| Summary: | Resumo: Um modelo de rede neural artificial é proposto. A rede neural possui múltiplas camadas. Cada camada da rede neural é formada por uma grade quadrangular de neurônios (em um espaço toroidal). As conexões sinápticas de cada neurônio abrangem três tipos: excitatórias inter-camadas, laterais inibitórias intra-camada e laterais excitatórias intra-camada. A disposição espacial das conexões é do tipo Gaussiana e específica para cada tipo de sinapse. Cada neurônio estabelece um número restrito de conexões. O modelo de arquitetura contribui para eliminar restrições apresentadas por arquiteturas em que entradas e conexões são distribuídas a todos os neurônios de cada camada. O modelo do neurônio apresenta dinâmica interna, proporcionando uma memória da atividade recente e assumindo papel importante na aprendizagem. A aprendizagem ê baseada na seleção pelas conseqüências, conforme princípios de aprendizagem por reforço. Em particular, a de aprendizagem por reforço utilizada é do tipo clássico. Os experimentos definidos para investigação e confirmação das capacidades da rede neural consideram um ambiente simulado, condizente com o modelo de Seleção pelas Conseqüências. Os resultados obtidos em simulações mostram que o modelo é capaz de reproduzir diversos fenômenos comportamentais, que são: aquisição de comportamento respondente, extinção de comportamento respondente, aquisição de comportamento operante, extinção de comportamento operante, capacidade de generalização de estímulos, habilidade no controle da intensidade das respostas, capacidade de controle de múltiplas respostas e fusão de sensores. Experimentos também ilustram o importante papel das conexões laterais inibitórias e das conexões laterais excitatórias na modelagem da formação de grupos neurais em nível operante. Entende-se que a capacidade de aprendizagem alcançada pela rede neural proposta torna-a viável para a concepção de sistemas autônomos inteligentes com potencialidades superiores àqueles divulgados na literatura especializada.
|
|---|
