UNIVERSIDADE FEDERAL DE MINAS GERAIS

Escola de Engenharia
Curso de Graduao em Engenharia de Controle e Automao

PROGRAMA DE DISCIPLINA
DISCIPLINA:
Redes Neurais Artificiais

CDIGO:
ENG009

DEPARTAMENTO RESPONSVEL:
Departamento de Engenharia Eletrnica

UNIDADE:
Escola de Engenharia

CARGA HORRIA:
Terica: 45 Prtica: 0
Total: 45 horas-aula

CRDITOS:
3

PERODO:

PR-REQUISITOS DE CONHECIMENTO:
Clculo, lgebra Linear e princpios de otimizao

CLASSIFICAO:
OB

PR-REQUISITOS:

CARGA HORRIA ESTIMADA EXTRA-CLASSE:

45 horas-aula

EMENTA:
Conceitos bsicos, Neurnios no crebro, Perceptrons, Memria matricial de correlao, Modelos
recorrentes, Redes feed-forward Multi-nveis, Redes Neurais Sem Peso, Sistemas auto-organizativos.
OBJETIVOS:
Introduo aos princpios de modelagem de dados e Redes Neurais Artificiais.
METODOLOGIA DE ENSINO:
( ) Aulas Expositivas em Quadro-Negro
(X) Utilizao de Transparncias ou Slides
( ) Aulas Prticas Demonstrativas
( ) Aulas Prticas de Montagem
(X) Trabalho Terico Extra-Classe

(X) Trabalho Prtico Extra-Classe

(X) Estudo Dirigido / Listas de Exerccios
( ) Aulas em Salas de Microcomputadores
( ) Outros - Especificar:

CRITRIOS DE AVALIAO:
Exerccios, provas e trabalhos.
PROGRAMA:
Conceitos bsicos: Histrico, Descrio esttica de uma RNA, Trajetria no espao de estados, Capacidade de
armazenamento, Recuperao de informao, Tcnicas de aprendizado, Regra de Hebb, Adaptao e aprendizado,
Aprendizado supervisionado, Aprendizado no supervisionado, Aprendizado competitivo
Neurnios no crebro : O modelo fsico, O modelo MCP, Funo de transferncia, Neurnio Artificial x Real
Perceptrons : consideraes bsicas, Teorema de convergncia, medida de performance e limitaes, Adaline.
Memria matricial de correlao : Modelo no-linear de Willshaw, Modelo ADAM, Modelo linear de Anderson e
Kohonen, Correo de erros, Exemplos prticos de aplicao
Redes feed-forward Multi-nveis: Perceptrons e suas limitaes, Regra de Widrow-Hoff, Algoritmo
Backpropagation, Clculo do nvel de sada, Clculo do nvel anterior, Ajuste da taxa de aprendizado, Funo de
transferncia, Interferncia retroativa, Exemplos de aplicao.
Sistemas auto-organizativos : Self-Organizing Feature Memory, Learning Vector Quantization (LVQ), Adaptive
Ressonance Theory (ART), Aprendizado por competio, Aplicaes.
BIBLIOGRAFIA:
Braga, A P, Carvalho, A P L e Ludermir, T B (2007). Redes neurais artificiais: teoria e aplicaes. LTC,
Livros Tcnicos e Cientficos.
Haykin, S. (2000). Redes Neurais: Princpios e Prticas. Segunda Edio. Bookman.
Hassoun, M. H. (1995). Fundamentals of artificial neural networks. MIT Press, Cambridge : MA.
Zurada, J.M. (1992) Introduction to Artificial Neural Systems, Publisher : West Pub. Co, US
Hertz, J., Krogh, A., and Palmer, R.G. (1991). Introduction to the theory of neural computation. AddisonWesley Publishing Company, Redwood City, CA.

UNIVERSIDADE FEDERAL DE MINAS GERAIS

Escola de Engenharia
Curso de Graduao em Engenharia de Controle e Automao

Aleksander, I. e Morton, H. (1995). An Introduction to Neural Computing, 2 Ed., International Thomson

Editions.
PROFESSOR RESPONSVEL:
Antnio de Pdua Braga

DATA DA APROVAO: