Made available in DSpace on 2014-06-12T17:42:08Z (GMT). No. of bitstreams: 2 arquivo7391_1.pdf: 2352438 bytes, checksum: 319294a04eee3573d49e59a0ba114c98 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O mercado de ações é considerado uma opção de investimento de alto retorno, dominado pela incerteza e volatilidade. A realização da previsão do movimento deste mercado não é uma tarefa simples, pois está sujeito a diversos fatores econômicos, políticos e até mesmo psicológico. Os tradicionais métodos estatísticos e as análises existentes (técnica e fundamentalista) não se mostram capazes de identificar as relações não-lineares entre as diversas variáveis que compõem o preço de uma ação e os seus movimentos de alta e baixa, sendo necessárias o uso de técnicas mais avançadas como Redes Neurais Artificiais. Redes Neurais Artificiais (RNAs) são uma ferramenta que simulam a habilidade de aprendizado do cérebro humano. Redes neurais possuem, entre outras, a capacidade de modelar funções não-lineares em ambientes complexos e com informações com ruídos ou parciais. Conseqüentemente têm sido cada vez mais utilizadas para realizar previsões, inclusive no mercado de ações. Neste trabalho serão desenvolvidos modelos de redes neurais, com o intuito de realizar previsões de valores presentes e futuros de ações e suas tendências futuras de alta e baixa. Foram avaliadas diferentes formas de arquitetura, utilizando sempre como base uma rede direta perceptron multi-camadas (MLP). O estudo foi realizado primeiramente para a previsão diária e futura da ação preferencial da Petrobras e posteriormente estendido para a previsão de tendência de um e dois dias futuros deste ativo e do índice da Bolsa de Valores de São Paulo (Ibovespa). Os modelos estudados apresentaram um elevado grau de acerto na previsão de tendências de alta e baixa dos ativos em questão, sendo possível concluir que redes neurais podem ser utilizadas pelo investidor para auxiliá-lo no gerenciamento de sua carteira de investimentos

Made available in DSpace on 2014-06-12T18:04:02Z (GMT). No. of bitstreams: 2 arquivo210_1.pdf: 1599999 bytes, checksum: 6aa611c4066290949ffd21408dce9a3f (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Agência Nacional do Petróleo, Gás Natural e Biocombustíveis / Hoje em dia há uma tendência global de refino de óleos pesados e tecnologias capazes de converter esses óleos em frações mais leves e com um maior valor agregado tornam-se indispensáveis. Este fato tem evidenciado os processos térmicos, como o coqueamento retardado. Uma unidade de coqueamento é geralmente composta de por três equipamentos fundamentais: a torre fracionadora, o forno de coqueamento e no mínimo dois tambores de coqueamento que trabalham em alternância devido à remoção dos sólidos produzidos no processo. A torre fracionadora tem como objetivo principal o fracionamento dos efluentes oriundos dos tambores de coque e da corrente de alimentação que pode ser oriunda das torres a vácuo ou atmosférica, da integração energética de diversas correntes do processo, bem como do amortecimento dos distúrbios gerados quando há o switch entre os tambores que mantém a coluna sobre os valores desejados. Para simulação dinâmica da torre fracionadora partiu-se do modelo, em estado estacionário, desenvolvido por KAES em ambiente Hysys® utilizando a abordagem por pseudocomponentes para representação composicional de todas as correntes. O modelo adaptado foi utilizado para gerar dois diferentes bancos de dados para o treinamento de redes neurais, as quais foram utilizadas para inferenciar a composição dos gasóleos de coque leve e pesado. Para construção do estimador neural, em ambiente Matlab®, foi realizada uma análise de sensibilidade utilizando a decomposição em valores singulares (SVD) a fim de se selecionar as melhores variáveis como entradas para o modelo. Na definição da topologia da rede neural, fez-se uso de um software de busca de topologia, AV Analisador Virtual, para determinar a melhor topologia possível baseando-se em dois diferentes parâmetros de escolha, o primeiro com base no erro, e o segundo com base no erro e no número de neurônios. Avaliaram-se as redes para ambos os bancos de dados gerados escolhendo-se as melhores redes através do erro médio quadrático. As composições estimadas foram utilizadas na elaboração de um controle inferencial e comparados a estruturas de controle baseadas na temperatura de topo e num prato escolhido

