As Redes Neurais Pulsadas são objeto de intensa pesquisa na atualidade. Neste trabalho é avaliado o potencial de aplicação deste paradigma neural, na tarefa de reconhecimento automático do locutor. Após uma revisão dos tópicos considerados importantes para o entendimento do reconhecimento automático do locutor e das redes neurais artificiais, é realizada a implementação e testes do modelo de neurônio com resposta por impulsos. A partir deste modelo é proposta uma nova arquitetura de rede com neurônios pulsados para a implementação de um sistema de reconhecimento automático do locutor. Para a realização dos testes foi utilizada a base de dados Speaker Recognition v1.0, do CSLU – Center for Spoken Language Understanding do Oregon Graduate Institute - E.U.A., contendo frases gravadas a partir de linhas telefônicas digitais. Para a etapa de classificação foi utilizada uma rede neural do tipo perceptron multicamada e os testes foram realizados no modo dependente e independente do texto. A viabilidade das Redes Neurais Pulsadas para o reconhecimento automático do locutor foi constatada, demonstrando que este paradigma neural é promissor para tratar as informações temporais do sinal de voz. ; Pulsed Neural Networks have received a lot of attention from researchers. This work aims to verify the capability of this neural paradigm when applied to a speaker recognition task. After a description of the automatic speaker recognition and artificial neural networks fundamentals...

Nesse trabalho é apresentado o estudo de redes neurais artificiais (RNAs) como sistemas de aprendizado, simulação e otimização de processos de deposição de filmes finos poliméricos. Duas técnicas de deposição comumente utilizadas para a fabricação de dispositivos eletrônicos e sensores poliméricos foram escolhidas: i) spin coating ou centrifugação e ii) automontagem. Na primeira técnica, a espessura final dos filmes finos obtidos foi a característica avaliada em função da velocidade de rotação, do tempo de rotação e da concentração da solução polimérica. Como material de deposição, utilizou-se a poli(o-metoxianilina) (POMA). Com a segunda técnica analisou-se a influência sobre a espessura, sobre a condutância elétrica e sobre o espectro de absorção, do número de bicamadas, do tempo de exposição dos filmes a uma solução dopante de ácido clorídrico (HCl) e do pH das mesmas. Os poliíons utilizados nessa técnica foram a polianilina (PAni) e o poli(vinil sulfato de sódio) (PVS). Os filmes obtidos pela segunda técnica de deposição constituem uma classe de sensores capazes de detectar e quantificar concentrações baixas de HCl diluído em água. Os treinamentos e simulações com redes neurais artificiais foram realizados apenas para a espessura dos filmes de POMA e a absorção dos filmes de PAni/PVS. Foram construídas redes neurais artificiais do tipo multilayer perceptron (MLP) utilizando o software MATLAB e o componente Neural Networks Toolbox. A reprodutibilidade e o número de neurônios contidos na camada intermediária foram avaliados. Os resultados mostram que as redes neurais artificiais treinadas fornecem boas respostas simuladas interpolando e extrapolando os valores experimentais utilizados. Como conclusão mostra-se que é possível a utilização dessa ferramenta para auxiliar a engenharia de processos...

Redes neurais atratoras são redes de neurônios artificiais com realimentacão e sem estrutura de conexão pré-definida. Estes tipos de redes apresentam uma rica dinâmica dissipativa e são freqüentemente utilizadas como memórias associativas. Tais dispositivos tem a propriedade de recuperar uma memória previamente armazenada, mesmo quando expostos a informação parcial ou degradada daquela memória. Armazenar uma memória significa criar um atrator para ela na dinâmica da rede e isto e feito especificando-se adequadamente os pesos sinápticos. Nesta tese, nos concentramos basicamente em duas maneiras de se definir os pesos sinapticos, que dão origem ao modelo da pseudo-inversa e ao modelo dos pesos ótimos. Para redes neurais extremamente diluídas, onde a conectividade C e o número de neurônios N satisfazem à condição C« In N obtivemos os diagramas de fase no espaço completo de parâmetros dos modelos da pseudo-inversa e dos pesos ótimos através da analise da dinâmica da correlação de recuperação dos padrões armazenados. Alem disso, investigamos as propriedades de recuperação de redes neurais completamente conectadas através de duas abordagens: a investigação analítica da vizinhança dos padrões armazenados e a enumeração exaustiva dos atratores por meio de simulações numéricas. Finalmente. estudamos analiticamente o problema da categorizarão no modelo da pseudo-inversa. A categorizar;ao em redes neurais atratoras e a capacidade da rede treinada com exemplos de um conceito desenvolver um atrator para este conceito.; Attractor neural networks are feedback neural networks with no pre-defined connection structure. These types of neural networks present a rich dissipative dynamics and...

