Resumo: Um dos principais problemas enfrentados no planejamento estratégico da cadeia de suprimentos de qualquer empresa é a previsão de demanda dos produtos e/ou serviços necessários. Obter informações da tendência do comportamento da demanda futura é imprescindível para a melhoria do nível de serviço em todos os setores de uma empresa. O problema abordado neste trabalho é a previsão de vendas de produtos aplicada a um sistema de reposição no varejo supermercadista. A programação de reposição de produtos pode ser otimizada de forma a maximizar a satisfação dos clientes (encontrando seus produtos nas lojas), minimizando a ruptura (falta de produtos nas gôndolas) dos mesmos e evitando a superestocagem. Estuda-se neste trabalho, de uma forma particular, o problema da ruptura que pode ocorrer na transição de produtos do Centro de Distribuição (CD) à Loja (CD-Loja). Utiliza-se, para isso, um método quantitativo clássico para a previsão de séries temporais, o algoritmo das Redes Neurais Artificiais de Função de Base Radial ou, simplesmente, Redes de Bases Radiais (RBF). Propõe-se neste trabalho, além de uma modificação no algoritmo das RBF, também um método qualitativo de interpretação dos resultados de previsão, com o estabelecimento de limites de estoque para cada produto de cada loja da rede. Analisou-se vários algoritmos de agrupamentos de padrões que podem ser utilizados na 2ª etapa do algoritmo das RBF e uma forma otimizada para se definir os seus parâmetros. Para melhor ilustrar a proposta, tomou-se por base dados reais de uma rede supermercadista, a qual utilizava o algoritmo das médias móveis para a previsão das séries temporais aplicado a um método de reposição baseada no tradicional método do ponto de pedido. Os resultados obtidos foram altamente satisfatórios reduzindo a ruptura CD-Loja, em média, de 12% para menos de 1% nos hipermercados e de 15% para cerca de 2% nos supermercados, gerando inúmeras vantagens competitivas para a empresa.

Resumo: Um dos problemas da modelagem de uma RBFNN - Radial Basis Neural Network, Rede Neural de Base Radial, consiste em determinar os pesos da camada de saída, geralmente representados por uma matriz retangular. Uma abordagem que tem ganho alguma notoriedade recentemente na resolução desse problema é a criação de modelos híbridos baseados na combinação de Meta-heurísticas, que são modelos gerais para solução de problemas de otimização, como alternativa ao método tradicional de realizar a pseudo-inversão da matriz com os valores de ativação da camada intermedíaria. Nesta pesquisa, duas destas Meta-heurísticas, Algoritmos Genéticos e Nuvem de Partículas (Particle Swarm Optmization) são implementadas a fim de comparar seus desempenhos com o método tradicional e também é proposta a mudança da representação dos indivíduos de uma população, em Algoritmos Genéticos, com a consequente adaptação operadores para algoritmos genéticos contínuos em que os indivíduos são matrizes, como é o caso do problema de calcular a matriz de pesos de uma RBFNN. Além disso, essas técnicas também são comparadas com a FDLF - Função Discriminante Linear de Fisher na classificação de padrões. Para fins de validação da hipótese levantada, foi realizado um experimento com seis bancos de dados e os resultados mostraram que as abordagens mais eficientes foram o treinamento tradicional das RBFNN e a FDLF, já a modificação proposta se mostrou tão consistente quanto o Algoritmo Genético tradicional no que diz respeito à eficiência ao encontrar soluções.