Made available in DSpace on 2014-06-12T18:06:31Z (GMT). No. of bitstreams: 2 arquivo7744_1.pdf: 3910735 bytes, checksum: 57edb854b2e0da92969b7239b5a7500e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Utilizamos redes de mapas acoplados para modelar o comportamento coletivo de neurônios, onde cada elemento da rede é modelado pelo mapa não-linear proposto por Kuva et al. (2001). O mapa possui três variáveis, duas variáveis rápidas e uma lenta (que pode ser vista como uma corrente lenta), e mostra-se hábil para representar uma grande variedade de comportamentos de um neurônio individual real, tal como "bursting", disparos regulares, disparos rápidos e comportamento excitável. O modelo consiste em redes hipercúbicas de neurônios excitáveis, acoplados eletricamente através de uma condutância passiva G entre os primeiros vizinhos. As regiões onde a rede apresenta comportamento excitável coletivo são determinadas via análise de estabilidade linear. O limite de validade do modelo é determinado pelas linhas de bifurcação, em G = Gc, que delimitam a região de excitabilidade da rede: para valores da condutância acima do valor crítico, a rede passa de um regime excitável para um regime caótico. Com o sistema na região excitável, simulamos redes unidimensionais (1D) e bidimensionais (2D). Em 2D, além da rede completa, simulamos redes diluídas introduzindo uma probabilidade P de existir uma sinapse elétrica (com condutância G) entre dois vizinhos (percolação de ligação). O estímulo na rede é induzido por um processo de Poisson. Em 1D, a resposta da rede (a média da taxa de disparos na rede) como função da intensidade de estímulo apresenta um alargamento na faixa dinâmica, em comparação com a resposta de neurônios individuais. Esse resultado está, qualitativamente, de acordo com resultados experimentais e previsões teóricas obtidas através de modelos simplificados de autômatos celulares, o que fortalece a idéia de que o acoplamento elétrico pode levar ao aumento da faixa dinâmica. Em 2D, esse efeito é atrapalhado pela ocorrência de atividade auto-sustentável (ondas espirais), para a rede completa (P = 1). Isso pode ser corrigido com a escolha de um P apropriado para a diluição da rede. Dado G < Gc, existe um valor P*(G) tal que a faixa dinâmica é maximizada. Em 1D, a faixa dinâmica é máxima na criticalidade G = Gc

Made available in DSpace on 2014-06-12T18:07:39Z (GMT). No. of bitstreams: 2 arquivo7972_1.pdf: 731773 bytes, checksum: 55304014acdffd7e9fb943248ed1bcd2 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Este trabalho teve como objetivo estudar métodos baseados em Inteligência Artificial (IA), em particular, as Redes Neurais Artificiais (RNA), aplicados em controle de processos. O sistema a ser estudado é composto de uma coluna de destilação existente na planta da PETROFLEX de Cabo de Santo Agostinho, a qual faz parte do sistema de purificação de solvente. O principal processo de produção da PETROFLEX se dá através da reação de polimerização do Butadieno-1,3 formando a borracha sintética. Ocorre através do mecanismo conhecido como polimerização aniônica em solução em presença de um iniciador, onde o solvente, principalmente constituído de N-Hexano e Ciclohexano, é o meio no qual a reação ocorre. A mistura de borracha sintética e solvente, conhecida como cemento é encaminhada para um sistema onde o solvente é separado da borracha e em seguida, é enviado ao sistema de purificação de solvente. A função do sistema em estudo é remover impurezas representadas por compostos leves, na faixa de 4 átomos de carbono, que contaminando a corrente de solvente traz grandes perturbações ao sistema de reação. Esses são principalmente o cis-Buteno-2 e o próprio Butadieno-1,3 não convertido. Embora, em si não sejam contaminantes, sua presença normalmente está associada a teores bastante diminutos de outros compostos altamente indesejáveis como os acetilenos (Etilacetileno, Vinilacetileno ou Metilacetileno). A coluna de destilação opera com seus controladores ajustados em valores fixos, devido ao fato de não se conhecer a todo instante a composição da carga e a de fundo da coluna. Isto nem sempre produz bons resultados e na maior parte do tempo gasta-se mais energia que o necessário. Propõe-se, então, a implementação de um sistema de controle que deverá se ajustar às diferentes condições de operação, como uma conseqüência da variação da composição da carga. O trabalho foi constituído de três etapas : Na primeira, utilizou-se o simulador de processos ASPEN PLUS para simular e validar as condições operacionais da coluna de destilação; na segunda, utilizou-se o conjunto de dados gerados pelo simulador para realizar a identificação do processo via uma rede neural (RNA). Na terceira, foi implementado um controlador adaptativo, onde o sinal de processo para o controlador vem da RNA. O simulador de processos ASPEN