redes-neurais

Prévia do material em texto

ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 57
REDES NEURAIS 
 
 
Edivaldo Teodoro 
 
 
Resumo 
Neste artigo procuramos descrever os principais tópicos referentes ‘as redes neurais’, desde seu 
surgimento até propostas de implementações em inúmeras aplicações atuais. Iniciando com uma 
introdução sobre o assunto, trazemos ao leitor noções introdutórias sobre como funcionam as redes 
neurais artificiais, no que elas são e que não são similares ao sistema nervoso biológico, e como 
pode ser simulada a plasticidade neuronal (base do aprendizado) em uma rede neural artificial. Para 
tornar mais claras as interessantes aplicações desse novo paradigma, damos um exemplo de uma 
rede neural artificial que é capaz de reconhecer automaticamente a voz, diferenciando as palavras 
"branco" e "preto ". 
 
Palavras -chave: Redes neurais; Plasticidade; Inteligência artificial 
 
 
REDES NEURAIS 
 
Como Funciona o Sistema Nervoso 
 
O sistema nervoso detecta estímulos externos e internos, tanto físicos quanto 
químicos, e desencadeia as respostas musculares e glandulares. Assim, é responsável pela 
integração do organismo com o seu meio ambiente. 
É formado basicamente por células nervosas que se interconectam de forma 
específica e precisa, formando os chamados circuitos neurais. Através desses circuitos, o 
organismo é capaz de produzir respostas estereotipadas que constituem os comportamentos 
fixos e invariantes (por exemplo, os reflexos), ou então, produzir comportamentos variáveis 
em maior ou menor grau. 
Todo ser vivo dotado de um sistema nervoso é capaz de modificar o seu 
comportamento em função de experiências passadas. Essa modificação comportamental é 
chamada de aprendizado e ocorre no sistema nervoso, através da propriedade denominada 
plasticidade cerebral. 
 
 
 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 58
O Neurônio 
A célula nervosa, ou simplesmente, neurônio, é o principal componente do sistema 
nervoso. Considerada sua unidade anatomo-fisiológica, estima-se que no cérebro humano 
existam, aproximadamente, 15 bilhões dessas células, responsáveis por todas as funções do 
sistema. 
Existem diversos tipos de neurônios com diferentes funções, dependendo da sua 
localização e estrutura morfológica mas, em geral, estas se constituem dos mesmos 
componentes básicos: 
 
 
 
 
 
 
• o corpo do neurônio (soma) constituído de núcleo e pericário, que dá suporte 
metabólico a toda célula; 
• o axônio (fibra nervosa) prolongamento único e grande que aparece no soma. É 
responsável pela condução do impulso nervoso para o próximo neurônio, podendo ser 
revestido ou não por mielina (bainha axonial), célula glial especializada; 
• os dendritos que são prolongamentos menores em forma de ramificações 
(arborizações terminais) que emergem do pericário e do final do axônio, sendo, na maioria 
das vezes, responsáveis pela comunicação entre os neurônios através das sinapses. 
Basicamente, cada neurônio possui uma região receptiva e outra efetora em relação a 
condução da sinalização. 
 
A Sinapse 
 
É a estrutura dos neurônios através da qual ocorrem os processos de comunicação 
entre os mesmos, ou seja, onde ocorre a passagem do sinal neural (transmissão sináptica) 
através de processos eletroquímicos específicos, isso graças a certas características 
particulares da sua constituição. 
 
Foto retirada do site: 
http://www.epub.org.br/cm/n05/tecnologia/nervoso.htm 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 59
 
 
 
 
 
 
 
 
 
Em uma sinapse os neurônios não se tocam, permanecendo um espaço entre eles 
denominado fenda sináptica, onde um neurônio pré-sináptico liga-se a um outro 
denominado neurônio pós-sináptico. O sinal nervoso (impulso), que vem através do axônio 
da célula pré-sináptica chega em sua extremidade e provoca na fenda a liberação de 
neurotransmissores depositados em bolsas chamadas de vesículas sinápticas. Este 
elemento químico se liga quimicamente a receptores específicos no neurônio pós-sináptico, 
dando continuidade à propagação do sinal. 
Um neurônio pode receber ou enviar entre 1.000 a 100.000 conexões sinápticas em 
relação a outros neurônios, dependendo de seu tipo e localização no sistema nervoso. O 
número e a qualidade das sinapses em um neurônio pode variar, entre outros fatores, pela 
experiência e aprendizagem, demonstrando a capacidade plástica do SN. 
 
