Software para Determinação de Arquiteturas de Redes Neurais Artificiais Otimizadas à Modelagens Matemáticas Diversas

Abstract

RESUMOSão demandas crescentes as implementações de tecnologias matemáticas inovadoras, pela indústria de ponta atual, em simulações, modelagens e controle de processos. Neste ínterim, as Redes Neurais Artificiais (RNA) interpelam-se. Emergentes dentre promissoras técnicas de modelagem matemática computacional, a saber -o processamento paralelo e distribuído -possuem a peculiaridade de poderem ser treinadas ou condicionadas a se adaptarem a um conjunto prévio de dados de aprendizagem, generalizando os padrões deles extraídos para o reconhecimento e a classificação de outros dados ainda não vistos, extrapolando sua previsibilidade a eventuais situações extremas de operabilidade e, ainda assim, mantendo sua consistência.Eis que, no contexto deste preâmbulo, propõe-se aqui um software, desenvolvido na plataforma Matlab, visando à solução do problema da determinação de uma arquitetura de RNA otimizada à modelagem de um problema dado. E, como exemplo de um problema de pesquisa para aplicação e análise da viabilidade do software, tomou-se a questão ecológica relativa à predição de riqueza e abundância de macroalgas em ambientes lóticos [1 e 2], por se tratar de um problema com grande número de variáveis de entrada e saídas com comportamento acentuadamente não lineares.No entanto, para que se entenda o papel do software enquanto ferramenta de construção automático de RNAs ótimas, há de se esclarecer que o desempenho de uma RNA é diretamente influenciado pelas configurações de sua arquitetura e, por vezes, uma pequena alteração destas pode acarretar um decréscimo significativo em seu desempenho, o que confere um caráter heurístico ao paradigma de determinação de uma melhor arquitetura candidata à resolução do problema em questão. Exemplificando-se, os parâmetros ou configurações arquitetônicas dentre os mais relevantes são, admitidamente na literatura [3 e 4], o número de camadas de neurônios, o número de neurônios em cada camada e a função ou algoritmo de treinamento. Esta pluralidade de fatores possibilita inúmeras combinações, resultando em um sem número de arquiteturas, sendo que poucas delas apresentam desempenhos viáveis à requerida demanda.Não obstante, o supracitado software alude a uma alternativa útil, por promover sucessivas iterações onde ocorre a variação exaustiva de todos os parâmetros arquitetônicos ditos relevantes dentro de limites convenientemente pré-determinados àquela modelagem, na busca de uma arquitetura resultante com desempenho proeminente. Pormenorizadamente, têm-se as seguintes etapas: 1 -Estrutura de dados principal: O algoritmo solicita ao usuário os dados relativos aos padrões de entrada do problema e seus respectivos dados de saída. O conjunto dos pares entrada-saída é referido aqui como padrões de aprendizagem. Segue-se à delimitação dos intervalos de variação de cada parâmetro arquitetônico, a saber, o número mínimo e máximo de neurônios desejados em cada camada (neste caso duas camadas); a lista de funções de transferência de cada camada para com a seguinte (tansig, logsig e purelin); o...