PLUS se baseia em modelos fenomenológicos. A RNA a ser implementada e treinada, tomará por base os dados gerados por este simulador, numa etapa denominada de identificação do processo, resultando em mais agilidade à obtenção dos dados necessários ao treinamento da rede. O controle do processo, denominado de Controle Adaptativo fará uso desta rede, que será responsável pela predição do sinal de controle. O controlador adaptativo baseado no modelo de rede neural, modifica a sintonia do controlador da variável controlada atuando de acordo com o critério especificado, enquanto ao mesmo tempo, o sinal de processo para o controlador adaptativo é predito pelo modelo de rede neural. Os resultados obtidos pelo simulador demonstraram um alto grau de compatibilidade com as condições reais da planta, dando boa representatividade ao processo. A RNA também após treinada e validada apresentou um erro inferior a 0,9 %. De posse destas informações, realizou-se a implementação de um controlador adaptativo para a vazão de refluxo da coluna de destilação, onde definiu-se equações relacionando os parâmetros de sintonia do controlador ao teor de leves na corrente de carga da coluna. A opção de implementação de um controlador adaptativo na coluna de destilação da PETROFLEX deverá proporcionar uma melhor estabilidade na qualidade das especificações dos produtos da coluna devido à maior sensibilidade que este tipo de controle apresenta,adequando-se melhor às perturbações e apresentando uma performance superior ao controle regulatório padrão baseado em controladores PID (Proporcional-Integral-Derivativo)

Organizador: Marcio Luiz de Andrade Neto / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-24T07:14:59Z (GMT). No. of bitstreams: 1 Schlunzen_ElisaTomoeMoriya_M.pdf: 4771460 bytes, checksum: b8412b3352883587aa29ea546736ab50 (MD5) Previous issue date: 1994 / Resumo: Redes Neurais Artificiais são modelos computacionais inspirados no sistema nervoso biológico. Seus elementos de processamento são neurônios que produzem a soma ponderada das entradas e aplicam o resultado a uma função de transferência não linear, para gerar uma saída. Estes mojdelos têm-se mostrado adequados para o reconhecimento de padrões e classificação de dados mufltiespectrais de Sensoriamento Remoto. Neste contexto, foi desenvolvido um trabalho com o objetivo de implementar uma Rede Neural Multicamadas com algoritmo de treinamento "Bi Lckpropagation", para utilização na classificação de ura segmento de imagem TM/LANDSAT, ref;rente a uma área teste pré-selecionada e comparar os seus resultados com os de um cia isificador de Máxima Verossimilhança (MAXVER). O treinamento da Rede foi feito segundo trê: abordagens distintas, inicialmente com a apresentação pixel a pixel e, em seguida, da aqi isição de grupos de pixels. Os resultados obtidos mostram que, genericamente, à medida que sãc incorporadas informações de vizinhança ao treinamento da Rede, ocorre um melhor dei empenho do classificador. A comparação das classificações geradas pela Rede com aquelas obl idas com a aplicação do MAXVER mostrou um melhor desempenho da Rede, em termos de número de pixel classificados e similaridade com a verdade terrestre, quando se consideram condições semelhantes de amostragem durante o treinamento. Isto permite concluir que o treinamento da Rede Neural não implica em uma localização tão criteriosa das amostras, nem quj: o tamanho amostrai seja tão abrangente quanto no caso do MAXVER / Abstract: Artificial Neural Networks are computing models inspired in the biological nervous system, whose processing elements are neurons highly interconnected which produce a pondered sum of the fentrances and use the result to a function of non-linear transfer in order to generate a way out. These models have shown to be adequate to a Pattern Recognition and to the Remote Sent ling Multiespectral data classification, as well. Thus, an interesting task has been developed aiming to implement a multilayer Perception Neural Network with Backpropagation training and using it to serve as a digital classification of an area test segment of a TM/LANDSAT image, refaing to a preselected test area and so comparing the result of the utilization of this algorithm to tie result of a Maximum Likelihood algorithm classification. The Neural Net training was mac e through three different approaches: at the beginning using a pixel to pixel presentation and, as a sequence the acquisition of pixel groups. The result showed that as the information collected firon the neighborhood is incorporated to the network training, there will be a superior performance of the classifier. Moreover, the neural network classification resulted in a fewer nunber of non-classified pixels and a better similarity with ground truth than MAXVER classification. This allowed us to conclude that the Neural Network training is faster and easier thai] the training of a MAXVER classification algorithm / Mestrado / Mestre em Engenharia Elétrica