Organização Funcional 
 
Funcionalmente, pode-se afirmar que o SN é composto por neurônios sensoriais, 
motores e de associação. As informações provenientes dos receptores sensoriais aferem ao 
Sistema Nervoso Central (SNC), onde são integradas 
(codificação/comparação/armazenagem/decisão) por neurônios de associação ou 
interneurônios, e enviam uma resposta que eferece a algum orgão efetor (músculo, 
glândula). Kandel sugere que o "movimento voluntário é controlado por complexo circuito 
neural no cérebro interconectando os sistemas sensorial e motor (...), o sistema 
motivacional". As respostas desencadeadas pelo SNC são tão mais complexas quanto mais 
exigentes forem os estímulos ambientais (aferentes). 
Foto retirada do site: 
http://www.epub.org.br/cm/n05/tecnologia/nervoso.htm 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 60
 Para tanto, o cérebro necessita de uma intrincada rede de circuitos neurais, 
conectando suas principais áreas sensoriais e motoras, ou seja, grandes concentrações de 
neurônios capazes de armazenar, interpretar e emitir respostas eficientes a qualquer 
estímulo, tendo também a capacidade de, a todo instante, em decorrência de novas 
informações, provocar modificações e rearranjos em suas conexões sinápticas, 
possibilitando novas aprendizagens. 
 
A Plasticidade Neural 
 
Pesquisas em Neurobiologia têm comprovado que a plasticidade do sistema nervoso 
é uma característica única em relação a todos os outros sistemas orgânicos. Conforme 
deGroot, "a plasticidade neural é a propriedade do sistema nervoso que permite o 
desenvolvimento de alterações estruturais em resposta à experiência, e como adaptação a 
condições mutantes e a estímulos repetidos". 
 
 
Desenho: http://www.epub.org.br/cm/n05/tecnologia/plasticidade.htm 
 
 A figura ilustra a expansão da representação cortical das pontas dos dedos no tecido 
cerebral de um macaco. Conforme a gravura, as pontas dos dedos 2, 3 e 4, que antes da 
estimulação diferencial apresentavam uma determinada área de representação, expandiram 
sua área de córtex depois de 3 meses da estimulação (representada por círculos nas pontas 
dos dedos). 
Este fato é melhor compreendido através do conhecimento morfológico-estrutural 
do neurônio, da natureza das suas conexões sinápticas e da organização das áreas 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 61
associativas cerebrais. Sem dúvida nenhuma a "aprendizagem pode levar a alterações 
estruturais no cérebro" (Kandel). A cada nova experiência do indivíduo, portanto, redes de 
neurônios são rearranjadas, outras tantas sinapses são reforçadas e múltiplas possibilidades 
de respostas ao ambiente tornam-se possíveis. Portanto, "o mapa cortical de um adulto está 
sujeito a constantes modificações com base no uso ou atividade de seus caminhos 
sensoriais periféricos" (Kandel). 
 