Este trabalho apresenta um procedimento para auxiliar na determinação da vida útil de pavimentos flexíveis através da determinação de tensões e deformações causadas pela solicitação de um eixo padrão na estrutura de pavimentos flexíveis utilizando Redes Neurais Artificiais. Para treinamento e validação das redes foram utilizadas bacias de deflexões hipotéticas geradas com o auxílio do programa ELSYM5, simulando o carregamento com falling weight deflectometer. Foram criados quatro conjuntos de bacias hipotéticas, dois para pavimentos de três camadas e dois para pavimentos de quatro camadas. As redes neurais artificiais foram treinadas e validadas utilizando-se o simulador EasyNN-plus, que utiliza redes multilayer perceptron com algoritmo de aprendizagem backpropagation. Os dados de entrada das redes são as espessuras das camadas do pavimento e a bacia de deflexão. Como saída, têm-se as tensões e deformações na face inferior do revestimento e no topo do subleito e os módulos de resiliência das camadas do pavimento. Foram determinadas retas de regressão, coeficientes de regressão e histogramas de erros entre os valores reais (ELSYM5) e os valores previstos (RNA). Os resultados obtidos pelas redes neurais artificiais apresentaram boa correlação com os valores reais...

A área de dinâmica de aeronaves atingiu um alto nível de desenvolvimento e devido à crescente disponibilidade de computadores cada vez mais rápidos e com maior capacidade de processamento; a aplicação de técnicas numéricas de identificação nesta área também teve grande avanço. Este trabalho apresenta uma metodologia para predição de respostas de aeronaves dentro de envelopes de vôo pré-estabelecidos usando redes neurais recorrentes e uma metodologia para estimação das suas derivadas aerodinâmicas usando redes neurais feedforward. Para obter os conjuntos de dados para treinar as redes neurais, foi implementado um modelo não linear de dinâmica de vôo e simulado o comportamento de uma aeronave de combate em nove pontos de um envelope de vôo. Foram usadas as respostas simuladas correspondentes a quatro pontos para treinar a rede neural e depois disto, esta capturou satisfatoriamente a dinâmica da aeronave, identificando com grande sucesso as respostas do movimento longitudinal da aeronave por todo o envelope de vôo considerado. Após a simulação e identificação das respostas da aeronave dentro do envelope de vôo, é apresentada a resolução do problema inverso, ou seja, usando velocidades escalares e angulares da aeronave juntamente com seus dados geométricos como entradas para a rede neural feedforward...

Neste trabalho apresenta-se uma proposta de uma técnica para implementação em hardware, das estruturas básicas de uma Rede Neural Competitiva, baseada em técnicas analógicas. Através desta proposta, será abordada uma das classes mais interessantes de Redes Neurais Artificiais (RNA) que são as Redes Neurais Competitivas (RNC), que possuem forte inspiração biológica. As equações fundamentais que descrevem o comportamento da RNC foram derivadas de estudos interdisciplinares, a maioria envolvendo observações neurofisiológicas. O estudo do neurônio biológico, por exemplo, nos leva a clássica equação da membrana. A técnica mostrada para a implementação das Redes Neurais Competitivas se baseia no use das técnicas analógicas. Estas conduzem a um projeto mais compacto além de permitirem um processamento em tempo real, visto que o circuito computacional analógico altera simultaneamente e continuamente todos os estados dos neurônios que se encontram interligados em paralelo. Para esta proposta de implementação, a mostrado que as equações fundamentais que governam as Redes Neurais Competitivas possuem uma relação com componentes eletrônicos básicos, podendo então, serem implementados através destes simples componentes com os quais as equações fundamentais se relacionam. Para tanto...