Orientador: Anselmo Eduardo Diniz / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica / Made available in DSpace on 2018-07-20T11:19:24Z (GMT). No. of bitstreams: 1 Hara_CelsoMinoru_M.pdf: 18210091 bytes, checksum: 703d96e069724514e2248d6a5cd4ff7f (MD5) Previous issue date: 1995 / Resumo: O objetivo principal deste trabalho é mostrar a eficácia da utilização de redes neurais em sistemas de monitoramento da vida da ferramenta usando sinais de vibração. Para tal, montou-se um sistema composto de acelerômetros piezoelétricos adaptados ao porta-ferramentas, acopladores que podem ler o sinal fornecido pelos acelerômetros e uma placa analógica/digital que converte esses sinais de maneira que possam ser armazenados e lidos pelo computador. Realizou-se ensaios de torneamento cilíndrico variando-se as condições de usinagem (velocidade de corte e avanço) em aço ABNT 4340. O sinal de vibração foi adquirido e armazenado e as rugosidades média e máxima da superfície da peça foram medidas. Posteriormente, executou-se uma rede neural "back-propagation" tendo como valores de entrada os sinais de vibração e as condições de usinagem e fornecendo como saída a indicação do estado de desgaste da ferramenta. A contribuição mais importante deste trabalho é a indicação através da rede neural, de um intervalo de melhor aproveitamento da ferramenta de corte no que se refere ao desgaste, possibilitando utilizá-Ia da melhor forma até o momento de sua troca / Abstract: The main goal of this work is to show the feasibility of employing neural networks techniques on tool life monitoring systems using vibration signals. For this purpose, a system was set with two piezoelectrical accelerometers attached on the tool holder, couplers that can read the signal emitted by the accelerometers and an A/D board that converts these signals in order to save and read them in the computer. Several turning tests were carried out with different cutting conditions using ABNT 4340 steel as the workpiece material. The vibration signals were sampled and stored and the average and maximum surface roughness of the workpiece were measured. Later, a back-propagation neural network was run with cutting conditions and vibr~tion signals as input parameters and with tool wear status as output parameter. The most important conclusion of this work is that the neural network is able of establishing an interval of cutting time where the tool must be replaced, optimizing the utilization of the tool / Mestrado / Materiais e Processos de Fabricação / Mestre em Engenharia Mecânica

Orientador : Marcio Luiz de Andrade Netto / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-19T07:55:54Z (GMT). No. of bitstreams: 1 Campanha_JoseRoberto_D.pdf: 5894259 bytes, checksum: 50a6db00a4aedfc2f04ddd819fc66307 (MD5) Previous issue date: 1994 / Resumo: Propomos neste trabalho um método mais simples, para o cálculo dos parâmetros de ordem de redes neurais, baseados nos cumulantes de uma distribuição. Aplicamos este método ao modelo de Hopfield,obtivemos seus parâmetros de ordem m.q e r e baseados nestes parâmetros, construímos seu diagrama de fase. A seguir, estudamos com nosso método, um modelo de rede neural com esquecimento, e outra rede com baixo nível de atividade neural obtendo novamente, os mesmos resultados que os obtidos pelos métodos da Mecânica Estatística. Trata-se de uma generalização da regra de Hebb, em que consideramos a variação espacial da interação. A partir do método dos cumulantes calculamos os parâmetros de ordem do 1t modelo e mostramos que para k > -2L não há recuperação dos padrões aprendidos pela rede. A principal vantagem do método proposto é ser mais simples do que os métodos da Mecânica Estatística, e por isto acredito, ser acessível a profissionaisde outras áreas / Abstract: Not informed. / Doutorado / Automação / Doutor em Engenharia Elétrica

