Made available in DSpace on 2014-06-12T15:57:48Z (GMT). No. of bitstreams: 2 arquivo3227_1.pdf: 3806078 bytes, checksum: 98b2a595ab3f4ffaa9e04f162fcf2a8e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Em muitas tarefas a máquina é mais eficiente do que o ser humano, sendo capaz de realizar com precisão e rapidez: operações matemáticas, armazenamento de dados, pesquisa textual, entre muitas outras tarefas. Porém, tarefas simples para o ser humano como o reconhecimento da face de uma pessoa, são extremamente complexas para a computação tradicional realizar. A busca por algoritmos que possuam alguma forma de inteligência similar a modelos biológicos (principalmente o modelo dos seres humanos), há décadas inspira e influencia vários pesquisadores. Uma das maiores áreas da Inteligência Computacional é a das Redes Neurais Artificiais, inspiradas na redes neurais biológicas, que são compostas por neurônios e conexões sinápticas. As redes neurais modulares se utilizam das vantagens da modularização para superarem de alguma forma as redes não modulares. Elas buscam minimizar as diferenças entre as redes naturais e artificiais. Uma rede modular é um conjunto independente de redes neurais monolíticas trabalhando em conjunto para solucionar um problema. Um dos maiores desafios na construção de redes modulares é a decomposição do problema em problemas mais simples. Este trabalho propõe novas técnicas para melhorar o desempenho de redes neurais modulares baseadas na similaridade entre classes. Entende-se por desempenho o grau de acertividade e/ou a velocidade de treinamento do modelo. Foram propostos métodos que influenciam etapas distintas da construção de uma rede modular. Duas das propostas buscam otimizar a decomposição do problema, permitindo a criação dos módulos, através da matriz de confusão desse problema. Uma terceira proposta visa a obtenção de uma composição, ou arquitetura, de módulos que melhore o desempenho do modelo