deficiências, pode não ser capaz de, por si só resolver o problema.

Resultados Alcançados: Estudo de técnicas simbólico-numéricas de aprendizado visando o desenvolvimento de um sistema híbrido de regras e redes neurais probabilísticas. Como consequência deste estudo estamos lidando melhor com a maldição da dimensionalidade e definindo medidas locais de relevância dos atributos. Outra motivação deste trabalho é o estudo de como um particionamento simbólico pode-se mostrar vantajoso como ponto de partida para o aprendizado supervisionado dos parâmetros locais de uma rede neural probabiblística. Desenvolvimento de um sistema híbrido de regras e redes neurais probabilísticas. O sistema esta sendo testado com os problemas bencmarks da base proben 1. Até agora os resultados são bons mais ainda é cedo para conclusões definitivas.
 

Extração de Regras de Redes Neurais
 

Problema: Dada uma RNA treinada e os exemplos utilizados, produza uma descrição simbólica precisa e concisa da rede.

Aplicações: capacidade de explanação, emprego em aplicações críticas, verificação de softwares e de Redes Neurais e melhora da generalização.

Resultados Alcançados: Foram desenvolvidos dois métodos para extração de Regras de Redes Booleanas:

1. Um método vale para redes RAMs com uma única camada. As regras obtidas são em Lógica Proposicional.
2. Um método que vale para qualquer rede Booleana. As regras extraídas geram uma gramática formal.

Foi feito um estudo da importância de extração de Regras para Data Mining. Foi feito um estudo comparativo entre os métodos clássicos e conexionistas de extração de Regras.

Aprendizado em Redes Neurais
 

Problema: Uma rede neural aprende uma função quando a função completamente definida, induzida ou generalizada dos exemplos, se assemelha a função da qual os exemplos foram extraídos.

Aplicações: Embora existam resultados que mostram que algumas classes de funções matemáticas bem definidas podem ser implementadas em RNA, a caracterização do que pode ser aprendido continua um problema em aberto. Logo a importância do estudo de aprendizado de RNA.

Resultados Alcançados: Caracterização de Aprendizado em um tipo de redes sequenciais Booleanas. Desenvolvimento de um método de síntese de Autômatos Probabilísticos em Redes Neurais do tipo pRAM.

Reconhecimentos de Cheiros Através de uma Rede Neural
 

Problema: Construção de um nariz artificial usando RNA.

Aplicações: Reconhecimento de drogas nos aeroportos e aplicações que envolvem segurança no trabalho.

Resultados Alcançados: Desenvolvimento de três protótipos do nariz artificial que já foram testados no reconhecimento de diferentes susbstâncias químicas e de diferentes vinhos apresentando bons resultados.

Computabilidade e Complexidade de Redes Neurais

Problema: Caracterização das funções que podem ser computadas
por um RNA e análise da complexidade do aprendizado da RNA.

Aplicações: Escolher a estrutura correta para resolução de um problema
em tempo polinomial, saber que funções podem ser compuatadas por um arquitetura de RNA e saber a complexidade do tempo de aprendizado das RNAs.

Resultados Alcançados: Caracterização das funções que podem ser computadas
por alguns tipos de RNAs Booleanas e análise da complexidade do aprendizado destas mesmas RNAs.