Orientador: João Marcos Travassos Romano / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-19T08:13:48Z (GMT). No. of bitstreams: 1 DestroFilho_JoaoBatista_M.pdf: 8643175 bytes, checksum: 31e4a919df4446d9b58e6ebea11efa78 (MD5) Previous issue date: 1994 / Resumo: Nesta tese realiza-se um estudo cujo objetivo é estabelecer uma base teórica para o processamento neural-adaptativo de sinais, uma nova técnica que visa conjugar as potencialidades intrínsecas das propriedades coletivas emergentes de redes neurais ao sólido formalismo matemático da filtragem adaptativa. Isto possibilita, ao mesmo tempo, uma análise matemática mais aprofundada dos princípios básicos do processamento de informação neural (auto-organização e processamento paralelo distribuído) e a generalização da aplicação de filtros adaptativos a situações mais complexas (por exemplo, no caso de aplicações que envolvam ruído não-gaussiano). A base teórica proposta nesta tese está fundamentada numa série de analogias matemáticas e conceituais existentes entre as redes neurais e a filtragem adaptativa, que envolvem estruturas, algoritmos de treinamento e princípios básicos. Evidencia-se como redes neurais podem ser fundamentadas pelo formalismo matemático associado à filtragem adaptativa, em termos da equação de Wiener-Hopf, da predição linear , do algoritmo do gradiente estocástico e da desconvolução cega. Simultaneamente, demonstra-se como filtros adaptativos podem ser relacionados aos princípios básicos de redes neurais, por exemplo, ao sistema nervoso vertebrado, à sinapse de Hebb, ao processamento paralelo distribuído, à auto-organização e à psicologia cognitiva. Apresenta-se uma metodologia de trabalho para sinais o desenvolvimento do processamento neural-adaptativo de e discutem-se alguns resultados já alcançados por esta nova abordagem, que consistem na análise matemática simultânea do processamento paralelo distribuído intrínseco a uma rede neural Perceptron multi-camadas (linear e parcialmente interconectada) e à cascata de filtros adaptativos transversais. Com base nesta análise, propõe-se uma versão modificada do algoritmo do gradiente estocástico na forma cascata, cujo desempenho é avaliado para a predição linear de um sinal auto-regressivo. Simulações evidenciam que, para este caso, o novo algoritmo é mais rápido e mais independente das condições iniciais que sua versão original / Abstract: We propose the theoretical foundations of the " Neural Adaptive Signal Processing" , an emerging technique which establishes an useful co-operation between the collective properties of neural networks and the solid mathematical theory connected to adaptive filtering. Neural adaptive signal processing enables, at the same time, a deeper mathematical anaIysis of neural networks basic principIes (eg. parallel distributed processing and self-organization) and the efficient application of adaptive fiIters to more eomplex tasks (eg. signal processing in the presence of non-Gaussian noise). The theoretical foundations are based upon several mathematical and conceptual anaIogies between neural networks and adaptive fiItering structures, training algorithms and basic principIes. We point out how some adaptive fiItering theories and equations (such as Wiener-Hopf equation, linear prediction, stochastie gradient algorithm and blind deconvolution) can be applied as an useful formalism to neural networks mathematical anaIysis. Conversely, we show how adaptive fiIters can be reIated to neural networks basic principIes (for exempIe, vertebrate nervous system, Hebbian synapsis, paraIIel distributed processing, seIf-organization and cognitive psychology). We present a research methodology for neural adaptive signal processing deveIopment and we discuss some resul ts attained by distributed processing two systems: a parallel linear making use of it. We anaIyse of mathematically the partially-interconnected multi-layer Perceptron and a cascade of transversal adaptive filters. Based upon this analysls, we propose an alternative cascade-form stochastic gradient algorithm, and we evaluate its performance when the cascaded fiIters are appIied to the linear prediction of an auto-regressive signal. For this case, simulations outline that the new algorithm seems to be faster and more independent of system initial conditions than its original counterpart / Mestrado / Eletronica e Comunicações / Mestre em Engenharia Elétrica

