AplicaçÕes práticas de redes neurais artificiais



Baixar 80.01 Kb.
Encontro07.08.2016
Tamanho80.01 Kb.

APLICAÇÕES PRÁTICAS DE REDES NEURAIS ARTIFICIAIS


Marina Hirota Magalhães (981766), Ricardo Menezes Salgado (014976)
Faculdade de Engenharia Elétrica e de Computação

Universidade Estadual de Campinas

Caixa Postal 6101, 13083-970 Campinas, SP, (19) 3788-3853.

E-mails: marinah@dca.fee.unicamp.br, ricardo@densis.fee.unicamp.br
Resumo: As Redes neurais artificiais (RNAs) são sistemas de inteligência artificial que mimetizam o processo de resolução de problemas do cérebro humano, isto é formam e aplicam o conhecimento adquirido de experiências passadas para novos problemas ou situações. Com este principio de funcionamento as RNAs possuem aplicações em diversas áreas da ciência e tecnologia: análise e processamento de sinais; controle de processos; robótica; classificação de dados; reconhecimento de padrões em linhas de montagem ; filtros contra ruídos eletrônicos; análise de imagens; análise de voz; avaliação de crédito; análise de aroma e odor; diagnóstico de doenças em pacientes. Neste trabalho busca-se enfatizar e comentar alguns projetos que utilizaram as RNAs aplicadas aos problemas acima.

Introdução


As RNAs surgiram como uma tentativa de simulação matemática do sistema nervoso humano (Sarle, 1994). Uma rede neural é uma representação matemática de neurônios dispostos de forma a permitir a análise de sinais de entrada específicos.

Uma RNA é formada por uma camada de neurônios de entrada, outra de saída e uma ou mais camadas intermediárias ou ocultas (figura 1). Essa rede de conexões visa a transmitir informações entre os neurônios de forma unidirecional afirmam (Tafner et al., 1996) e (Hishberg & Adar, 1997).





Figura 1
Elas podem ser entendidas como um processador paralelamente distribuído constituído de unidades de processamento simples, correspondendo aos neurônios, que têm a capacidade de armazenar conhecimento experimental e torná-lo disponível para uso (Haykin, 2001; Pilon & Tandberg, 1997).

Redes Neurais Artificiais (RNAs) são ferramentas com a notável capacidade de generalizar, aproximar funções, reconhecer padrões e também classificar robustamente conjuntos de dados imprecisos. Tais características resultam em soluções para uma variedade de problemas de classificação como reconhecimento de sinais, de caracteres ou de voz. Ao mesmo tempo, é uma poderosa ferramenta de previsão e modelagem de sistemas físicos complexos e controle de processos.

Numa forma mais geral a RNA é uma máquina projetada para modelar a maneira como o cérebro realiza uma tarefa particular. A rede é normalmente implementada utilizando-se componentes eletrônicos ou fazendo simulações através de programação em um computador digital.

Basicamente a RNA pode ser definida da seguinte maneira:



Uma RNA é um processador maciçamente paralelamente distribuído constituído de unidades de processamento simples, que tem a propensão natural para armazenar conhecimento experimental e torná-lo disponível para o uso. Sua semelhança com o cérebro humano é evidenciada em dois aspectos:

  1. O conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem

  2. Forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido.

O trabalho está disposto em seções e subseções sobre uma determinada aplicação. Vale ressaltar que, considerando a amplitude do tema, selecionou-se os estudos que pudessem fornecer ao leitor apenas um primeiro passo para um determinado assunto.

RNAs e Reconhecimento de Padrões


Atualmente, as RNAs têm sido largamente utilizadas na tarefa de reconhecer padrões presentes em conjuntos de dados. O objetivo desse processo é apresentar à rede um conjunto de dados conhecidos de modo que, através de um processo de aprendizado, ela determine subconjuntos de dados com características semelhantes (padrões), e seja capaz de reconhecer tais características em um novo elemento qualquer, que a ela seja apresentado, de acordo com um dos padrões previamente fixados.

Uma referência clássica sobre o assunto é (Bishop, 1995). Diversas técnicas e aplicações podem ser encontradas e analisadas. Para complementar a leitura básica, pode-se citar (Ripley & Hjort, 1995).

Segue abaixo algumas das muitas aplicações possíveis de reconhecimento de padrões.

RNAs e Reconhecimento de Voz


A partir daí, muitos podem ser os padrões assumidos, dependendo da aplicação. Um exemplo de padrão estudado é a voz e referências sobre o assunto podem ser encontradas em (Waibel & Lee, 1990). Neste livro, uma coletânea de artigos foi agrupada e disposta com várias aplicações do assunto. Além disso, uma revisão foi apresentada em (Lippmann, 1989). Apesar de antiga, tal revisão contém referências básicas e gerais sobre o assunto em questão.

Uma das metodologias clássicas utilizadas no tratamento de problemas de reconhecimento de voz são os modelos de Markov. Assim, algumas referências (Bourlard, 1991) (Morgan & Bourlard, 1990) (Renals et al, 1992) mostram a melhora dessa ferramenta estatística através da aplicação de RNAs, ou ainda, uma melhor performance das redes sobre os métodos estatísticos clássicos.

Além disso, redes neurais multicamadas (Morgan & Bourland, 1990) (Robinson & Fallside, 1991) (Waibel et al, 1989) e redes neurais de função de base radial (Renals, 1989) já foram testadas para o reconhecimento de voz.

RNAs e Reconhecimento de Caracteres


Em (Guyon, 1991) encontram-se informações gerais sobre aplicações de RNAs para o reconhecimento de caracteres.

Demais referências (Jackel et al, 1990) (Simard et al, 1992) (LeCun et al, 1990) oferecem tentativas de melhora em problemas como reconhecimento de caracteres de dígitos manuscritos, de caracteres óticos e outros.


RNAs e Reconhecimento de Face e Outros


Muitas informações sobre reconhecimento de face, tais como demos, databases, links correlatos e outros, podem ser encontradas na rede no endereço: http://www.cs.rug.nl/~peterkr/FACE/face.html. Além disso, estudos sobre o assunto incluem (Jiang) (Lawrence et al, 1997).

Muitas outras aplicações poderiam ser citadas, uma vez que reconhecer padrões auxilia bancos, empresas de cartões de crédito, departamentos policiais (http://lancair.emsl.pnl.gov:2080/proj/neuron/papaers/kangas.spie99.abs.html) e outros a encontrar quais elementos de um dado banco de dados se encaixam nas características descritivas requeridas.