REDES NEURAIS ARTIFICIAIS 
 
As redes neurais surgiram por volta dos anos 50, quase ao mesmo tempo em que os 
primeiros computadores que ocupavam prédios inteiros. A idéia era simular as atividades 
neurais humana, definindo componentes lógicos similares aos neurônios naturais. O neuro 
biologista McCulloch e o estatístico Pitts foram os primeiros apropôr o conceito de um 
neurônio como sendo uma unidade de processamento que recebia vários estímulos como 
entrada e gerava um sinal baseado no resulta do somatório destes estímulos. 
O que torna as redes neurais atrativas é principalmente a característica peculiar de 
serem estruturas capazes de aprender comportamentos baseados em um treinamento com 
ou sem um “tutor”. Claro que o computador não vai freqüentar a escola, o que existe são 
algoritmos de aprendizagem que modificam as conexões que interligam os neurônios. Estes 
algoritmos podem ensinar a rede a responder a certos estímulos da mesma maneira. Por 
exemplo, se a letra “a” (devidamente digitalizada) é mostrada à rede de vários tamanhos e 
formas, ela poderá generalizar todas estas entradas e dar uma única resposta para o 
conjunto de “a(s)” apresentado. As redes neurais artificiais representam um novo 
paradigma metodológico no campo da Inteligência Artificial, ou seja, no desenvolvimento 
de sistemas computacionais capazes de imitar tarefas intelectuais complexas, tais como a 
resolução de problemas, o reconhecimento e classificação de padrões, os processos 
indutivos e dedutivos, etc. Ao contrário dos sistemas heurísticos, assim chamados porque 
procuram obter sistemas inteligentes baseados em lógica e em processamento simbólico 
(por exemplo, os sistemas especialistas), as redes neurais artificiais se inspiram em um 
modelo biológico para a inteligência, isto é, na maneira como o cérebro é organizado em 
sua arquitetura elementar, e em como a mesma é capaz de executar tarefas computacionais. 
Da mesma maneira que no cérebro, as redes neurais artificiais são organizadas na forma de 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 62
um número de elementos individuais simples (os neurônios), que se interconectam uns aos 
outros, formando redes capazes de armazenar e transmitir informação provinda do exterior. 
Outra capacidade importante das redes neurais artificiais é a auto-organização, ou seja, 
através de um processo de aprendizado, é possível alterar-se os padrões de interconexão 
entre seus elementos. Por este motivo, as redes neurais artificiais são um tipo de sistema 
conexionista, no qual as propriedades computacionais são resultado dos padrões de 
interconexão da rede. Na indústria, as redes neurais estão sendo muito utilizadas em 
aplicações para controle de processos industriais; elas se adequam ao uso das redes, pois 
lidam com parâmetros que mudam com o passar do tempo. As características das redes vêm 
bem a calhar, porque a cada nova configuração que o processo assume, o software adapta-
se respondendo aos novos estímulos, de maneira que pode controlar o processo e seus 
novos parâmetros. Um modelo baseado em Redes Neurais é chamado um modelo empírico, 
diferentemente de modelos construídos que se utilizam de princípios básicos (equações 
químicas ou físicas). Por isso, as redes neurais necessitam de uma boa quantidade de dados 
para resolver os problemas propostos. 
Pode-se afirmar que as Redes Neurais são o que há de mais avançado em termos de 
representação do conhecimento. Nos defrontamos, na realidade, com um sistema capaz de 
agir de maneira próxima a forma como o humano adquire e representa seu conhecimento. 
Baseado em estudos neurológicos, o desenvolvimento das Redes neuronais procurou 
formalizar um padrão matemático para as reações elétricas dos neurônios humanos. Desta 
forma, podemos estabelecer uma representação computacional para este procedimento. 
A Rede terá tantos ‘nós’ quanto mais precisa for a resposta desejada a um estímulo 
externo. Por restrições óbvias inerentes a todo conhecimento incipiente, as Redes Neurais 
não estão capacitadas para lidar com uma diversidade de temas, como o faz o cérebro 
humano. Atuando sobre um tema específico, a Rede assimila o conhecimento sobre este, 
não através de regras (como um humano na escola) mas através da experimentação (como 
um humano na prática). A rede deve ser treinada sobre o tema, ou seja, lhe serão fornecidos 
dados de entrada e implementadas propagações de forma que a alteração dos pesos ao 
longo da Rede forneça uma saída compatível com a resposta conhecida àquele estímulo 
pré-determinado. Desta forma, balanceamos os pesos até obtermos um padrão de respostas 
aos estímulos, compatível com o que se conhece. Na verdade, o processo de aprendizado é 
bastante empírico. 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 63
O neurônio artificial 
 
O neurônio artificial é uma estrutura lógico-matemática que procura simular a 
forma, o comportamento e as funções de um neurônio biológico. Assim sendo, os dendritos 
foram substituídos por entradas, cujas ligações com o corpo celular artificial são realizadas 
através de elementos chamados de peso (simulando as sinapses). Os estímulos captados 
pelas entradas são processados pela função de soma, e o limiar de disparo do neurônio 
biológico foi substituído pela função de transferência. 
 