This work presents a procedure for electric load forecasting based on adaptive multilayer feedforward neural networks trained by the Backpropagation algorithm. The neural network architecture is formulated by two parameters, the scaling and translation of the postsynaptic functions at each node, and the use of the gradient-descendent method for the adjustment in an iterative way. Besides, the neural network also uses an adaptive process based on fuzzy logic to adjust the network training rate. This methodology provides an efficient modification of the neural network that results in faster convergence and more precise results, in comparison to the conventional formulation Backpropagation algorithm. The adapting of the training rate is effectuated using the information of the global error and global error variation. After finishing the training, the neural network is capable to forecast the electric load of 24 hours ahead. To illustrate the proposed methodology it is used data from a Brazilian Electric Company. © 2003 IEEE.

É de grande interesse o estudo de previsão de séries temporais, ou seja, conseguir identificar características do processo num ponto futuro. Para isso, é necessário estimar com precisão, ou pelo menos com uma boa aproximação, o processo gerador dos dados. Nos últimos anos, modelos de redes neurais artificiais vêm desempenhando um papel crescente na abordagem e solução de problemas estatísticos importantes. A estrutura mais básica de rede neural, as redes progressivas ou feedforward, sem retroalimentação, têm se mostrado uma alternativa vantajosa, em alguns casos, em relação aos modelos lineares tradicionais. No entanto, algumas séries apresentam características que permitem introduzir algum tipo de realimentação na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatística. São dois os principais objetivos da dissertação. Primeiro, o estudo de redes neurais recorrentes para predição de séries temporais, o que compreende sua fundamentação teórica, principais arquiteturas e algoritmos de aprendizagem e sua implementação computacional. Segundo, estudo comparativo da performance preditiva dessas redes para séries temporais, tanto no caso de séries temporais de memória curta quanto de memória longa...

Redes neurais morfológicas(MNN) são redes neurais artificiais cujos nós executam operações elementares da morfologia matemática(MM). Vários modelos de MNNs e seus respectivos algoritmos de treinamentos têm sido propostos nos últimos anos, incluindo os perceptrons morfológicos(MPs), o perceptron morfológico com dendritos, as memórias associativas morfológicas (fuzzy), as redes neurais morfológicas modulares e as redes neurais de pesos compartilhados e regularizados. Aplicações de MNNs incluem reconhecimento de padrão, previsão de séries temporais, detecção de alvos, auto-localização e processamento de imagens hiperespectrais. Nesta tese, abordamos dois novos modelos de redes neurais morfológicas.O primeiro consiste em uma memória associativa fuzzy denominada KS-FAM, e o segundo representa uma nova versão do perceptron morfológico para problemas de classificação de múltiplas classes, denominado perceptron morfológico com aprendizagem competitiva(MP/CL). Para ambos modelos, investigamos e demonstramos várias propriedades. Em particular para a KS-FAM, caracterizamos as condições para que uma memória seja perfeitamente recordada, assim como a formada saída produzida ao apresentar um padrão de entrada qualquer. Provamos ainda que o algoritmo de treinamento do MP/CL converge em um número finito de passos e que a rede produzida independe da ordem com que os padrões de treinamento são apresentados. Além disso...

Este trabalho tem como objetivo principal o estudo de um método de controle baseado no uso de redes neurais artificiais aplicado ao problema de controle de vibrações em estruturas flexíveis. Este trabalho centra-se no estudo do esquema de controle inverso-direto, que consiste em identificar a dinâmica inversa da planta através de uma rede neural artificial para ser usada como controlador. Três exemplos de aplicação foram resolvidos utilizando-se controladores projetados com o método inverso-direto. A primeira aplicação é o controle de vibrações em uma estrutura mecânica de parâmetros concentrados. O segundo exemplo de aplicação é o controle de vibrações de uma placa engastada em uma de suas extremidades. Neste caso, a placa engastada foi modelada utilizando-se o método de elementos finitos. No seguinte exemplo, o modelo da placa usado no exemplo anterior foi reduzido, deixando apenas os primeiros modos de vibração. No último exemplo tratou-se o problema de controle não colocado das vibrações em uma placa engastada. Os resultados foram analisados a partir da resposta temporal e da resposta em frequência do sistema em malha fechada. Para comparar os resultados obtidos utilizando-se o método de controle baseado em redes neurais artificiais...