RNAs e Engenharia Química


Atualmente, há diversas aplicações de RNAs relacionadas com a engenharia química. Entretanto, assim como nas demais aplicações, as RNAs são aplicadas na tentativa de aprimorar soluções de problemas complexos ou ainda solucionar problemas em que a metodologia clássica não obteve respostas analisáveis. Em (Zupan & Gasteiger, 1991), esse debate é exposto e discutido.

Além disso, há ainda referências gerais sobre o assunto (Gasteiger & Zupan, 1991) (Chitra, 1992) (Tusar et al, 1992) (Bulsari, 1995), que oferecem uma visão das RNAs aplicadas à engenharia química.

Alguns institutos de pesquisa, como o Pacific Northwest National Laboratory, fornecem informações sobre projetos desenvolvidos na área de engenharia química pela rede no endereço:

http://www.emsl.pnl.gov:2080/proj/neuron/neural/bib/chemistry.html.

Ademais, no endereço:



http://www2.ccc.uni-erlangen.de/publications/publ_topics/publ_topics-12.html e, o Prof. Dr. Gasteiger disponibiliza informações gerais, além de suas pesquisas na mesma área.

RNAs e Espectroscopia


O assunto em questão inclui sub-áreas, dentre elas a Espectroscopia Infravermelha (Infrared, IR) e a espectrometria de massa. Informações gerais sobre a primeira foram disponibilizadas na rede no endereço: http://gepasi.dbs.aber.ac.uk/roy/ftir/ftirhome.htm, por Roy Goodacre. Além dessas informações, algumas referências são (Goodacre et al, 1996) (Selzer et al, 2000).

Sobre a segunda, descrições básicas, metodologias e afins são mostrados no endereço: http://gepasi.dbs.aber.ac.uk/roy/pymshome.htm. Aplicações são apresentadas em (Gasteiger et al, 1993) (Goodacre et al, 1995).

Outras sub-áreas são a espectroscopia de ressonância magnética nuclear (Carrara et al, 1993) e a espectroscopia nuclear (Kangas et al, 1994).

RNAs e Modelagem Molecular


A modelagem molecular de estruturas químicas utiliza, geralmente, as redes de Kohonen, pois apresentam um caráter auto-organizável em seu processo. Algumas aplicações com essa característica podem ser encontradas em (Gasteiger et al, 1994) (Anzali et al, 1996b).

Por outro lado, há aplicações que exploram o caráter generalizável das redes neurais e podem ser encontradas em (Anzali et al, 1996a) (Polanski & Gasteiger, 1999).

O desenvolvimento de drogas através da auto-organização (redes de Kohonen) também representa uma forma de modelar estruturas químicas. Alguns trabalhos desenvolvidos nessa área estão contidos em (Kubiny et al, 1998) (Zupan & Gasteiger, 1999) (Greaves & Gasteiger, 2001).

RNAs e Previsão em Engenharia Química


Com em qualquer área, a previsão é empregada em larga escala. No caso da engenharia química, as RNAs são aplicadas na previsão de diversas atividades químicas.

As mais estudadas incluem previsão de reatividade química (Simon et al, 1993), de degradação de produtos (Kostka et al, 1997), de estrutura molecular (Hemmer & Gasteiger, 2000), de reações diversas (Sousa & Gasteiger, 2001) (Kostka et al, 2001) (Sousa et al, 2002) e previsão em aplicações de cromatografia (Sousa & Gasteiger, 2002).


RNAs e Controle de Processos


RNAs têm sido utilizadas com sucesso em muitas aplicações de controle de processos químicos como controladores adaptativos, uma vez que esta pode monitorar e controlar processos químicos complexos com a supervisão de um operador humano.

Assim, uma RNA pode ser utilizada para monitorar o processo, tomar decisões sobre a operação do sistema e ajustar controles apropriados para manter o processo operando com uma eficiência ótima. Além disso, tem a vantagem de poder ser atualizada com novas informações através de uma aprendizagem dinâmica.

Um review de trabalhos nessa área é apresentado em (Hussain, 1999). Alguns exemplos de aplicações em diagnósticos de falta e temperatura podem ser encontrados, respectivamente, em (Hoskins & Himmelblau, 1991) (Unger et al, 1990) e (Khalid & Omatu, 1992).

RNAs, Economia e Finanças


A utilização das RNAs nesta área vem recebendo bastante atenção nos últimos anos pelo fato de que serem capazes de melhorar a performance dos métodos estatísticos de regressão clássicos (Moody, 1995). Isso porque, como as atividades econômicas e/ou financeiras apresentam muitas variações, i.e., não linearidades, a modelagem através de uma ferramenta, com características de aproximadores universais não-lineares, torna-se atrativa.

Recentemente partiu-se para a utilização de redes neurais na avaliação de riscos de insolvência a partir dos indicadores financeiros, ainda no segmento não-financeiro das economias (Altman, E.I., Março, G. and F. Varetto [1994], Van Bussel, J. and Veelenturf, LEO P.J. [1997], Odom, M.D. and R. Sharda [1990], Wilson, R.L. and R. SHARDA [1994]).

No segmento financeiro também foram conduzidos alguns trabalhos envolvendo a técnica de redes neurais (K.Y. Tam and M. Kiang [1990], K.Y. TAM and M. Kiang [1992], Bell, T., Ribar, G. and Vercchio, J. [1990], De Almeida, F.C. e SIQUEIRA, J. [1997], Monteiro, A. e Pereira, C.E. [1997]).

Em quase todos estes trabalhos envolvendo redes neurais na previsão de falências de instituições, quer seja no segmento financeiro ou não, tem-se utilizado uma rede tipo feedforward supervisionada de múltiplas camadas com o tradicional algoritmo de aprendizado Backpropagation, tendo como entradas da rede os diferentes indicadores financeiros considerados mais significativos por cada autor e, como saída da rede, um neurônio indicando uma das duas possibilidades: falência ou não falência. Em todos os trabalhos onde se faz uma comparação com algum modelo estatístico (normalmente com um modelo de análise discriminante ou de regressão 25 linear) o desempenho da rede ficou melhor ou no pior dos casos igual ao do método estatístico empregado para comparação (Altman, E.I., Março, G. and F. Varetto [1994], Van Bussel, J. and Veelenturf, LEO P.J. [1997], Wilson, R.L. and R. SHARDA [1994]). Não obstante, alguns pontos negativos tem sido reportados (Altman, E.I., Março, G. and F. Varetto [1994]), como o problema do comportamento ilógico da rede em alguns casos e o problema de “overfitting”.

Na ótica administrativa as redes neurais estão propondo soluções interessantes e provocando um grande impacto no setor empresarial (De Almeida, F.C. [1995], De Almeida, F.C., Dumontier, P. [1996]).

Dividiu-se o assunto em duas sub-áreas que serão apresentadas a seguir.


RNAs e Previsão em Finanças


Uma referência introdutória em previsão financeira é (Azoff, 1994). Conjuntamente, um conjunto de trabalhos, que descrevem desde previsões de falência até previsões de performance de preços, é encontrado em (Trippi & Turban, 1993). Ainda, em (Refenes, 1995), uma descrição de estratégias e técnicas de previsão do autor bem como artigos sobre assunto são apresentados.

Na rede, uma referência introdutória também pode ser explorada no endereço: http://www.geocities.com/francorbusetti.


Previsão de Falência


Uma visão geral do problema pode ser analisada em (Zhang et al, 1999). Os autores apresentam uma revisão bibliográfica do assunto bem como descrições das características das redes aplicadas a estes. Além disso, um modelo inicial pode ser analisado em (Odom & Sharda, 1990), bem como um modelo mais especializado descrito em (Lee et al, 1996).

Recentemente partiu-se para a utilização de redes neurais na avaliação de riscos de insolvência a partir dos indicadores financeiros, ainda no segmento não-financeiro das economias (Altman et al., 1994) (Van Bussel et al., 1997) (Odom & Sharda, 1990) (Wilson & Sharda, 1994).

No segmento financeiro também foram conduzidos alguns trabalhos envolvendo a técnica de redes neurais (Tam & Kiang, 1990) (Tam & Kiang, 1992) (Bell et al., 1990) (de Almeida & Siqueira, 1997) (Monteiro & Pereira, 1997).

Em quase todos estes trabalhos envolvendo redes neurais na previsão de falências de instituições, quer seja no segmento financeiro ou não, tem-se utilizado uma rede tipo feedforward supervisionada de múltiplas camadas com o tradicional algoritmo de aprendizado Backpropagation, tendo como entradas da rede os diferentes indicadores financeiros considerados mais significativos por cada autor e, como saída da rede, um neurônio indicando uma das duas possibilidades: falência ou não falência. Em todos os trabalhos onde se faz uma comparação com algum modelo estatístico (normalmente com um modelo de análise discriminante ou de regressão 25 linear) o desempenho da rede ficou melhor ou no pior dos casos igual ao do método estatístico empregado para comparação (Altman et al., 1994) (Van Bussel et al., 1997) (Wilson & Sharda, 1994). Não obstante, alguns pontos negativos têm sido reportados (Altman et al., 1994), como o problema do comportamento ilógico da rede em alguns casos e o problema de “overfitting”.

Na ótica administrativa as redes neurais, estão propondo soluções interessantes e provocando um grande impacto no setor empresarial (de Almeida, 1995) (de Almeida & Dumontier, 1996).

RNAs e Bond Rating


Como já descrito anteriormente, as RNAs estão sendo estudadas para esse tipo de problemas com o objetivo de melhorar a performance dos métodos estatísticos clássicos, especialmente, quando as hipóteses assumidas nestes não estão válidas. (Dutta & Shekkar, 1988) apresenta uma breve introdução de previsão de falência além de oferecerem referências clássicas no assunto.

A partir disso, estudos sobre a melhor arquitetura de rede para tais previsões foi estudada e apresentada em (Utans & Moody, 1991) (Moody & Utans, 1994). Além disso, melhorias na performance da metodologia clássica, através das RNAs foram estudadas (Singleton & Surkan, 1990).


RNAs e Negócios


Assim como nas demais áreas previamente descritas, as RNAs vêm alcançando sucesso, o que não é diferente em sua aplicação em negócios (bussiness). Inicialmente, um review, de 1994-1998, da área pode ser encontrado em (Wong et al, 2000). Neste trabalho, houve a divisão do assunto em algumas sub-áreas e há uma avaliação do desenvolvimento das redes para cada uma, incluindo paradigmas de aprendizagem e outros. Além deste, outro trabalho descreve técnicas e aplicações de negócios para pesquisadores operacionais (Smith & Gupta, 2000).

Duas aplicações para essa ferramenta em negócios são apresentadas em (Kappert & Omta, 1997) (Walczak, 2001). A primeira trata de técnicas de modelagem para a indústria de telecomunicações, enquanto a outra utiliza as redes neurais como ferramentas para a validação de heurísticas.


RNAs e Medicina


Na área médica, as RNAs têm alcançado grandes avanços no diagnóstico de pacientes e auxílio na tomada de decisões médicas. Programas baseados em redes neurais têm apresentado mais precisos na análise de exames e diagnósticos de doenças (Jornal: O Estado de São Paulo 29/09/1997).

Pesquisadores da área médica têm utilizado redes neurais tipo Perceptron com múltiplas camadas utilizando o algoritmo de aprendizado backpropagation para Diagnóstico de Lesões Intersticiais pulmonares (Ambrósio et al., 2000), Diagnóstico Diferencial de Anemias Carenciais (dos Santos et al., 2000), Classificação de Nódulos em Mamogramas digitalizados (Kinoshita et al., 2000), Diagnosing the Cardiovascular System (Keller et al., 1995), Diagnosing Coronary Artery Disease (Turner, 1994), apresentando uma taxa de precisão média de 90 a 99,6%.

Os mapas auto-organizáveis de Kohonen também são muito utilizados na área medica para o Aprendizado em Citometria de Fluxo1(Pedreira et al., 2002) os resultados obtidos indicam que o método proposto é mais preciso e sensível que os métodos de análise vigentes em citometria.

RNAs e Música


Na área da composição musical existem as RNAs são utilizadas para prever e aprender compassos musicais, baseando-se nos fatos da consecutividade das notas musicais.

Michael C. Mozer (Mozer, M. C., 1994) desenvolveu um programa de composição musical baseado nos mapas de kohonen, obtendo resultados bons na composição de valsas, usou também RNAs recorrentes tipo feedforward para prever o próximo passo de uma seqüência musical (Mozer, M. C., 1993) .

Kohonen (1989; Kohonen, Laine, Tiits, & Torkkola, 1991) propôs precisamente tal um esquema. O esquema é um algoritmo simbólico que, determinado um jogo de treinamento de exemplos, produz uma coleção de regras, gramáticas sensívelis para reproduzir a maioria ou tuda estrutura inerente do conjunto musical.

A identificação de diferentes seqüências musicais foi estudada por Large, W. E., Palmer, C. e Pollack J. B., para produzirem um sistema de aprendizado musical através de RNA, para isso foi usada uma rede fully-connected e feed-forward com o algoritmo de aprendizado backpropagation, proporcionando resultados surpreendentes no aprendizado das seqüências musicais (Large, W. E., Palmer, C. e Pollack J. B., 1995).


RNAs e Games


As RNAs são amplamente utilizadas para a criação de jogos inteligentes e estratégias de aprendizado. Alguns pesquisadores utilizam uma população de RNAs e vão evoluindo até encontrar a RNA mais adequada e adaptada ao jogo.

(Chellapilla & Fogel, 1999) usaram uma RNA feedforward para avaliar posições de tábua alternativas usando uma estratégia de procura de minimax para jogos de xadrez. Após a evolução das RNAs o programa pôde derrotar dois jogadores de nível-perito, de acordo com a federação de Xadrez Norte Americana (Chellapilla & Fogel, 2000).

(Chellapilla & Fogel, 1999) usaram um algoritmo híbrido para evoluir RNAs com o objetivo de encontrar a melhor rede para aprender as regras do jogo (jogos de soma zero).

RNAs e Previsão de Séries Temporais


Em anos recentes, redes neurais artificiais (RNAs) tornaram-se extremamente conhecidas para previsão em várias áreas, incluindo finanças, carga elétrica e recursos hídricos. Embora o conceito de neurônios artificiais tenha sido proposto em 1943 (McCulloch e Pitts, 1943) pesquisas e aplicações de redes neurais tomaram um rumo importante após a publicação do algoritmo back-propagation em 1986 (Rumelhart et al., 1986b).

A utilização de redes neurais para a previsão de séries temporais vem sendo proposta por vários autores, (Lapedes e Faber, 1987), (Weigend et al., 1990), (Contrell et al., 1995), (Lachtermacher e Fuller, 1995), mostrando a viabilidade de utilizar estes modelos.

É notável que as redes neurais e técnicas de series temporais tradicionais vem sendo comparadas há algum tempo (Shara e Patil, 1990), (Tang et al., 1991). Grande parte dos estudos comparativos realizados atualmente utilizam o algoritmo back-propagation, ou algumas de suas extensões. Tecnicamente este modelo já foi utilizado com grande sucesso em diversas áreas de conhecimento, dentre elas sistemas de potência (Srinivasan et al., 1991), (Hwarng e Monn, 1991), (El-Sharkawi et al., 1991), (Peng et al., 1992), previsões econômicas (Horptroff et al., 1991) e analise de séries temporais (Weingend et al., 1991a), (Weigend et al., 1991b).

As comparações feitas entre redes neurais com outras abordagens ainda não apresentam resultados concretos. Alguns autores evidenciam que as RNAs tem melhor desempenho que os métodos tradicionais (Weigend et al., 1991a), (Weigend et al., 1991b), enquanto outros acreditam no resultado oposto (Tang et al., 1991). As explicações para tais contradições podem ser descritas por diferentes fatores, como:

- Estrutura da RNA.

- Tipo de série (estacionária ou não-estacionária).

- Tamanho da RNA X número de entradas da série.

(Lapedes e Faber, 1987) aplicam redes neurais multicamadas (Multi-Layer Perceptron-MPL) para a previsão de duas espécies de séries temporais caóticas geradas por um processo deterministico não-linear. Os resultados indicaram que os modelos MLP podem “aprender”, simulando sistemas não-lineares, com excelentes características quando comparadas a métodos tradicionais.

(Tang et al., 1991) compararam modelos de MLP e Box & Jenkins, usando séries de tráfego de passageiros de vôo internacional, vendas de carros domésticos e vendas de carros importados nos EUA. Os resultados mostraram que o desempenho do modelo de Box & Jenkins foi superior ao método de RNAs para uma previsão a curto prazo, no entanto para a previsão a longo prazo, os modelos baseados em redes neurais apresentaram um melhor desempenho.

(Weigend et al., 1990), (Weigend et al., 19901a) introduzem o processo de eliminação das conexões sinapticas (pesos) no procedimento de aprendizado das redes para resolver o problema de overfitting aplicado à séries temporais de taxa de câmbio. O critério de parada no procedimento de validação foi discutido e os resutados comparados com modelos de series temporais tradicionais. Nestas comparações observamos que o modelo de redes neurais apresentou um desempenho comparável ao modelo Threshold Auto-Regressive (TAR) (Tong e Lin, 1980) para previsão um passo a frente. Nas previsões de múltiplos passos os modelos de redes neurais mostraram um resultado melhor ao obtido pelo modelo TAR.

(Lachtermacher e Fuller, 1995) descrevem uma proposta híbrida para a aplicação de redes neurais em analise de series temporais. A metodologia de Box e Jenkins foi utilizada como um procedimento para explorar importantes relações nos dados da série e estas informações foram usadas para definir uma estrutura inicial pra a rede neural reduzindo, assim, os parâmetros a serem estimados e os dados exigidos. Dois tipos de series foram estudadas séries estacionarias e não-estacionarias. Observou-se que o modelo de redes neurais, para a maioria das series testadas, obteve um desempenho igual o superior quando comparados aos modelos de Box & Jenkins.

(Atiya et al., 1999) aplicam RNA para previsões de vazão e compraram quatro técnicas para pre-processamento das entradas e saídas incluindo o problema de previsão de vários passos à frente. Foram utilizados dois métodos: direto e recursivo. No método direto a rede neural foi treinada de modo a prever -passos à frente, ou seja, à saída da rede será . No método recursivo a rede é calibrada para prever um passo à frente e esta é aplicada para prever passos à frente. Neste caso, em algum passo a rede usará algumas das previsões calculadas nos passos anteriores como entrada. Os resultados mostraram que o método direto apresentou um desempenho melhor que o método recursivo.

A capacidade de mapeamentos complexos das Rna cresce com o número de camadas e neurônios, acarretando maior tempo de processamento, bem como considerável soma de dados. Na prática, entretanto, muitas vezes os parâmetros devem ser ajustadas rapidamente e somente umas pequenas quantidades de dados está disponível.

Freqüentemente, dados do mundo real apresentam ruídos, podendo conter contradições e imperfeições. Tolerância à imprecisão e incertezas também são exigidas para considerar a robustez e a tratabilidade. Sob estas hipóteses, modelos de analise de dados baseados em conjuntos nebulosos vêm sendo empregados atualmente em diversas áreas (Kacprzyk e Fedrizzi, 1992).

Os sistemas nebulosos são sistemas computacionais desenvolvidos a partir das teorias de conjuntos nebulosos e da lógica nebulosa (fuzzy), visando aproveitar de forma pragmática o potencial destas teorias. Estes sistemas processam conhecimento e inferem conclusões a partir dos padrões apresentados (Pedrycz et al., 1995).