Resumo

Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2018-02-27T12:42:24Z No. of bitstreams: 1 texto completo.pdf: 1903320 bytes, checksum: 9c86d1ca2a5b6d4ab5edd2aa72795ffa (MD5) / Made available in DSpace on 2018-02-27T12:42:24Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1903320 bytes, checksum: 9c86d1ca2a5b6d4ab5edd2aa72795ffa (MD5) Previous issue date: 2018-02-01 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Os programas de melhoramento genético existem com dois objetivos principais: identificação de genótipos superiores e a obtenção de combinações melhoradas por meio de cruzamento entre esses indivíduos elite. Os mais diversos ramos da genética, estatística e biometria contribuíram para o estabelecimento de diferentes estratégias de melhoramento para seleção de genótipos superiores. Em particular, metodologias baseadas em seleção genômica ampla tem apresentado grande destaque dentre os estudos mais recentes de seleção. A seleção genômica ampla (Genome Wide Selection), envolve estudos biométricos e une genética de populações, genética molecular e a genética quantitativa. A maior motivação para tais estudos consiste na possibilidade de utilizar genotipagem em grande escala e incorporar informações genômicas no processo de predição, de modo a aumentar a eficiência seletiva, obter ganhos genéticos de forma mais ágil e diminuir os custos. Nos modelos de genética, as variações fenotípicas dos indivíduos consistem na variância genotípica dos mesmos agregando variâncias devido a dominância, variância ambiental e também epistasia. No entanto, os modelos de GWS, de modo geral, negligenciam a influência de dominância e epistasia, levando em consideração apenas os efeitos aditivos das características. Além disso, a alta densidade de marcadores moleculares pode levar a problemas de dimensionalidade e multicolinearidade. Neste contexto, o uso de estratégias de redução de dimensionalidade e de metodologias baseadas em inteligência computacional que abordem mais adequadamente a inclusão de tais efeitos em estudos de seleção e predição constituem a proposta neste trabalho. O trabalho visa abordar três tópicos principais: o capitulo propõe avaliar a eficiência do RR-BLUP para predição de valores genéticos de uma população simulada com 12 características complexas que contemplavam efeitos de dominância, epistasia e efeitos ambientais. No capítulo 2 propõe-se a aplicação dos Métodos de Regressão Stepwise e da Sonda para redução de dimensionalidade a fim de aumentar a eficiência preditiva do método RR-BLUP aplicado na mesma população considerada no capitulo 1. Finalmente, o capítulo 3 visa avaliar a eficiência das metodologias de inteligência computacional baseadas em Redes Neurais Artificiais de Redes Perceptron Multicamadas e as Redes de Função de Base Radial para predição dos valores genéticos da população simulada abordada nos capítulos anteriores. Os resultados indicaram que o uso de metodologias de redução de dimensionalidade contribui para o aumento da eficiência do método RR-BLUP. No entanto, também evidenciaram a deficiência desse método para predizer valores genéticos de populações que incluam efeitos de dominância e epistasia no controle gênico das características de interesse. As metodologias de Redes Neurais Multicamadas e as Redes de função de Base Radial propostas apresentaram acurácia preditiva, expressa pelo erro quadrático médio, superior à apresentada pelo RR-BLUP, demonstrando que as metodologias de inteligência computacional foram mais eficientes que a Seleção Genômica Ampla para o estudo de características complexas com controle gênico envolvendo efeitos aditivos, dominantes e epistáticos. / Genetic breeding programs exist with two main objectives: to identify superior genotypes and to obtain improved combinations through cross-breeding among these elite individuals. The most diverse branches of genetics, statistics and biometry contributed to the establishment of different breeding strategies for selecting superior genotypes. In particular, methodologies based on genomic selection have shown great prominence among the most recent selection studies. Genome Wide Selection, involves biometric studies and gathers genetic of populations, molecular genetics and quantitative genetics. The greatest motivation for such studies is the possibility of using large-scale genotyping and incorporating genomic information into the prediction process, in order to increase selective efficiency, obtain genetic gains and reduce costs. In genetic models, the phenotypic variations of the individuals consist in the genotypic variance including variances due to dominance, environmental variance and also epistasis. However, the GWS models generally neglect the influence of dominance and epistasis, taking into consideration only the additive effects of the characteristics. In addition, the high density of molecular markers can lead to problems of dimensionality and multicollinearity. In this context, the use of dimensionality reduction strategies and methodologies based on computational intelligence that more adequately address the inclusion of effects due to dominance and epistasis in a selection and prediction study are the proposal in this work. The aim of this work is to address three main topics: Chapter ] proposes to evaluate the efficiency of RR-BLUP for predicting genetic values of a simulated population with 12 complex traits that included effects of dominance, epistasis and environmental effects. In Chapter 2 we propose the application of the Stepwise Regression and Sonda methods to reduce dimensionality in order to increase the predictive efficiency of the RR-BLUP method applied in the same population considered in chapter ]. Finally, chapter 3 aims to evaluate the efficiency of computational intelligence methodologies based on Artificial Neural Networks of Multilayer Perceptron and the Radial Basis Function Neural Networks to predict the genetic values of the simulated population discussed in previous chapters. The results indicated that the use of dimensionality reduction methodologies contribute to increase the efficiency of the RR-BLUP method. However, they also evidenced the deficiency of this method to predict genetic values for populations that include effects of dominance and epistasis in the gene control of the characteristics of interest. The methodologies of Multilayer Perceptron and Radial Basis Function Neural Networks proposed presented predictive accuracy, expressed by the mean square error, higher than that presented by the RR-BLUP, demonstrating that the computational intelligence methodologies were more efficient than the Genome Wide Selection for the study of complex characteristics with gene control involving additive, dominant and epistatic effects.

A região promotora é uma sequência de DNA localizada anteriormente à uma região codificante e é responsável por iniciar o processo de transcrição. Deste modo, atua como um elemento regulador. O estudo da regulação da expressão gênica auxilia na compreensão da maquinária vital dos seres vivos, no conhecimento sobre a funcionalidade dos genes em diferentes espécies, na resposta celular frente às mudanças ambientais, entre outras questões. Embora os métodos computacionais para a predição de genes possuam uma boa acurácia o mesmo não é conseguido para os promotores. Esta dificuldade se deve ao tamanho reduzido do promotor e ao padrão pouco conservado, o que gera resultados com alto número de falsos positivos. Esta tese teve como objetivo a utilização de Redes Neurais Artificiais na predição, caracterização e reconhecimento de promotores de bactérias Gramnegativas. Diferente de outros trabalhos, a predição realizada não foi limitada apenas aos promotores dos genes constitutivos; foi realizada também para as demais classes de sequências promotoras. Além da abordagem clássica utilizando a composição de nucleotídeos foram empregados os valores de estabilidade da sequência. De modo a otimizar o aprendizado da Rede Neural e implementar uma ferramenta própria para a predição de promotores, foram extraídas regras de inferência (baseadas no conhecimento produzido durante o treinamento da rede) que foram ponderadas e implementadas em uma nova ferramenta, chamada BacPP. Até o presente, os resultados obtidos com o BacPP foram satisfatórios e comparáveis com a literatura. Os valores de exatidão obtidos com o BacPP para os fatores σ24, σ28, σ32, σ38, σ54 e σ70 de E. coli foram, 86,9%; 92,8%; 91,5%; 89,3%; 97,0%; 83,6%, respectivamente. Quando a ferramenta foi aplicada em promotores pertencentes a outras bactérias Gram-negativas, a exatidão geral foi de 76%. Considerando a importância da predição de promotores e a ausência de banco de dados com informações para outras bactérias, implementou-se o IntergenicDB, um banco de dados com diversas informações sobre as sequencias intergênicas e o valor de classificação destas para os diferentes fatores σ bacterianos, conforme os resultados obtidos com o BacPP. / Submitted by Marcelo Teixeira (mvteixeira@ucs.br) on 2014-06-17T12:01:02Z No. of bitstreams: 1 Tese Scheila de Avila e Silva.pdf: 5973071 bytes, checksum: f889c78c177d3610ab61727477ea5cfc (MD5) / Made available in DSpace on 2014-06-17T12:01:02Z (GMT). No. of bitstreams: 1 Tese Scheila de Avila e Silva.pdf: 5973071 bytes, checksum: f889c78c177d3610ab61727477ea5cfc (MD5) / The promoter region is located some few base pairs before a coding region. It is responsible for initiating gene expression process, thus, it can plays a regulatory role. The study about gene expression regulation can assist mainly in the comprehension of complex metabolic network presented by several organisms and cellular answer considering the environment changes. The computational methods to gene prediction have a good accuracy, but this is not achieved in promoter prediction. This difficulty occurs because of the length of the promoter and its degenerate pattern. Those features can explain results with a great number of false positives present in the literature. The present thesis has as its main goal the neural networks applied to Gram-negative promoter prediction, recognition and characterization. Beside the classical approach with the nucleotides of the sequence, the prediction was also made by using stability values. Aiming at developing a own tool for bacterial promoter prediction, the rules extraction was carried out and the results were weighted and implemented. This tool, named BacPP, presents results comparable with the related literature. Currently, the BacPP specific accuracy for σ24, σ28, σ32, σ38, σ54 and σ70 were 86,9%; 92,8%; 91,5%; 89,3%; 97,0%; 83,6%, respectively. Furthermore, when challenged with promoter sequences belonging to other enterobacteria BacPP maintained 76% accuracy overall. Currently, there is no databases dedicated for other Gram-negative promoter than E.coli. For this reason, IntergenicDB was modeled and implemented. This database was projected to collect several pieces of information about the sequences and the organisms to which they belong and, the classification results originated from BacPP for each sequence.

Submitted by Eduardo de Paula Lima Nascimento null (eduardonascimento@sjrp.unesp.br) on 2017-05-03T17:47:40Z No. of bitstreams: 1 Disseração_Eduardo_final(com-ficha).pdf: 2073426 bytes, checksum: a2c9d8c91b46ab73cd4270922eb13b16 (MD5) / Approved for entry into archive by Luiz Galeffi (luizgaleffi@gmail.com) on 2017-05-05T13:51:15Z (GMT) No. of bitstreams: 1 nascimento_epl_me_sjrp.pdf: 2073426 bytes, checksum: a2c9d8c91b46ab73cd4270922eb13b16 (MD5) / Made available in DSpace on 2017-05-05T13:51:15Z (GMT). No. of bitstreams: 1 nascimento_epl_me_sjrp.pdf: 2073426 bytes, checksum: a2c9d8c91b46ab73cd4270922eb13b16 (MD5) Previous issue date: 2017-04-13 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes, e que adquirem conhecimento pela experiência. Neste trabalho apresenta-se o desenvolvimento de uma Rede Neural Artificial (RNA) capaz de reconhecer aspectos de Inteligências Múltiplas, para que seja possível direcionar alunos para conteúdos mais apropriados em ferramentas de apoio ao ensino. Foram desenvolvidas e testadas, nesta pesquisa, três Redes Neurais Artificiais (RNA), a primeira possuindo quatro entradas, correspondentes às somas de respostas dadas a perguntas cotidianas, e quatro saídas lineares utilizando a função sinal como função de ativação. A segunda rede possui doze entradas, correspondentes às respostas das perguntas cotidianas e quatro saídas contínuas utilizando a função Sigmoide para a classificação das inteligências. A terceira rede, por sua vez, possui a mesma configuração da segunda rede, porém com uma camada oculta e também foi inserido um valor à função Sigmoide, para que o treinamento apresentasse um melhor aproveitamento. Os testes foram realizados com todas as redes desenvolvidas, que eram reprogramadas, sempre que necessário, com os resultados dos testes realizados, uma vez que em alguns casos eles ainda eram inconclusivos por não conseguirem dar segurança à classificação das inteligências. Neste trabalho também são apresentados e discutidos, os resultados obtidos na utilização da Rede Neural Artificial por alunos de diversas universidades de São José do Rio Preto. / Artificial Neural Networks are computational techniques that present a mathematical model inspired by the neural structure of intelligent organisms, and can acquire knowledge through experience. This research presents the development of an Artificial Neural Network capable of recognizing aspects of Multiple Intelligences, so that it is possible to direct students to more appropriate content in tools to support education. In this research, three Artificial Neural Networks (RNA) were developed and tested. The first network has four inputs, corresponding to the sums of answers given to daily questions, and four linear outputs using the signal function as activation function. The second network has twelve inputs, corresponding to the answers of the daily questions and four continuous outputs using the Sigmoid function for the classification of intelligences. The third network, has the same configuration as the second network, but with a hidden layer and a value was also added to the Sigmoid function, so that the training could be better. The tests were performed with all the developed networks, which were reprogrammed, whenever necessary, with the results of the tests performed, since in some cases they were still inconclusive. In this paper are also presented and discussed, the results obtained in the use of Artificial Neural Network by students of universities of São José do Rio Preto.

Orientador: Carlos Roberto Minussi / Banca: Antonio Padilha Feltrin / Banca: Maria do Carmo G. da Silveira / Banca: João Onofre Pereira Pinto / Banca: Arlan Luiz Bettiol / Resumo: Esta pesquisa apresenta uma metodologia para a análise da estabilidade transitória de primeira oscilação de sistemas de energia elétrica usando uma rede neural baseada na arquitetura ART (Adaptive Resonance Theory), designada rede neural ARTMAP Euclidiana. A margem de segurança (método da energia) é empregada como critério de análise de estabilidade transitória, considerando-se, na forma preliminar, o modelo clássico e defeitos tipo curto-circuito trifásico com saída de linha de transmissão. A metodologia proposta está concebida, ainda, com a possibilidade de se considerar modelos mais elaborados (e.g., o modelo de Park), se comparados ao modelo clássico. Esta alternativa pode se tornar exeqüível, por meio do uso de um segundo módulo neural e de um índice, para fins de treinamento, gerado considerando-se uma combinação, por exemplo, da margem de segurança (análise quantitativa / qualitativa com média precisão) e de informações fornecidas por processo de simulação (análise qualitativa com alta precisão). As arquiteturas ART apresentam as características de estabilidade e plasticidade, as quais são imprescindíveis para a realização do treinamento e execução da análise de forma rápida. A versão ARTMAP Euclidiana proporciona soluções mais precisas e mais rápidas, se comparada à configuração ARTMAP nebulosa. O funcionamento da rede é constituído por três fases principais: treinamento (ou aprendizado), análise e treinamento continuado. A realização da fase de treinamento requer uma grande quantidade de processamento, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Esta é, portanto, a principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, como é o caso de aplicações em tempo real... / Abstract: This work presents a methodology for transient stability analysis of first swing of electrical energy systems, using a neural network based on ART (Adaptive Resonance Theory), named Euclidean ARTMAP neural network. The security margin (energy method) is used as a criterion for transient stability analysis, considering, in the preliminary form, the classical model and faults like three-phase short-circuit with outage of a transmission line. The proposed methodology is conceived, even that, with the possibility to consider more elaborated models (e.g., the Park model), when compared to the classical model. This alternative can become executable, through the use of a second neural module and an index for training, generated considering a combination, for example, the security margin (quantitative / qualitative analysis with precision average) and information provided by simulation process (qualitative analysis with precision high). The ART neural network presents stability and plasticity characteristics, which are very important for realization of the training and analysis, executed in a very fast way. The Euclidean ARTMAP version gives more accurate solutions and more fast, when compared to the Fuzzy ARTMAP. The performance of neural network is constituted of three principal phases: training (or learning), analysis and continuous training. The training phase needs a great quantity of processing time for the realization, whereas the analysis phase is effectuated almost without computational effort. Therefore, this is the principal justification to use neural network for solving complex problems that need fast solutions, as the case of real time applications ... / Doutor

Orientador: Marcelo Fábio Gouveia Nogueira / Co-orientador: José Celso Rocha / Banca: Fernando Frei / Banca: Andrea Cristina Basso / Resumo: A classificação morfológica embrionária possui grande importância para inúmeras técnicas laboratoriais (desde pesquisas básicas às aplicadas na reprodução assistida). Entretanto, o método utilizado para realizar a classificação dos embriões em diferentes graus de qualidade sempre foi baseado na subjetividade do avaliador e, por mais que sejam estabelecidos padrões de graus de qualidade e descrições das características morfológicas que categorizam um embrião em cada grau, não há atualmente um método preciso que possa gerar resultados consistentes e confiáveis. Assim, nosso trabalho resultou no desenvolvimento de um software capaz de realizar a classificação da qualidade morfológica de blastocistos bovinos. Utilizamos como base de funcionamento técnicas de inteligência artificial (mais especificamente de Redes Neurais Artificiais e Algoritmos Genéticos). Resultados indicam uma taxa de acerto global de 79,2% na classificação de blastocistos bovinos em 3 graus de qualidade, sendo que para os blastocistos classificados como Excelentes ou Bons (Classe 1) a taxa de acerto é de 82,6%, para os blastocistos classificados como Regulares (Classe 2) é de 16,7% e para os blastocistos classificados como Pobres (Classe 3) a taxa de acerto é de 91,7% / Abstract: Embryonic morphological classification has great importance for numerous laboratory techniques (from basic to applied research in assisted reproduction). However, the method used to perform the classification of embryos in varying degrees of quality has always been based on the subjectivity of the evaluator. Although quality standards and descriptions of morphological characteristics that categorize an embryo in each grade are established, currently there is not an accurate method that can generate consistent and reliable results. Thus, our work resulted in the development of a software able to perform the classification of morphological quality of bovine blastocysts. Artificial Intelligence techniques (such as Artificial Neural Networks and Genetic Algorithms) were used in the development. Results indicate an overall accuracy of 79.2% in the classification of bovine blastocysts in 3 degrees of quality. For blastocysts classified as Excellent or Good (Class 1) the hit rate is 82.6%, for blastocysts classified as Regular (Class 2) is 16.7% and for blastocysts classified as poor (Class 3) the hit rate is 91.7% / Mestre

