A expressão redes neurais nasceu no conexionismo, uma das linhas de pesquisa da inteligência artificial (BITTENCOURT, 2006) e tem como base a possibilidade de simular as ações inteligentes que são desenvolvidas pelos neurônios no cérebro humano.
Em síntese, os neurônios se comunicam no cérebro através das sinapses. A sinapse é a região onde dois neurônios entram em contato através dos dendritos e os impulsos nervosos são transmitidos entre eles. Os impulsos recebidos por um neurônio são processados e repassados a outro com auxilio de uma substância neurotransmissora que flui do corpo celular para o axônio, que está conectado a um dendrito de outro neurônio.Isto faz com que as comunicações entre os neurônios aconteçam em frações de segundos no cérebro humano. A Figura 30 apresenta uma ligação de neurônio.
Figura 30 – Cadeia de ligação entre Neurônio do Celebro
Fonte: Site: http://www.passeiweb.com/na_ponta_lingua/sala_de_aula/biologia/imagens/neuronio.jpg
Assim, ao se estudar e analisar as formas de interação entre os neurônios, os cientistas da área de inteligência artificial propuseram o desenvolvimento de uma rede neural artificial.
94 Redes neurais artificiais são modelagens que procuram utilizar de forma similar a estrutura neural do ser humano, ou seja, tem como base tentar imitar a forma de processamento dos neurônios na mente, mas com a utilização de técnicas computacionais e com fórmulas matemáticas para possibilitar as inferências.
Segundo Haykin (1994 apud TODESCO 2004, p. 4) uma rede neural é na verdade um processador distribuído massivamente em paralelo que tem a capacidade de armazenar conhecimentos experimentais e torná-los disponíveis para utilização. Os autores indicam que a rede neural tem similaridade com a mente humana em dois aspectos particulares:
• Conhecimento é adquirido pela rede através do processo de aprendizagem artificialmente elaborado.
• Os pesos das conexões entre neurônios, conhecidos como sinapses, são usados para armazenar o conhecimento de acordo com o programado.
O sistema de processamento das redes neurais não é complicado de ser implementado segundo Todesco (2007, p. 11):
Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede.
Na literatura se pode encontrar a denominação de redes neurais como
neurocomputers, redes conexionistas, processadores distribuídos em paralelo, entre outras
formas (TODESCO, 2004).
De acordo com Kendal e Creen (2007) as redes neurais artificiais (RNAs), ou redes neurais, são ferramentas de software projetadas para estimar relações em dados.
As características das redes neurais se modificaram e ganharam novas propriedades que não eram esperadas nos computados, e segundo Kendal e Creen (2007, p. 36) incluem:
• Aprendizagem adaptativa
• Auto-organização
• Tolerância de erro
• Operações em tempo real
• Processamento de informação paralela
Há alguns modelos de redes neurais, mas o modelo matemático apresentado pelo neurofisiologista, filósofo e poeta americano Warren McCulloch, juntamente com o lógico
Walter Pitts, foi considerado o precursor dos modelos de redes neurais por volta de 1943. O modelo foi baseado no neurônio biológico de funcionamento, e tinha limitações por ter sua concepção em uma representação do tipo “tudo ou nada”. Recebeu a denominação de Modelo McCulloch-Pitts (BITTENCOURT, 2006).
Em 1949, Hebb postulou uma fórmula matemática simples que mudou os pesos dos neurônios, melhorando o modelo McCulloch-Pitts.
Em síntese, se pode explicar da seguinte maneira a utilização da rede neural: Os sinais são apresentados à entrada (X1, X2... Xp), onde cada sinal é multiplicado por um número (W1, W2... Wp) ou pesos sinápticos, que indica a sua influência na saída da unidade. Depois é realizada uma soma ponderada (∑) com a função somatório dos sinais que passam pela função de ativação, produzindo um nível de ativação. Se o nível de ativação exceder o limite estipulado (threshold16) pela função (f(a)), a unidade estipula uma determinada resposta de saída. A Figura 31 apresenta uma ideia de como funciona o processo.
Figura 31 – Modelo de Neurônio de McCulloch-Pitts adaptado
Segundo Bittencourt (2006) em 1957 o primeiro modelo de rede neural foi proposto por Rosenblatt, através do Perceptron. Demonstrou algumas aplicações práticas usando o modelo de neurônio de McCulloch-Pitts com um simples nível de conexão. O Perceptron é capaz de separar linearmente vetores de entrada em classes de padrões através de hiperplanos. Este modelo apresentou algumas evoluções consideráveis, ou seja, Rosenblatt derivou a regra de aprendizado baseado no ajuste do peso na proporção entre os neurônios de saída e as saídas desejadas como é mostrado na Figura 32.
96
Figura 32 – Perceptron de uma camada Simples
Embora as evoluções com o Perceptron tenham representado um passo maior na aplicação das redes neurais artificiais, “ainda muitos problemas não podem ser resolvidos com o Perceptron com uma única camada” (TODESCO, 2004, p. 11).
O aprendizado da rede é um ponto importante, assim se destaca que o aprendizado de uma rede neural depende do seu treinamento. Treinar uma rede neural significa ajustar sua matriz de peso de forma que o vetor de saída coincida com certo valor desejado para cada vetor de entrada.
Segundo Bittencourt (2006), o treinamento pode ser de dois tipos:
• Treinamento Supervisionado: exige a disponibilidade de um conjunto de treinamento formado por pares de vetores de entrada e saída, chamados de pares de treinamentos.
• Treinamento não supervisionado: o conjunto de treinamento consiste somente de vetores de entrada.
Mesmo com ajustes de aprendizagem o Perceptron simples tinha dificuldades de realizar algumas tarefas. A concepção do perceptron multicamadas, apresentado na Figura 33, é uma solução, que segundo Todesco (2004, p. 11) consiste “de uma camada de entradas, uma ou mais camadas intermediárias (escondidas) e uma camada de saída”.
Figura 33 – Perceptron com três camadas Fonte: Todesco (2004, p. 12)
A utilização das redes neurais vem crescendo, principalmente no padrão de reconhecimento de tarefas, tais como a visão e reconhecimento de fala ou na utilização de reconhecimento biométrico (impressões digitais). As redes podem aprender a ler, podem reconhecer os padrões de experiência e podem ser usadas para prever as tendências futuras.