Os sistemas nebulosos caracterizam-se pela simplicidade no que se refere à teoria que os fundamenta e pela forma direta e intuitiva com que são empregados, ou seja, são capazes de utilizar maneira eficaz o conhecimento codificado em expressões lingüísticas, produzindo características inteligentes correspondentes à representação do conhecimento ao raciocínio aproximado (Pedrycz, 1993). Além disso, algumas classes de sistemas nebulosos são aproximadores universais (Castro e Delgado 1996). Em essência, estes sistemas são capazes de processar o conhecimento de forma compreensível e de manusear incertezas e imprecisões visando solucionar problemas reais complexos (Zimmerrmann, 1987).

Em anos recentes, surgiu um novo método unindo as vantagens de RNA e lógica nebulosa (fuzzy), resultando em um sistema integrado, onde a aprendizagem e o poder computacional dos modelos de RNA e a capacidade de representação e raciocínio da lógica nebulosa são combinados. Estes sistemas, chamados de redes neurais nebulosas (Redes NeuroFuzzy) (Gomide et al., 1995), vêm sendo aplicados sucessivamente para sistemas de identificação não-linear (Wang e Mendel, 1992), controle de processos (Lee, 1990), reconhecimento de padrões (Caminhas et al., 1999) , previsão de carga (Alves da Silva et al., 1997), (Bakirtzis et al., 1995), (Liu et al., 1996).

RNAs e Outras Aplicações


Considerando que as RNAs vêm sendo largamente utilizadas nos últimos anos para diversas aplicações, agruparam-se algumas delas nesta seção. O objetivo é apresentar trabalhos que contenham revisões bibliográficas sobre os tópicos de interesse a fim de orientar e direcionar o leitor.

Inicialmente, cita-se a comunicação digital, uma aplicação que exige soluções para problemas complexos e por esse motivo “aproveita” características das RNAs, como o processamento não-linear, a arquitetura de distribuição paralela, a auto-organização e a capacidade de aprender e generalizar (Ibnkahla, 2000).

Na área de transportes, uma revisão é apresentada em (Dougherty, 1995) e faz referência a um grande número de trabalhos nesta área desenvolvidos principalmente nos anos 90, criticando e discutindo as técnicas e arquiteturas das RNAs.

Outra área de importância e que utiliza RNAs como uma das ferramentas para seu desenvolvimento é o campo do processamento de sinais. O conteúdo de (Luo & Unbehauen, 1997) é totalmente dedicado a esse campo de estudo e apresenta as respectivas técnicas para tal aplicação.



Eletrônica de potência, uma aplicação direta de engenharia elétrica, utilizando RNAs é revisada em (Bose, 2001). Considerando a amplitude do assunto, o autor divide o trabalho em algumas sub-áreas e apresenta as respectivas técnicas pertinentes.

Finalmente, aplicações e oportunidades em aeronáutica utilizando RNAs são descritas em (Faller & Schreck, 1995). Este trabalho não só descreve técnicas de RNAs a serem aplicadas, mas também mostra alguns desafios nesse campo.


Referências Bibliográficas


Altman, E.I., Março, G. & Varetto, F. (1994) Corporate distress diagnosis: comparison using linear discriminant analysis and neural networks (the Italian experience). Journal of Banking and Finance, Vol. 18, pp. 505 - 529.

Alves da Silva, A.P., Ferreira, C., Torres, G.L. & Souza, A.C.Z. (1997) A new constructive ANN and its application to electric load representation. IEEE Transactions on Power Systems, 12(4), 1569-1575.

Ambrósio P. E, Faria, F. B., Rodrigues J. A. H., Martinez, J. A. B. & Marques, P. M. A. (2000) Sistema Computacional de Apoio ao Diagnóstico de Lesões Intersticiais Pulmonares Baseado em Redes Neurais Artificiais. Anais do CBEB.

Atiya, A. F., El-Shoura, S. M., Shaheen, S. I. & El-Sherif, M. S. (1999) A Comparison between neural-netorwk forecasting techiniques – case Study: River flow forecasting. IEEE Tranctions on Neural Networks 10(2):402-409.

Azoff, M.E. (1994) Neural Network Time Series Forecasting of Financial Markets. John Wiley & Sons.

Bakirtzis, A.G., Theocharis, J.B., Kiartzis, S.J. & Satsios, K.J. (1995) Short term load forecasting using neural networks. IEEE Transactions on Power Systems, 10(3), 1518-1524.

Bell, T., Ribar, G. & Vercchio, J. (1990) Neural Nets vs. Logistic Regression: A Comparison of each Model’s Ability to Predict Commercial Bank Failures. Working paper, Peat Marwick Co., May.

Bishop, C.M. (1995) Neural Networks for Pattern Recognition.

Bose, B.K. (2001) Artificial Neural Networks Applications in Power Electronics. The 27th Annual Conference of the IEEE Industrial Electronics Society (IECON’01).

Bourland, H.A. (1990) How Connectionist Models Could Improve Markov Models for Speech Recognition. Advanced Neural Computers (R. Eckmiller, ed.), pp.247-254, Amsterdam: North-Holland.

Bulsari, A.B. (1995) Neural Networks for Chemical Engineers. Elsevier Science Publishers.

Caminhas, W., Tavares, H., Gomide, F. & Pedrycz, W. (1999) Fuzzy set based neural network: Structure, learning and application. Journal of Advanced Computational Intelligence, 3(3): 151-157.

Carrara, E.A., Pagliari, F. & Nicolini, C. (1993) Neural Networks for the Peak-Picking of Nuclear Magnetic Resonance Spectra. Neural Networks, 6, 1023-1032.

Castro, J. & Delgado, M. (1996) Fuzzy systems with defuzzification are universal approximators. IEEE Transactions on Systems, Man and Cybernetics 26(1): 149-152.

Chellapilla, K. & Fogel D. (1999) Evolution, Neural Networks, Games, and Intelligence. Proc. IEEE, Vol. 87(9), Sept., pp. 1471-1496.

Chellapilla, K. & Fogel, D. (1999) Evolving Neural Networks to Play heckers without Expert Knowledge. IEEE Trans. Neural Networks, Vol. 10(6), pp. 1382-1391).

Chellapilla, K. & Fogel, D. (2000) Anaconda Defeats Hoyle 6-0: “A Case Study Competing an Evolved Checkers Program against Commercially Available Software”. Congress on Evolutionary Computation 2000 (CEC'00), pp. 857-863.

Chitra, S.P. (1992) Neural Network Applications in Chemical Engineering. AI Expert, pp. 20-25 (November 1992) e Neural Network Special Report, (Miller-Freeman, Inc.).