Combinando diversos neurônios artificiais podemos formar o que é chamado de 
rede neural artificial. As entradas, simulando uma área de captação de estímulos, podem ser 
conectadas em muitos neurônios, resultando, assim, em uma série de saídas, onde cada 
neurônio representa uma saída. Essas conexões, em comparação com o sistema biológico, 
representam o contato dos dendritos com outros neurônios, formando assim as sinapses. A 
função da conexão em si é tornar o sinal de saída de um neurônio em um sinal de entrada 
de outro, ou ainda, orientar o sinal de saída para o mundo externo (mundo real). As 
diferentes possibilidades de conexões entre as camadas de neurônios podem gerar n 
números de estruturas diferentes. 
 
 
 
 
 
 
 
 
Exemplo de uma Rede Neural Artificial de 2 camadas com 4 entradas e 2 saídas 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 64
 
As variantes de uma rede neural são muitas e, combinando-as, podemos mudar a 
arquitetura conforme a necessidade da aplicação, ou ainda, conforme o gosto do projetista. 
Basicamente, os itens que compõem uma rede neural e, portanto, sujeito a modificações, 
são os seguintes : 
• conexões entre camadas 
• camadas intermediárias 
• quantidade de neurônios 
• função de transferência 
• algoritmo de aprendizado 
 
Auto-Organização 
 
O processo da plasticidade cortical em uma rede neural artificial foi implementado 
em uma rede neural do tipo Kohonen, que foi escolhida por possuir certas similaridades 
funcionais com redes neurais biológicas, como é o caso da auto-organização da rede, 
processo fundamental nos sistemas orgânicos vivos. 
 O esquema básico do modelo de Kohonen constitui uma rede neural de treinamento 
não supervisionado e de apenas duas camadas. Diz-se que esse tipo de rede possui um 
paradigma topológico, uma vez que a rede pode apresentar qualquer formato geométrico 
bidimensional em sua camada de saída, como hexagonal, retangular, triangular e outras. 
 
Depois de escolhida a rede neural e definida a sua arquitetura, segue uma fase 
chamada de treinamento, ou seja, uma fase cuja tarefa é "treinar" a rede neural com uma 
coleção de estímulos (sinais complexos, voz, imagens, etc.) que se deseja que a rede 
reconheça quando em operação. 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 65
 Na fase treinamento, os neurônios da camada de saída competem para serem os 
vencedores a cada nova iteração do conjunto de treinamento. Ou seja, sempre que é 
apresentada, à rede neural, uma entrada qualquer, existe uma competição entre os neurônios 
da camada de saída para representar a entrada apresentada naquele momento. Esse 
aprendizado, nada mais é do que modificações sucessivasnos pesos dos neurônios de forma 
que estes classifiquem as entradas apresentadas. Dizemos que a rede neural "aprendeu" 
quando ela passa a reconhecer todas as entradas apresentadas durante a fase de treinamento. 
 Assim é que se traduz o aprendizado da rede neural, pois, havendo pelo menos um 
neurônio que represente uma determinada informação (um estímulo apresentado na 
entrada), sempre que este estímulo for apresentado a esta rede neural, aquele neurônio que 
foi treinado para representá-lo, automaticamente irá ser disparado, informando assim, qual 
o estímulo que foi apresentado para a rede neural. 
Lembramos ainda que, uma forte característica das redes neurais é a capacidade de 
reconhecer variações dos estímulos treinados. Isto significa, por exemplo, que apresentando 
um estímulo X qualquer, semelhante a um estímulo Y que fez parte do conjunto de 
treinamento, existe uma grande probabilidade de que o estímulo X seja reconhecido como o 
estímulo Y treinado, revelando, assim, a capacidade de generalização da rede neural 
artificial. 
 
Simulando a Plasticidade 
 
A implementação da plasticidade foi realizada, oportunizando a rede neural ampliar 
a quantidade de neurônios vencedores na camada de saída. Dessa forma, diversos neurônios 
do córtex artificial assimilam as informações do conjunto de treinamento, diferentemente 
da rede neural de Kohonen que, originalmente, possui poucos neurônios como vencedores, 
deixando os neurônios restantes da camada de saída como inativos. 
 
