O neurônio artificial é um modelo simplificado e simulado do neurônio real e suas características básicas são a adaptação e a representação de conhecimentos baseada em conexões.

Esquema do neurônio biológico.

• Viu-se o cérebro como um sistema computacional.
• Este modelo é uma simplificação do que se sabia então a respeito do neurônio biológico.

• A atividade de um neurônio é um processo tudo ou nada.
• Um certo número fixo (>1) de entradas devem ser excitadas dentro de um período de adição latente para excitar um neurônio.
• Único atraso significativo é o atraso sináptico.
• A atividade de qualquer sinapse inibitória previne absolutamente a excitação do neurônio.
• A estrutura das interconexões não muda com o tempo.

• Tem-se o neurônio com n terminais de entrada x1, x2,... xn (dendritos) e apenas um terminal de saída y (axônio).
• O comportamento das sinapses é emulado através de pesos w1, w2,..., wn acoplados as entradas dos neurônios, cujo valor pode ser excitatório ou inibitório.
• O efeito de uma sinapse i no neurônio pós-sináptico é dado por xiwi.

Modelo de Neurônio Artificial

• As entradas podem ser as saídas de outros neurônios, entradas extrenas, um bias ou qualquer combinação destes elementos.
• Bias (Tendência) é um erro sistemático diferentemente de erro aleatório. Um ou mais componentes do erro sistemático podem contribuir para a tendência. Uma grande diferença sistemática em relação ao valor de referência aceito reflete-se em um grande valor de tendência.

O somatório de todas estas entradas, multiplicadas por suas respectivas forças de conexão sináptica (os pesos), dá origem ao chamado "net" de um neurônio.

wij é um número real que representa a conexão sináptica da entrada j-ésimo neurônio. A conexão sináptica é conhecida como excitatória se wij>0 ou inibitória caso wij<0.

Após a determinação do net, o valor da ativação do neurônio é atualizado através da função de ativação fa e finalmente, o valor de saída do neurônio é produzido através da função de saída fs.

x(t+1) = fa (x(t), net(t))

• Os estados futuros de um neurônio são afetados pelo estado atual do neurônio e pelo valor do net de entrada. Este tipo de neurônio, que possui "memória" é conhecido como neurônio dinâmico.
• Por outro lado, se considerarmos a função como constante, teremos neurônios que não possuem "memória", ou seja, o estado atual é igual aos estados anteriores e portanto o neurônio é considerado como "neurônio estático".

• Essencialmente, qualquer função contínua e monotômica crescente, tal que x E R e y(x) E [-1,1], pode ser utilizada como função de saída na modelagem neural.
• Existem uma série de funções mais comumente utilizadas como funções de saída em neurônios. Estas funções são:
• A Função Linear y(x) = ax
• A Função Sigmoidal ou Logística y(x) = 1 / (1 + e^-kx)
• A Função Tangente Hiperbólica y(x) = tanh(kx) = (1 - e^-kx) / (1 + e^-kx)

[voltar]