Esta dissertação estuda uma classe de redes neurais evolutivas para modelagem de sistemas a partir de um fluxo de dados. Esta classe é caracterizada por redes evolutivas com estruturas feedforward e uma camada intermediária cujo número de neurônios é variável e determinado durante a modelagem. A aprendizagem consiste em utilizar métodos de agrupamento para estimar o número de neurônios na camada intermediária e algoritmos de aprendizagem extrema para determinar os pesos da camada intermediária e de saída da rede. Neste caso, as redes neurais são chamadas de redes neurais evolutivas. Um caso particular de redes evolutivas é quando o número de neurônios da camada intermediária é determinado a priori, mantido fixo, e somente os pesos da camada intermediária e de saída da rede são atualizados de acordo com dados de entrada. Os algoritmos de agrupamento e de aprendizagem extrema que compõem os métodos evolutivos são recursivos, pois a aprendizagem ocorre de acordo com o processamento de um fluxo de dados. Em particular, duas redes neurais evolutivas são propostas neste trabalho. A primeira é uma rede neural nebulosa híbrida evolutiva. Os neurônios da camada intermediária desta rede são unineurônios, neurônios nebulosos com processamento sináptico realizado por uninormas. Os neurônios da camada de saída são sigmoidais. Um algoritmo recursivo de agrupamento baseado em densidade...

System identification consists of the development of techniques for model estimation from experimental data, demanding no previous knowledge of the process. Aeroelastic models are directly influence of the benefits of identification techniques, basically because of the difficulties related to the modelling of the coupled aero- and structural dynamics. In this work a comparative study of the bilinear dynamic identification of a helicopter blade aeroelastic response is carried out using artificial neural networks is presented. Two neural networks architectures are considered in this study. Both are variations of static networks prepared to accomodate the system dynamics. A time delay neural networks (TDNN) for response prediction and a typical recurrent neural networks (RNN) are used for the identification. The neural networks have been trained by Levemberg-Marquardt algorithm. To compare the performance of the neural networks models, generalization tests are produced where the aeroelastic responses of the blade in flapping and torsion motions at its tip due to noisy pitching angle are presented. An analysis in frequency of the signals from simulated and the emulated models are presented. In order to perform a qualitative analysis, return maps with the simulation results generated by the neural networks are presented.

This paper presents some intermediate results on fingerprint classification adopting a neural network as decision stage, in order to evaluate the performance of a discrete wavelet transform as feature extraction technique. Some issues on the image acquisition, preprocessing and segmentation are also discussed.; 5000

Approved for public release, distribution is unlimited; This research examines andanalyzes the use of neural networks as a forecasting tool. Specifically a neural network's ability to predict future trends of Stock Market Indices is tested. Accuracy is compared against a traditional forecasting method, multiple linear regression analysis. Finally, the probability of the model's forecast being correct is calculated using conditional probabilities. While only briefly discussing neural network theory, this research determines the feasibility and practicality of usingneural networks as a forecasting tool for the individual investor. This study builds upon the work done by Edward Gately in his book Neural Networks for Financial Forecasting. This research validates the work of Gately and describes the development of a neural network that achieved a 93.3 percent probability of predicting a market rise, and an 88.07 percent probability of predicting a market drop in the S&P500. It was concluded that neural networks do have the capability to forecast financial markets and, if properly trained, the individual investor could benefit from the use of this forecasting tool.; http://www.archive.org/details/forecastingfinan00kuts; Lieutenant, United States Navy

Este trabalho apresenta um estudo sobre a classificação de imagens digitais através da textura com o auxílio de redes neurais. São utilizadas técnicas e conceitos de duas áreas da Informática: O Processamento de Imagens Digitais e a Inteligência Artificial. São apresentados os principais tópicos de processamento de imagens, as principais aplicações em tarefas industriais, reconhecimento de padrões e manipulação de imagens, os tipos de imagem e os formatos de armazenamento. São destacados os atributos da imagem a textura e sua quantificação através da matriz de concorrência dos níveis de cinza. Também apresenta-se alguns sistemas computacionais disponíveis para processamento de imagens. Na área de Inteligência Artificial, o enfoque é para técnicas computacionais inteligentes, mais especificamente as Redes Neurais. É feita uma breve apresentação da área, incluindo seu histórico e suas principais aplicações. As redes neurais são classificadas quanto ao tipo de treinamento, à regra de aprendizado, à topologia da rede e quanto ao tipo de interconexão dos neurônios. O modelo BPN (BackPropagation Network) é visto com maior detalhe, visto ser utilizado na implementação do sistema IMASEG (Sistema para Classificação de Imagens) que faz parte desse trabalho. O BPN é descrito quanto ao seu funcionamento...

A pesquisa em redes neurais artificiais (RNAs) está atualmente experimentando um crescente interesse por modelos que utilizem a variável tempo como um grau de liberdade extra a ser explorado nas representações neurais. Esta ênfase na codificação temporal (temporal coding) tem provocado debates inflamados nas neurociências e áreas correlatas, mas nos últimos anos o surgimento de um grande volume de dados comportamentais e fisiológicos vêm dando suporte ao papel-chave desempenhado por este tipo de representação no cérebro [BALLARD et al. (1998)]. Contribuições ao estudo da representação temporal em redes neurais vêm sendo observadas nos mais diversos tópicos de pesquisa, tais como sistemas dinâmicos não-lineares, redes oscilatórias, redes caóticas, redes com neurônios pulsantes e redes acopladas por pulsos. Como conseqüência, várias tarefas de processamento da informação têm sido investigada via codificação temporal, a saber: classificação de padrões, aprendizagem, memória associativa, controle sensório-motor, identificação de sistemas dinâmicos e robótica. Freqüentemente, porém, não fica muito claro até que ponto a modelagem dos aspectos temporais de uma tarefa contribui para aumentar a capacidade de processamento da informação de modelos neurais. Esta tese busca apresentar...

We define a measure for the complexity of Boolean functions related to their implementation in neural networks, and in particular close related to the generalization ability that could be obtained through the learning process. The measure is computed through the calculus of the number of neighbor examples that differ in their output value. Pairs of these examples have been previously shown to be part of the minimum size training set needed to obtain perfect generalization in feedforward neural networks. The main advantage of the proposed measure, in comparison to existing ones, is the way in which the measure is evaluated, as it can be computed from the definition of the function itself, independently of its implementation. The validity of the proposal is analyzed through numerical simulations performed on different feedforward neural networks architectures, and a good agreement is obtained between the predicted complexity and the generalization ability for different classes of functions. Also an interesting analogy was found between the proposed complexity measure and the energy function of ferromagnetic systems, that could be exploited, by use of the existing results and mathematical tools developed within a statistical mechanics framework...

Current methods of speech intelligibility estimation rely on the subjective judgements of trained listeners. Accurate and unbiased intelligibility estimates have a number of procedural and/or methodological constraints including the necessity for large pools of listeners and a wide variety of stimulus materials. Recent research findings however, have shown a strong relationship between speech intelligibility estimates and selected acoustic speech parameters which appear to determine the intelligibility of speech. These findings suggest that such acoustic speech parameters could be used to derive computer-based speech intelligibility estimation, obviating the procedural and methodological constraints typically associated with such estimates. The relationship between speech intelligibility estimates and acoustic speech parameters is complex and nonlinear in nature. Artificial neural networks have proven in general speech recognition that they are capable of dealing with complex and unspecified nonlinear relationships. The purpose of this study was to explore the possibility of using artificial neural networks to make speech intelligibility estimates. Sixty hearing-impaired speakers, whose measured speech intelligibility ranged from 0 to 99%...

With the Bonner spheres spectrometer neutron spectrum is obtained through an unfolding procedure. Monte Carlo methods, Regularization, Parametrization, Least-squares, and Maximum Entropy are some of the techniques utilized for unfolding. In the last decade methods based on Artificial Intelligence Technology have been used. Approaches based on Genetic Algorithms and Artificial Neural Networks have been developed in order to overcome the drawbacks of previous techniques. Nevertheless the advantages of Artificial Neural Networks still it has some drawbacks mainly in the design process of the network, vg the optimum selection of the architectural and learning ANN parameters. In recent years the use of hybrid technologies, combining Artificial Neural Networks and Genetic Algorithms, has been utilized to. In this work, several ANN topologies were trained and tested using Artificial Neural Networks and Genetically Evolved Artificial Neural Networks in the aim to unfold neutron spectra using the count rates of a Bonner sphere spectrometer. Here, a comparative study of both procedures has been carried out.