Contrell, M., Girard, B., T., Mangueas, M. & Muller, C. (1995) Neural Modeling for time series: A statistical stepwise method for weigth elimination. IEE Transaction on Neural Networks 6(6): 1355-1364.

de Almeida, F.C. & Dumontier, P. (1996) O uso de Redes Neurais em avaliação de riscos de inadimplência. Revista de Administração FEA/USP,vol 31, n.1, pp. 52 – 63, jan/mar 1995.

de Almeida, F.C. & Siqueira, J. (1997) Comparação entre Regressão Logística e Redes Neurais na Previsão de Falência de Bancos Brasileiros. III Congresso Brasileiro de Redes Neurais e IV Escola de Redes Neurais, Florianópolis, S.C., pp. 16 - 21.

de Almeida, F.C. (1995) Desvendando o uso de Redes Neurais em Problemas de Administração de Empresas. Revista de Administração de Empresas EASP/FGV,vol 35, pp. 46 – 45, jan/fev 1995.

dos Santos P. P., Almeida, R. M. V. R., Lusis, M. P. & Gismondi R. C. (2000) Redes Neurais Artificiais e Algoritmos Genéticos no Diagnóstico Diferencial de Anemias Carenciais. Anais do CBEB.

Dougherty, M. (1995) A Review of Neural Networks Applied to Transport. Transpn. Res.-C, 3(4):247-260.

Dutta, S. & Shekhar, S. (1988) Bond Rating: A Non-Conservative Application of Neural Networks. IEEE International Conference on Neural Networks, 2, 443-450

El-Sharkawi, M. A., Oh, S., Marksm, R. J., Damborg, M. J. & Brace, C. M. (1991) Short term eletric load forecasting using an adaptive trained layered perceptron. In Proc. Of the Frist Forum on Application of Neural Networks to Powers Systems, pp. 3-6.

Faller, W.E. & Schreck (1995) Neural Networks: Applications and Oportunities in Aeronautics. Prog. Aerospace Sci, 32, 433-456.

Gasteiger, J., Li, X. & Simon, V. (1993) Neural nets for mass and vibrational spectra. Journal of molecular structure, 292, 141.

Gomide, F., Figueiredo, M. & Pedrycz, W. (1995) A Neural fuzzy Network: Structure and Learning. Fuzzy Logic and Its Applications, Information Sciences and Intelligent Systems. Bien, Z. and Mimk., Kluwer Academic Publichers, Netherlands, pp. 177-186.

Goodacre, R. Timmins, É.M., Rooney, P.J., Rowland, J.J. & Kell, D.B. (1996) Rapid identification of Streptococcus and Enterococcus species using diffuse reflectance-absorbance Fourier transform infrared spectroscopy and artificial neural networks. FEMS Microbiology Letters 140, 233-239.

Goodacre, R., Trew, S., Jones, C.W., Neal, M.J., Maddock, J., Ottley, T.W., Porter, N. & Kell, D.B. (1995) Rapid screening for metabolite overproduction in fermentor broths using pyrolysis mass spectrometry with multivariate calibration and artificial neural networks. Biotechnology and Bioengineering, 44, (12 pages; in press).

Greaves, A.J. & Gasteiger, J. (2001) The Use of Self-Organising Neural Networks in Dye Design. Dyes and Pigments, 49, 51-63.

Guyon, I. (1991) Applications of Neural Networks to Character Recognition. International Journal of Pattern Recognition and Artificial Intelligence 5, 353-382.

Haykin, S. (2001) Redes Neurais – Princípios e Prática, 2a edição. Editora Bookman, Porto Alegre, RS.

Hemmer, M.C. & Gasteiger, J. (2000) Prediction of Three-Dimensional Molecular Structures Using Information from Infrared Spectra. Anal. Chim. Acta, 420, 145-154.

Hirshberg, A. & Adar, R. (1997) Artificial Neural Networks in Medicine. Israel Journal of Medical Sciences, 33: 700-02.

Hoptroff, R. G., Bramson, M. J. & Hal, T. J. (1991) Forecasting economic turning points with neural network, Vol 1 in Proc. Of the IEEE/International Joint Conference of Neural Networks, pp. 347-352.

Hoskins, J.C. & Himmelblau, D.M. (1988) Artificial neural network models of knowledge representation in chemical engineering. Comput. Chem. Eng. 12, 881.

Hoskins, J.C. & Himmelblau, D.M. (1991) Fault Diagnosis in Complex Chemical Plants Using Artificial Neural Networks. American Institute of Chemical Engineering Journal, 37, 137-141.

Hwang, J. L. & Monn, S. (1991) Temporal difference method for multi-step prediction: Aplication to Powes load forecasting. In Proc. Of the Frist Forum on Application of Neural Networks to Powers Systems, pp. 41-45.

Ibnkahla, M. (2000) Applications of Neural Networks to Digital Communications – A Survey. Signal Processing, 80, 1185-1215.

Jackel, L.D., Boser, B., Denker, J.S., Graf, H.P., LeCun, Y., Guyon, I., Henderson, D., Howard, R.E., Hubbard W. & Solla, S.A. (1990) Hardware Requirements for Neural Net Optical Character Recognition. International Joint Conference on Neural Networks, Vol. 2, pp. 855-861, San Diego, CA.

Jiang, Q. Principal Component Analysis and Neural Network Based Face Recognition. URL: http://people.cs.uchicago.edu/~qingj/ThesisHtml/.

Jornal O Estado de São Paulo, Rede Neural bate Médicos no Diagnóstico, 29/09/1997, pág 14.

Kacprzyk, J. & Fedrizzi, M. (1992) Fuzzy regression Analysis. Studies in Fuzziness, vol 1 Physica-Verlag, Heidelberg.

Kangas, L.J., Keller, P.E., Hashem, S. & Kouzes, R.T. (1994) Alpha Spectral Analysis via Artificial Neural Networks. IEEE Nuclear Science Symposium, Norfolk, Virginia, USA (30 October - 5 November 1994).

Kappert, C.B. & Omta, S.W.F. (1997) Neural Networks and Business Modelling – An Application of Neural Modelling Techniques to Propest Profiling in the Telecommunications Industry. IEEE.

Keller, P. E., Kangas, L. J., Hashem, S., Kouzes, R. T & Allen P. A. (1995) A Novel Approach to Modeling and Diagnosing the Cardiovascular System. World Congress on Neural Networks (WCNN’95), Washington EUA, 17-21 July 1995).

Khalid, M. & Omatu, S. (1992) A Neural Network Controller for a Temperature Control System. IEEE Control Systems, 58-64.

Kinoshita, S.K., Marques P.M. A. & Frère, A.F (2000) Utilização da Análise de Componentes Principais e Redes Neurais Artificiais para a Classificação de Nódulos em Mamogramas Digitalizados. Anais do CBEB.

Kohonen, T. (1989) A self-learning musical grammar, or "Associative memory of the second kind. In Proceedings of the 1989 International Joint Conference on Neural Networks (pp. 1-5).

Kohonen, T., Laine, P., Tiits, K. & Torkkola, K. (1991) A nonheuristic automatic composing method. In P. M. Todd & D. G. Loy (Eds.), Music and connectionism (pp. 229-242). Cambridge, MA: MIT Press/Bradford Books.

Kostka, T., Selzer, P. & Gasteiger, J. (2001) A Combined Application of Reaction Prediction and Infrared Spectra Simulation for the Identification of Degradation Products of s-Triazine Herbicides.Chem. European Journal, 7, 2254-2260.

Lachtermarcher, G. & Fuller, J. D. (1995) Backpropagation in time-series forecasting. Journal of Forecasting 14(4): 381-393.

Lapedes, A. & Farber, R. (1987) Nonlinear Signal Processing Using Neural Network: Prediction and System Modelling. Technical Report LA-Ur-&-2662, Los Alamos National National Laboratory.

Large, W. E., Palmer, C. & Pollack, J. B (1995) Reduced Memory Representations For Music. Journal Cognitive Science, vol 19, n 1, pp 53-96

Lawrence, S., Giles, C.L., Tsoi, A.C. & Back, A.D. (1997) Face Recognition: A Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, 8, 98-113.

LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W. & Jackel, L.D. (1990) Handwritten Digit Recognition With a Back-propagation Network. Advances in Neural Information Processing Systems 2 (D.S. Touretzky, ed.), pp. 598-605, San Mateo, CA, Morgan Kaufmann.

Lee, C.C. (1990) Fuzzy logic control in controller – part I and II. IEEE Transactions on Systems, Man and Cybernetics, 40(12), 1320-1336.

Lee, K.C., Han, I., Kwon, Y. (1996) Hybrid Neural Network Models for Bankruptcy Predictions. Decision Support Systems, 18, 63-72.

Lippmann, R.P. (1989) Review of Neural Networks for Speech Recognition. Neural Computation 1, 1-38.

Liu, K., Subbarayan, S., Shoults, R.R., Manry, M.T., Kwan, C., Lewis, F.L. & Naccarino, J. (1996) Comparison of short-term load forecasting techniques. IEEE Transactions on Power Systems, 11(2), 877-882.

Luo, F.L. & Unbehauen, R. (1998) Applied Neural Networks for Signal Precessing. Cambridge University Press, ISPB 0 5 21 56391 7.

McCulloch, W. e Pitts, W. (1943) A logical calculus of de idéias imininent in nervous activity. Bulletin of Mathematical Biophyscis 5, pag 115-133.

Monteiro, A. & Pereira, C.E. (1997) Um Novo Algoritmo Auto-Organizável com Aplicação em Segmentação no Setor Bancário. III Congresso Brasileiro de Redes Neurais e IV Escola de Redes Neurais, Florianópolis, S.C., pp. 27 - 32.

Moody, J. & Utans, J. (1994) Architecture Selection Strategies for Neural Networks: Application to Corporate Bond Rating Prediction. Neural Networks in the Capital Markets, Refenes A.N. (ed.), John Wiley Sons.

Moody, J. (1995) Economic Forecasting: Challenges and Neural Network Solutions. Keynote talk presented at the International Symposium on Artificial Neural Networks, Hsinchu, Taiwan.

Morgan, N. & Bourlard, H. (1990) Continuous Speech Recognition Using Multilayer Perceptrons With Hidden Markov Models. International Conference on Acoustics, Speech, and Signal Processing, pp.413-416, Alburquerque, NM.

Mozer, M. C. (1993) Neural net architectures for temporal sequence processing. In A. Weigand N. Gershenfeld (Eds.), Predicting the future and understanding the past (pp. 243-264). Reading, MA: Addison-Wesley.

Mozer, M. C. (1994) Neural network music composition by prediction: Exploring the benefits of psychoacoustic constraints and multiscale processing. Connection Science.

Odom, M.D. & Sharda, R. (1990) A Neural Network Model for Bankruptcy Prediction, Proceedings of the IEEE International Conference on Neural Networks, pp. 163 -168, San Diego, CA.

Pedreira, C. E., Costa, E. S. & Bonomo, A. (2002) CitoKohonen: Aprendizado Estatístico e Redes Neurais em Citometria de Fluxo. Congresso Brasileiro de Automática (CBA).

Pedrycy, W., Jam, P. C. F. & Rocha, A. F. (1998) An Introduction to Fuzzy Sets: Analysis and Design.

Pedrycz, W. (1993) Fuzzy Control and Fuzzy System. John Wiley & Sons, Inc, New York, EUA.

Peng, T. M., Hubele, H. F. & Karady, G. G. (1992) Advancement in the application of neural network for short-term load forecasting. Vol 7 in Proc of IEEE/ Power Engineering Society Summer Meeting, 91 SM 451-5 PWRS, and tin Transactions on Power Systems.

Pilon, S.M.D & Tandberg, D.M.D. (2001) Neural Network and Linear Regressão Models in Residency Selection. American Journal of Emergency Medicine, 15(4).

Polanski, J. & Gasteiger, J. (1999) Self-Organizing Neural Networks for Visualization and Quantification of Molecular Similarity. Acta Poloniae Pharm., 56, 112-122.

Refenes, A.P. (1995) Neural Networks in the Capital Markets. John Wiley & Sons.

Renals, S. (1989) Radial Basis Function Network for Speech Pattern Classification. Electronic Letters 25, 437-439.

Renals, S., Morgan, N., Cohen, M., Franco, H. & Boulard, H. (1992) Improving Statistical Speech Recognition. International Joint Conference on Neural Networks, Vol. 2, pp. 302-307, Baltimore, MD.

Ripley, B.D. & Hjort, N.L. (1995) Pattern Recognition & Neural Networks.

Robinson, A.J. & Fallside, F. (1991) A Recurrent Error Propogation Speech Recognition System. Computer Speech and Language 5, 259-274.

Rumerlhart, D., Hinton G. E. & Willians, R. (1986b) Learning representation back-Propagating errors. Nature (London) 323:386-408

Sarle, W.S. (1994) Neural Networks and Statistical Models. Procedings of the Nineteenth Annual SAS Users Group International Conference, April.

Selzer, P., Gasteiger, J., Thomas H. & Salzer, R. (2000) Rapid Access to Infrared Reference Spectra of Arbitrary Organic Compounds: Scope and Limitations of an Approach to the Simulation of Infrared Spectra by Neural Networks. Chemistry - A European Journal, 6, 920-927.

Sharda, R. & Patil, R. (1990) Neural network as forecasting experts: A empirical test. vol. 1 in International Joint Conference on Neural Networks Washington, DC., pp. 441-494.