 
Expansão do número de neurônios vencedores 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 66
 
Esse aumento dos neurônios vencedores foi realizado mudando alguns parâmetros 
da função de transferência do neurônio artificial, cuja analogia poderia ser feita com a 
mudança do limiar de disparo dos neurônios biológicos. Alterados, os neurônios disparam 
com menos energia acumulada, assimilando informações apresentadas nas entradas da rede 
neural. Isso provoca um aumento razoável de neurônios, representando informações na 
camada de saída. É claro que não significa que todos os neurônios serão vencedores, mas a 
maior oferta de neurônios aptos a vencedor aumenta também a probabilidade da existência 
de vencedores. 
 
Um Exemplo de Aplicação 
 
Para verificação da atuação da plasticidade como fator relevante na elevação da taxa 
de acerto da rede neural, foi projetada uma rede com 20 neurônios dispostos em 5 linhas e 4 
colunas. 
Essa rede, possuindo todos os atributos da rede de Kohonen, mais a implementação 
da plasticidade, foi treinada para reconhecer apenas duas palavras faladas: /branco/ e 
/preto/. Essas palavras foram lidas a 8000 Hz e reduzidas a 100 sinais de entrada mediante 
diversas técnicas de processamento de sinal digital. 
 
 
Espectro do sinal de voz das palavras /branco/ e /preto/. 
 
Configurada para iterar 3000 vezes o conjunto de treinamento de duas palavras, a 
rede apresentou a seguinte plasticidade durante o tempo de treinamento (realizado em um 
computador tipo 486 DX 2 100 MHz com 24 Mbytes de memória ram) : 
 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 67
1 
Iteração no : 650 
vizinhança : 4 
2 
Iteração no : 1200 
Vizinhança : 3 
3 
Iteração no : 1500 
vizinhança : 2 
4 
Iteração n o : 3000 
vizinhança : 0 
 
Neurônios 
 
 
 
Verificando a evolução do quadro acima, os neurônios vencedores mudam 
dinamicamente durante o tempo de treinamento. Nesses quadros, a principal mudança é 
verificada do 3o para o 4o quadro, onde os neurônios [1,0], [1,1] e [1,2], que representavam 
a palavra falada /preto/, passam a representar a palavra falada /branco/. Outro aspecto que 
pode ser notado é a mudança da posição do neurônio vencedor principal, que acontece do 
quadro 1 para o quadro 2. No quadro 1, o principal neurônio vencedor para a palavra 
/branco/ é o neurônio [4,0] (apontado com preenchimento cinza), já no quadro 2, com 550 
iterações a mais que o quadro 1, o ponto ótimo é transferido para o neurônio [3,0]. 
Quando uma entrada é apresentada, apenas um neurônio é apontado como vencedor, 
porém, pronunciando-se a mesma palavra diversas vezes, nem sempre é o mesmo neurônio 
o vencedor. Isto significa que, apesar da palavra pronunciada ser a mesma, ela não traz na 
sua forma de onda a exata semelhança com a onda usada para o treinamento e, dessa forma, 
poderá não tender exatamente para o mesmo neurônio, podendo disparar algum outro 
neurônio da região primária, ou mesmo de uma região secundária. 
Esta mudança de neurônio vencedor, conforme o estímulo recebido, ocorre somente 
quando existe a possibilidade de mudar de neurônio vencedor, ou seja, quando existem 
outros neurônios que representam a mesma informação. Isto é um fato real e constante na 
plasticidade artificial. 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 68
Assim, a figura 10 apresenta todos os neurônios vencedores apontados durante o 
treinamento, sendo que, na parte acinzentada, podemos verificar os neurônios ativados 
durante a fase de testes. Nota-se, na figura 10, que três neurônios, tanto para a palavra 
/preto/ quanto para a palavra /branco/, são os mais sinalizados durante o uso da rede 
treinada, mesmo havendo outros neurônios habilitados para a mesma tarefa. 
 
