RNA Perceptron

A RNA (Rede Neural Artificial) Perceptron é um dos modelos mais simples de rede neural, sendo a base para redes neurais mais complexas. É um classificador linear usado principalmente para problemas de classificação binária. A seguir, descrevemos o funcionamento básico do Perceptron.

Estrutura

Um Perceptron consiste em um único neurônio com múltiplas entradas e uma única saída. Cada entrada possui um peso associado e o neurônio também possui um bias (viés).

Funcionamento

1. Inicialização dos Pesos: Os pesos ($w$) e o bias ($b$) são inicializados com valores pequenos (geralmente aleatórios).

2. Cálculo da Entrada Ponderada: A entrada ponderada é calculada pela soma das multiplicações dos pesos pelas respectivas entradas $(x_i)$, mais o bias:

   $$z = \sum_{i=1}^{n} w_i x_i + b$$

3. Função de Ativação: O valor da entrada ponderada $z$ é passado por uma função de ativação. No caso do Perceptron, a função de ativação é a função degrau (também conhecida como função Heaviside):

   $$\text{saída} = \begin{cases} 1 & \text{se } z \geq 0 \ 0 & \text{se } z < 0 \end{cases}$$

4. Atualização dos Pesos: Os pesos são atualizados com base no erro (diferença entre a saída esperada e a saída obtida). O algoritmo de aprendizado é chamado de "regra do Perceptron" e é definido como:

   $$w_i = w_i + \Delta w_i$$ onde

   $$\Delta w_i = \eta (d - y) x_i$$

   Aqui, $\eta$ é a taxa de aprendizagem, $d$ é a saída desejada, $y$ é a saída calculada e $x_i$ é a entrada correspondente.

Exemplo

Suponha que tenhamos um Perceptron com duas entradas $(x_1)$ e $(x_2)$ e queremos treinar para reconhecer a porta lógica AND. Os dados de treinamento seriam:

$x_1$	$x_2$	saída esperada
0	0	0
0	1	0
1	0	0
1	1	1

Inicializamos os pesos e o bias (ex.: ($w_1$ = 0.1), ($w_2$ = 0.2), ($b$ = 0.1)). Durante o treinamento, ajustamos os pesos até que o Perceptron consiga classificar corretamente todos os exemplos de treinamento.

Código em JavaScript

O código implementa um Perceptron em JavaScript para treinar e testar um modelo de rede neural artificial para reconhecimento de padrões

Execução

Para executar o código, siga os passos abaixo:

1. Requisitos: Certifique-se de ter o Node.js instalado em seu sistema.

2. Comando de Execução: Abra o terminal ou prompt de comando, navegue até o diretório onde o arquivo perceptron.js está localizado e execute o comando:

   node perceptron.js
   

   Isso iniciará a execução do código em um ambiente Node.js.

3. Instruções durante a Execução: O programa irá solicitar que você insira os valores de entrada necessários para treinamento e teste do Perceptron.

4. Resultados: Ao final da execução, o programa exibirá os pesos finais ajustados pelo Perceptron e permitirá testar novos valores de entrada para verificar o desempenho do modelo treinado.

Explicação do Código

O código implementa um Perceptron em JavaScript utilizando a biblioteca readline para capturar entradas do usuário. Aqui estão as funções principais:

• inputEntradas(), inputEntradasAposTreinamento(), inputPesos(), inputTaxaAprendizagem(): Funções assíncronas para capturar diferentes tipos de entradas do usuário.
• fnet(entrada, pesos): Calcula a entrada ponderada $z$ do Perceptron.
• saida(result): Aplica a função de ativação do Perceptron.
• novosPesos(entrada, taxa_aprendizagem, saida, pesos): Atualiza os pesos do Perceptron com base no erro.
• main(): Função principal que coordena o treinamento