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&#171 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, in general, are used as associative memory devices. Such devices have the capacity to retrieve a previously stored memory, even when exposed to partial or degraded information. To store a memory means to create an attractor for it in the network dynamics, and this is done by specifying the set of synaptic weighs. In this thesis, we concentrate on two classical ways of specifying the synaptics weighs: the pseudo-inverse and the optimal weighs models. For extremely diluted neural networks, for which the connectivity C and the number of neurons N satisfy the condition C &#171 In N, we obtain the phase diagrams in the complete space of the model parameters through the analytical study of the retrieval overlap dynamics. We also investigate the retrieval properties of fully connected neural networks using two approaches: the analytical study of the neighborhood of the stored patterns, and the exhaustive enumeration of the attractors via numerical simulations. Finally, we study analytically the problem of categorization in the pseudo-inverse model. Categorization in attractor neural networks is the capacity to create an attractor for a concept to which the network has had access only through a finite number of examples.

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&#171 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, in general, are used as associative memory devices. Such devices have the capacity to retrieve a previously stored memory, even when exposed to partial or degraded information. To store a memory means to create an attractor for it in the network dynamics, and this is done by specifying the set of synaptic weighs. In this thesis, we concentrate on two classical ways of specifying the synaptics weighs: the pseudo-inverse and the optimal weighs models. For extremely diluted neural networks, for which the connectivity C and the number of neurons N satisfy the condition C &#171 In N, we obtain the phase diagrams in the complete space of the model parameters through the analytical study of the retrieval overlap dynamics. We also investigate the retrieval properties of fully connected neural networks using two approaches: the analytical study of the neighborhood of the stored patterns, and the exhaustive enumeration of the attractors via numerical simulations. Finally, we study analytically the problem of categorization in the pseudo-inverse model. Categorization in attractor neural networks is the capacity to create an attractor for a concept to which the network has had access only through a finite number of examples.