Principais neurônios ativados 
Na tabela abaixo, podemos verificar que, para a palavra /branco/, os neurônios [0,1] 
e [0,3] são os mais ativados, enquanto que para a palavra /preto/, de longe, o neurônio [2,1] 
é o mais ativado. A diferença de ativação neuronal se deve ao fato de ter havido pequenas 
mudanças de entonação na pronúncia. 
/branco/ /preto/ 
Neurônio 
Vencedor 
Taxa de 
resposta 
 Neurônio 
Vencedor 
Taxa de 
resposta 
0,0 10 % 3,0 15 % 
0,1 35 % 2,1 40 % 
0,3 40 % 4,3 25 % 
Total 85 % Total 80 % 
 Pronunciando a palavra /branco/ com mais ênfase na 1a sílaba /bran/, o neurônio ativado é 
o [0,0], e havendo maior ênfase na 2 a sílaba /co/, o neurônio ativado é o [0,1]. 
 
CONCLUSÃO 
 
Redes Neurais são técnicas computacionais que apresentam um modelo matemático 
inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 69
através de experiência. Uma grande Rede Neural Artificial pode ter centenas ou milhares de 
unidades de processamento, já o cérebro de um mamífero pode ter bilhões de neurônios. O 
estudo das Redes Neurais é um dos ramos da Inteligência Artificial que mais se desenvolve, 
atraindo pessoas de diversas áreas do conhecimento. 
A neuro computação, técnica que emula sistemas nervosos biológicos em 
programas ou circuitos de computador, foi concebida há mais de cinqüenta anos, mas só 
recentemente experimentou ampla utilização prática, graças à intensa pesquisa teórica nesse 
campo e ao enorme desenvolvimento na área dos microprocessadores. 
A grande característica das redes neurais é sua capacidade de aprendizado, ou seja, 
a possibilidade de estabelecer, de forma precisa, relações complexas entre diversas 
variáveis numéricas, sem que seja imposto qualquer modelo pré concebido. É uma 
abordagem revolucionária, que contrasta com a filosofia hoje consagrada para o tratamento 
de dados, a computação programada, que requer algoritmos rigorosamente detalhados para 
processá-los. Ela apresenta diversas vantagens em relação a outras técnicas de 
modelamento e controle, como regressão estatística, sistemas especialistas e, talvez, 
modelos matemáticos. 
Os campos de aplicação para as redes neurais são vastos: análise e processamento 
de sinais, controle de processos, classificação de dados, reconhecimento de padrões, análise 
deimagens, diagnósticos médicos e outros. Na área industrial destacam-se as utilizadas na 
prevenção de desvios de processo e em sistemas híbridos, associados a técnicas de lógica 
difusa e sistemas especialistas, para a detecção de problemas de manutenção. Trata-se 
normalmente de problemas com quantificação matemática difícil, ineficaz ou impossível. 
Apesar de ser uma técnica que já encontrou inúmeras aplicações na vida real, ela 
ainda apresenta alguns aspectos obscuros. A pesquisa sobre elas ainda continua em ritmo 
febril, e é de se esperar num futuro próximo que seu uso se torne ainda mais fácil, mesmo 
para usuários inexperientes. 
 
 
 
 
 
 
ARTIGO 
© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 70
REFERÊNCIAS 
 
ANDRÉ, S. A. e MARCO, A. N. P. Inteligência artificial e redes neurais. 1997. 
Disponível em: <http://sites.uol.com.br/santin/trabalhos/inteligencia.htm>. Acesso em: 
mar. 2003. 
 
VELLASCO, M. M. Redes neurais. Núcleo de Pesquisa em Inteligência Computacional 
Aplicada – PUC Rio. 2001. Disponível em: <http://www.ele.puc- 
rio.br/labs/ica/icahome.html>. Acesso em: mar. 2003. 
 
Sites utilizados: 
www.epub.org.br 
www.geocities.com/capecanaveral/runway/4303/ 
www.ele.ita.br/cnrn 
www.din.uem.br/ia/neurais/ 
www.dca.fee.unicamp.br/~vonzuben/courses/ 
galaxy.einet.net/.../engineering-and-technology/computer-technology/artificial-inteligence/ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Edivaldo Teodoro 
Faculdades Network 
E-mail: ediweb@bol.com.br