Orientador: Anna Diva Plasencia Lotufo / Co-orientador: Mara Lúcia Martins Lopes / Banca: Maria do Carmo Gomes da Silveira / Banca: Elizete de Andrade Amorim / Resumo: Com o aumento na demanda por energia elétrica o planejamento de geração, transmissão e distribuição bem como a operação são importantes para uma prestação de serviços de forma eficiente, econômica e confiável. Uma das ferramentas para gestão desses recursos são os modelos de previsão de séries temporais. Há diversos modelos na literatura, como os modelos de regressão, modelos estatísticos, dentre outros. Outro modelo que vem se destacando na literatura é a previsão utilizando as redes neurais artificiais, pela sua capacidade de aprendizado. As redes neurais possuem várias arquiteturas, e uma em particular, que é considerada padrão na literatura, é a rede perceptron multicamadas com o algoritmo backpropagation. O presente trabalho propõe uma rede neural híbrida composta pelo método de regressão linear com seleção de variáveis stepwise juntamente com a rede neural artificial perceptron multicamadas com o algoritmo backpropagation. O objetivo é obter um método simples e eficaz para redução de variáveis sem perda de qualidade de previsão. O modelo de regressão linear com o método de seleção de variáveis stepwise tem a função de selecionar as variáveis mais relevantes para compor o conjunto de dados de entrada para treinamento/diagnóstico da rede neural perceptron multicamadas com o algoritmo backpropagation que, consequentemente, é a responsável em realizar a previsão de carga elétrica. Com esta proposta busca-se uma metodologia que seja capaz de reduzir a quantidade de variáveis de entrada da rede neural e obter resultados satisfatórios, ou seja, boas previsões. Para corroborar a metodologia proposta são apresentados os resultados da previsão de carga elétrica a curto prazo em um período de 24 e 48 horas a frente, considerando-se os dados históricos de uma companhia do setor elétrico / Abstract: With the increase in electric energy demand the planning of generation, transmission and distribution as well as the operation are important to provide services efficiently, economically and reliably. One of the tools to manage those resources are time series model forecasting. There are several models in the literature, as the regression models, statistical models, among others. Other model that has been highlighted in the literature is the forecasting using artificial neural network, due to the capacity of learning. Neural networks have several architectures, and one in particular, that is considered standard in the literature is the multilayer perceptron network with the backpropagation algorithm. The present work proposes a hybrid neural network composed by the linear regression method with stepwise variable selection with the multilayer perceptron artificial neural network with the backpropagation algorithm. The aim is to provide a simple and effective method to reduce the variables without losing the forecasting quality. The function of the linear regression model with stepwise variable selection is to select the more relevant variables to compose the input data set to training/ diagnostic of the multilayer perceptron neural network with the backpropagation algorithm that, consequently, is the responsible to realize the electric load forecasting. The aim of this proposal is to find a methodology that reduces the amount of input variables of the neural network and obtain satisfactory results. To verify the proposed methodology results are presented for electric short-term load forecasting in a period of 24 and 48 hours ahead, considering the historical data obtained from a company pertaining to the electrical sector / Mestre

Orientador: Maria de Lourdes Bueno Trindade Galo / Resumo: A utilização de dados de Sensoriamento Remoto em conjunto com técnicas de processamento digital e análise de imagens tem possibilitado o desenvolvimento de estudos integrados, com vistas ao monitoramento dos recursos naturais. Uma maneira de representar esses dados é através de mapas temáticos, obtidos por métodos de classificação multiespectral. Para a classificação de dados de Sensoriamento Remoto, a utilização de Redes Neurais Artifíciais tem se apresentado como uma alternativa vantajosa em relação aos classificadores baseados em conceitos estatísticos, uma vez que nenhuma hipótese prévia sobre a distribuição dos dados a serem classificados é exigida. Assim, esse trabalho teve como objetivo detectar a ocorrência e mapear a dispersão espacial de plantas aquáticas emersas em cinco reservatórios ao longo do rio Tietê-SP (Barra Bonita, Bariri, Ibitinga, Promissão e Nova Avanhandava) através da classificação por Redes Neurais Artifíciais...(Resumo completo, clicar acesso eletrônico abaixo) / Mestre