Simard, P., Victorri, B., LeCun, Y. & Denker, J. (1992) Tangent Prop-A Formalism for Specifying Selected Invariances in an Adaptive Network. Advances in Neural Information Processing Systems 4 (J.E. Moody, S.J. Hanson, and R.P. Lippmann, eds.), pp. 895-903, San Mateo, CA, Morgan Kaufmann.

Simon, V., Gasteiger, J. & Zupan, J. (1993) A Combined Application of Two Different Neural Network Types for the Prediction of Chemical Reactivity. J. Am. Chem. Soc., 115, 9148-9159.

Singleton, J. & Surkan, A. (1990) Neural Networks for Bond Rating Improved by Multiple Hidden Layers. Proceedings of the IEEE International Conference on Neural Networks, 2, 163-168.

Smith, K.A. & Gupta, J.N.D. (2000) Neural Networks in Business: Techniques and Applications for the Operations Researcher. Computers & Operations Research, 27, 1023-1044.

Sousa, J.A. & Gasteiger, J. (2001) New Description of Molecular Chirality and Its Application to the Prediction of the Preferred Enantiomer in Stereoselective Reactions. J. Chem. Inf. Comput. Sci., 41, 369-375.

Sousa, J.A. & Gasteiger, J. (2002) Prediction of Enantiomeric Selectivityin Chromatography. Application of Conformation-Dependent and Conformation-Independent Descriptors of Molecular Chirality. Journal Mol. Graphics & Model., 20, 373-388.

Sousa, J.A., Hemmer, M., Gasteiger, J. (2002) Prediction of 1H NMR Chemical Shifts Using Neural Networks. Anal. Chem, 74, 80-90.

Srinivasan, D., Liew, A. C. & Chen, J. S. P. (1991) Short term forecasting using neural network approach. In Proc. Of the Frist Forum on Application of Neural Networks to Powers Systems, pp. 12-19.

Tafner, M.A, Xerez, M. & Filho, I.W.R. (1996) Redes Neurais Artificiais. Introdução e Princípios de Neurocomputação. Editora Eko. Blumenau, Santa Catarina.

Tam, K.Y. & Kiang, M. (1990) Predicting Bank Failures: A Neural Network Approach, Applied Artificial Intelligence, Vol. 4, No 4, pp. 265 - 282.

Tam, K.Y. & Kiang, M. (1992) Managerial Applications of Neural Networks: The Case of Bank Failure Predictions, Management Science, Vol. 38, No 7, pp. 926 - 947, July.

Tang, Z., de Almeida, C. & Fishiwick, P. A. (1991) Time series forescasting using neural networks vs Box-Jenkins methodology. Simulation 57(5): 303-310.

Tong, H., & Lin, K. S., (1980) Threshold autoregressive, limit cycles an cyclical data. Journal of de Royal Statistical Society 42 (Serie B) (3):245-292.

Trippi, R.R. & Turban, E. (1993) Neural Networks in Finance and Investing. Irwin Professional Publishing.

Turner, D.D. (1994) Diagnosing Coronary Artery Disease with a Backpropagation Neural Network. Masters of Science Thesis, Eastern Washington University Cheney, Washington.

Tusar, M., Zupan, J. & Gasteiger, J. (1991) Neuronal Networks and Modelling in Chemistry. J. Chim. Phys., 89, 1517-1529.

Unger, L.H., Powell, B.A. & Kamens, S.N. (1990) Adaptive Networks for Fault Diagnosis and Process Control. Computers in Chemical Engineering, 24, 561-572.

Utans, J. & Moody, J. (1991) Selecting Neural Network Architectures via the Prediction Risk: Application to Corporate Bond Rating Prediction. Proceedings of the First International Conference on Artificial Intelligence Applications on Wall Street, IEEE Computer Society Press, Los Alamitos, CA.

Van Bussel, J. & Veelenturf, L.P.J. (1997) Company Viability Prediction using Neural Networks with Sparse Data. Journal of Computational Intelligence in Finance, (July/August), pp. 5 - 13.

Waibel, A. & Lee, K. (1990) Readings in Speech Recognition. Morgan Kaufmann.

Waibel, A., Hanazawa, T., Hinton, G., Shikano, K. & Lang, K.J.(1989) Phoneme Recognition Using Time-Delay Neural Networks. IEEE Transactions on Acoustic, Speech, and Signal Processing ASSP-37, 328-339.

Walczak, S. (2001) Neural Networks as a Tool for Developing and Validating Business Heuristics. Expert Systems with Applications, 21, 31-36.

Wang L. X. e Mendel, J. M. (1992) Back-progagation fuzzy systen as non-linear dynamic system identifiers. Proceedings of FUZZ-IEEE’92, pp. 1409-1418.

Weigend, A. S., Rumerlhart, D. & Huberman, B. A. (1990) Predicting the future: A connectionist approach. International Journal Neural System 1:3.

Weigend, A. S., Rumerlhart, D. & Huberman, B. A. (1991a) Generalization by weight-elimination application to forecasting. Avance in Neural information Processing Systems 3, pag 875-882.

Weigend, A. S., Rumerlhart, D. & Huberman, B. A. (1991b) Generalization by weight-elimination applied to currency exchange rate prediction. Proceedings of the IEEE/International Joint Conferenre of Neural Networks, Vol I, pp. 837-841.

Wilson, R.L. & Sharda, R. (1994) Bankruptcy Prediction using Neural Networks. Decision Support Systems, Vol. 11, pp. 545 - 557.

Wong, B.K., Lai, V.S. & Lam, J. (2000) A Bibliography of Neural Network Business Applications Research: 1994-1998. Computers & Operations Research, 27, 1045-1076.

Zhang, G., Hu, M.Y., Patuwo, B.E. & Indro, D.C. (1999) Artificial Neural Networks in Bankruptcy Prediction: General Framework and Cross-Validation Analysis. European Journal of Operational Research, 116, 16-32.

Zimmermann, H. (1987) Fuzzy Sets. Decision Making and Expert Systems, Kluwer-Nihoft, Boston.

Zupan, J. & Gasteiger, J. (1991) Applications of Neural Networks in Chemistry. CICS Japan Bulletin, 9, 14-23.

Zupan, J. & Gasteiger, J. (1991) Neural networks: A new method for solving chemical problems or just a passing phase?. Analytica Chimica Acta 248, 1-30.



Zupan, J. & Gasteiger, J. (1998) Neural Networks in Chemistry and Drug Design, Second Edition, Wiley-VCH, Weinheim.



1 Citometria de fluxo é um método amplamente empregado na pesquisa e na prática médica onde é utilizada como exame diagnóstico em doenças graves como a infecção pelo HIV e doenças malignas, principalmente leucemias.








Compartilhe com seus amigos:


©principo.org 2019
enviar mensagem

    Página principal