O modelo de redes de Hopfield, ou de memória associativa como é também conhecido, possui topologia de camada única sendo sua principal diferença em relação ao modelo multilayer, discutido anteriormente, com camadas intermediárias ou ocultas.
Sua arquitetura também difere no modo como os neurônios estão organizados: possuindo uma estrutura não linear e recorrente: os neurônios de saída estão ligados aos de entrada, porém com um elemento de atraso no sistema.
Esse atraso, por sua concepção, permite que a Rede de Hopfield possua a característica de armazenar estados anteriores como uma memória que proporciona
sua posterior comparação aos novos elementos que vão sendo introduzidos na entrada de rede.
A seguir serão abordados dois trabalhos que se utilizam do modelo de Hopfield para aplicações distintas: reconhecimento de faces e reconhecimento de padrões em imagens ruidosas.
a) Reconhecimento de Faces
Em contraste com a abordagem utilizada no início do capítulo onde Boaventura et al. (2005) desenvolveram seu estudo baseado em redes multilayer
perceptron com algoritmo backpropagation, o tema de reconhecimento de faces
volta a ser abordado em Gonzaga et al. (2005), porém utilizando neste estudo a Rede de Hopfield.
A pesquisa foi conduzida buscando como objetivo recuperar uma face neutra previamente armazenada através de imagens com expressões faciais diversas.
Os autores valem-se da característica de memória associativa presente no modelo de Hopfield para a resolução do problema proposto.
Na figura 3.2 é possível visualizar a diferença entre os tipos de imagem submetidos a Rede Neural (face neutra e com expressão).
Para a condução da pesquisa os autores dividiram o processo em duas fases distintas: a primeira fase era responsável por tratar as imagens com face neutra, através do redimensionamento (redução) da imagem original e da criação de um vetor coluna de 1024 posições para o armazenamento dos pixels da imagem pela Rede Neural.
A imagem original possuía dimensões de 350x275 e sofreu uma redução substancial para 32x32 pixels utilizando a técnica conhecida como vizinho mais próximo (nearest). Segundo os autores, apesar da redução, as características principais foram mantidas e esse processo foi necessário para limitar o número de neurônios da camada de entrada assim como já havia sido discutido nos trabalhos anteriores deste capítulo.
A segunda fase vale-se das mesmas operações descritas na primeira, porém tratando agora das imagens com expressão e posterior recuperação da face neutra.
A principio, os autores optaram por utilizar apenas um vetor de 1024 colunas e submetê-lo diretamente a Rede de Hopfield. Essa abordagem, segundo eles, se mostrou ineficaz devido a problemas com a gradação de tons de cinza presentes nas imagens. O projeto inicial foi então alterado para desmembrar o vetor inicial de 1024 posições em oito diferentes vetores (8bits)
O treinamento foi realizado com dez diferentes grupos de imagens sendo cada grupo composto por dez imagens: nove com expressões e uma apenas neutra.
Os resultados apresentados foram amplamente satisfatórios, sendo que, para todos os casos, a imagem de face neutra foi recuperada visivelmente, mesmo em casos mais complexos.
Foram ainda conduzidos testes adicionais para suprimir bits menos significativos, reduzindo inicialmente os oito bits a seis, onde foi verificada a manutenção da capacidade de recuperação da imagem inicial pela Rede Neural.
Testes mais agressivos mostraram também que utilizando apenas os três bits mais significativos ainda era possível recuperar a imagem, porém com visível degradação da performance.
b) Reconhecimento de Padrões em imagens ruidosas
A recuperação de imagens distorcidas ou defeituosas devido a erros durante a transmissão em canais de comunicação é um processo trabalhoso que muitas vezes pode implicar retransmissão e atraso nas tarefas que dependam desses dados.
SILVA et al. (2006) propõem um método de recuperação de imagens ruidosas utilizando Redes Neurais Artificiais, justamente para atuar sob esse tipo de situação.
Para solucionar o problema levantado acima, os autores sustentam uma abordagem baseada em Redes de Hopfield, justamente pela característica de memória associativa presente nesse tipo de rede.
A rede foi estruturada com 45 neurônios aplicada diretamente à saída do transmissor de imagens, a fim de ser possível restaurar a imagem original a partir de uma entrada ruidosa ou distorcida.
Em um primeiro momento do experimento, os autores submeteram ao treinamento quatro tipos de imagens originais e variações ruidosas das mesmas para uma recuperação. Uma amostra das imagens pode ser visualizada através da Figura 3.3.
As imagens foram enviadas em grupo e não individualmente a fim de se verificar a eficácia desse tipo de recuperação.
Os resultados mostraram uma recuperação de metade das imagens ruidosas com 100% de precisão, 75% com erro de 4,5% e 25% apresentaram problemas na recuperação.
Em um segundo experimento, ao invés de submetê-las em conjunto para recuperação, as imagens ruidosas foram enviadas individualmente. Nesse caso, o grau de eficiência mostrou-se ótimo com completa recuperação das imagens.
3.4 Considerações
Neste capítulo foram abordados alguns trabalhos de pesquisa que tem o reconhecimento de padrões ou imagens como seu domínio de problemas. Estes trabalhos compõem o estado da arte das pesquisas e compartilham a idéia central do tema desenvolvido por este trabalho de pesquisa.
De acordo com o que foi mostrado nos trabalhos apresentados, existem inúmeras maneiras de enfrentar o problema inicial de reconhecer padrões, porém as Redes Neurais possibilitam uma automatização de problemas onde algoritmos convencionais teriam dificuldade de atuar.
Dentre os diversos tipos de Redes Neurais parece haver uma tendência atual na utilização de dois tipos na área de identificação de padrões: Hopfield e multi- camadas (MLP) utilizando algoritmo Backpropagation.
Ambos parecem ser eficazes ao lidar com problemas dessa natureza; porém, devido a sua estrutura, a Rede de Hopfield parece de acordo com os trabalhos discutidos ao longo deste capítulo ser mais eficiente ao lidar com recuperação de informações enquanto backpropagation pode ser indicado em casos da necessidade de maior grau de generalização.
No próximo capítulo serão desenvolvidos os estudos de ordem prática empregados utilizando os fundamentos abordados no capitulo 2, e embasado em trabalhos vistos ao longo deste capítulo Serão discutidos ainda qual o ambiente escolhido para a verificação dos dados, as variáveis e condições aos quais foram submetidos