Orientadores: Lucia Valeria Ramos de Arruda e Wagner Caradori do Amaral / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-20T00:12:07Z (GMT). No. of bitstreams: 1 Silva_IvanNunesda_M.pdf: 6624700 bytes, checksum: 47db2158e7cca5cd5b4d34c1794ccc63 (MD5) Previous issue date: 1995 / Resumo: Redes Neurais Artificiais atingem altas taxas de computação através de um número massivo de elementos processadores simples com um alto grau de conectividade entre estes elementos. Redes neurais com conexões realimentadas podem ser utilizadas para resolver problemas de otimização. Nesta dissertação utilizam-se Redes Neurais Artificiais do tipo Hopfield, na solução de problemas de Estimação Paramétrica Robusta com perturbação desconhecida-mas-limitada. A rede de Hopfield discreta é usada no cálculo de regiões de incerteza para os parâmetros do modelo. Qualquer elemento pertencente a estas regiões são considerados um bom estimador dos parâmetros reais do processo. Uma Rede de Hopfield Modificada também é descrita e é utilizada para assegurar maior eficiência e confiabilidade na obtenção de resultados. Análises são realizadas comparando os resultados obtidos pela rede em relação a outras abordagens tradicionais de cálculo de incertezas paramétricas. Os parâmetros internos das Redes para o problema são derivados utilizando uma técnica denominada subespaço-válido de soluções. Estes parâmetros são explicitamente calculados, baseado nas especificações do problema, e devem assegurar a convergência da rede para um ponto de equilíbrio que representa uma solução para o problema de estimação robusta de modelos com perturbações desconhecidas-mas-limitadas / Abstract: Artificial Neural Networks can achieve high computation rates by employing a massive number of simple processing elements with a high degree of connectivity between these elements. Neural networks with feedback connections provide a computing model to solve a rich class of optimization problems. This dissertation presents an application of Hopfield's Neural Networks in Robust Parametric Estimation with unknown-but-bounded disturbance. The Discret Hopfield's Network is used to calculate a parameter uncertainty set for model parameters. Any element in this set can be considered a good estimator for the real parameters. A Modified Hopfield's Network has also been described and it is useful for getting efficient and reliable sets. Comparative analysis with others robust estimation approaches are included. The Valid-Subspace technique is used to obtain the internal parameters of the Hopfield's Neural Network. These parameters are explicitlycomputed, based upon problem specifications, to assure the network convergence. In this case, the equilibrium point represents a solution to robust estimation problem with unknown-but-bounded error / Mestrado / Mestre em Engenharia Elétrica

A aplicação da Mecânica Estatística no estudo de Redes Neurais é baseada no fato que a extração de informação de dados (exemplos) pode ser modelada por um processo de minimização de uma função energia. Técnicas originadas no estudo de sistemas desordenados, tais como o Método de Réplicas; o Método da Cavidade; Equações de TAP; bem como técnicas de Monte Carlo tem sido exaustivamente estudadas, levando a vários resultados dentro do que temos conhecido como aprendizagem off-line, onde o sistema é posto em equilíbrio termodinâmico. A possibilidade do tempo de relaxação ser muito grande implica alto custo computacional, o que tem estimulado a busca por algoritmos de aprendizagem fora do equilíbrio, onde surge uma interessante classe de métodos conhecidos por aprendizagem on-line, na qual cada informação (exemplo) é apresentada ao sistema apenas uma vez, trazendo um baixo custo computacional junto a um bom desempenho. Nessa dissertação nós trabalhamos em cima do trabalho de Opper, que relacionou a aprendizagem on-line ótima à aprendizagem off-line Bayesiana por meio de uma aproximação Gaussiana da distribuição posterior. Isso porém, pode ser visto como apenas o primeiro passo numa expansão generalizada de Gram-Charlier (G-Ch) da densidade posterior, a qual pode trazer novos caminhos para o entendimento da relação on-line/off-line. A expansão também pode ser estendida à aprendizagem por potencial, onde a distribuição de probabilidades é Gibbsiana utilizando-se de todos os termos da série, ou seja, na aprendizagem off-line.Assim a G-Ch nos permite estudar extensões não Gaussianas da aprendizagem fora do equilíbrio (on-line) para uma aprendizagem em equilíbrio (off-line), dando uma interpretação do uso das famílias dos hiperparâmetros, construídos a partir dos cumulantes da distribuição posterior, como uma incorporação de informações sobre a forma geométrica do espaço de Versões. Apresentamos duas aplicações para os algoritmos obtidos por tais caminhos: um Perceptron unidimensional e um N-dimensional. Na primeira observamos a aprendizagem Bayesiana na presença de ruído e quando a regra a ser aprendida muda no tempo, onde construímos um diagrama de robustez para a análise da adaptabilidade do algoritmo frente a estimação incorreta do nível de ruído. Na segunda aplicação apresentamos resultados preliminares para o Perceptron em N dimensões. Estudamos aprendizagem usando o potencial ótimo que leva à saturação do limite de Bayes para a generalização no limite termodinâmico.