Made available in DSpace on 2014-06-11T19:22:35Z (GMT). No. of bitstreams: 0 Previous issue date: 2006-01-13Bitstream added on 2014-06-13T19:48:58Z : No. of bitstreams: 1 nagashima_r_me_ilha.pdf: 670170 bytes, checksum: b680cfae5d9755dac4d8f5ad5aa087cc (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Este trabalho apresenta a implementação de uma Rede Neural de Base Radial (RNBR) utilizando tecnologia 0.8æm BiCMOS da ÁustriaMicroSystems (AMS) e seu respectivo treinamento utilizando a Computação Evolucionária (CE). O Algoritmo Genético (AG) foi o algoritmo de treinamento utilizado, pois é de simples operação, fácil implementação, eficaz na busca da região onde, provavelmente, encontra-se o mínimo global e é aplicável em situações onde não se conhece o modelo matemático ou este é impreciso. A finalidade deste trabalho é mostrar a capacidade de se fazer o treinamento de uma rede neural em um hardware, utilizando a Computação Evolucionária. Para demonstrar a viabilidade desta rede foram implementadas duas aplicações: a conversão de um sinal triangular em um sinal senoidal e a linearização de um oscilador controlado por tensão. Os resultados experimentais obtidos mostram a viabilidade deste treinamento. / This work describes the implementation of Radial Basis Neural Netwoks (RBNN) in 0.8æm BiCMOS technology of AustriaMicroSystems (AMS) and it is training using the Evolutionary Computation. The Genetic Algoritmic (AG) was the training algorithmic choice due its simple operation, easy implementation and efficient way to find the minimum global point. Also it can be applied when the mathematical model was not well formulated or inaccurate. The aim of this work is show the capacity of training the neural network implemented in hardware using the Evolutionary Computation. For show the feasibility of this neural network two application were implemented: the triangular sinusoidal signal conversion and the voltage controlled oscillator linearization. The experimental results show the feasibility of this training.

Made available in DSpace on 2014-06-11T19:22:35Z (GMT). No. of bitstreams: 0 Previous issue date: 2007-11-09Bitstream added on 2014-06-13T19:28:09Z : No. of bitstreams: 1 nazario_sls_me_ilha.pdf: 1216870 bytes, checksum: 0b2e8a5284d2ccf4f648830d1158d2c9 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Na indústria de laticínios, a qualidade do leite é medida por alguns parâmetros como gordura, lactose, proteína e água adicionada. Baixos teores de gordura podem diminuir suas propriedades nutricionais, e o que pode ser um indicativo de adulteração, com consequências econômicas e para a saúde. Por estas razões, o leite recebido de produtores deve passar por alguns testes antes de sua aceitação nos laticínios. Atualmente, as técnicas utilizadas para medição de parâmetros do leite em geral envolvem manipulação de produtos químicos e podem ser demoradas e destrutivas. Desta forma, observa-se a necessidade do desenvolvimento de métodos rápidos, de fácil manipulação e que não tragam perigo ao ser humano. Este trabalho apresenta um estudo sobre a caracterização de leite fluido utilizando técnicas de ultra-som e redes neurais artificiais. Métodos de ultra-som podem ser rápidos, não destrutivos e não agressivos enquanto que redes neurais possuem a vantagem de aprender através de exemplos apresentados e de generalizar as informações aprendidas. As redes neurais também são capazes de extrair informações não apresentadas de forma explícita, através de exemplos. Utiliza-se uma célula de medição de parâmetros acústicos para obter dados como a velocidade de propagação, coeficiente de atenuação e densidade de amostras. Esses valores são correlacionados com as propriedades do leite, como teor de gordura e teor de agua adicionada, que são medidos com métodos convencionalmente utilizados em laticínios e laboratórios de tecnologia de alimentos, como o método Gerber e o crioscópio. Esses dados são utilizados para projetar uma rede neural artificial do tipo MLP (Multi-Layer Perceptron), que fornece na saída o teor de gordura e a quantidade de água adicionada ao leite, a partir dos... / In the dairy industry, quality of milk is measured by some parameters such as fat, lactose, protein and water content (or added water). Lower values of fat content can decrease its nutritional properties, while higher values of water content may be an indicative of adulteration, for example, resulting in health and economic impacts. For these reasons, in dairy industries, milk that is received from producers must be tested or certificated before its acceptance. Nowadays, the techniques used for milk parameters measurement, in general, involve manipulation of chemical products, may be time-consuming and destructive. Consequently, the development of faster methods, with ease of manipulation and that are not harmful to the human being are important. This work presents a study about the characterization of milk using ultrasound techniques and neural networks. Ultrasound methods can be fast, non destructive and non aggressive, while neural networks techniques have the advantage of learning through presented examples and of generalizing the learned information. An ultrasonic liquid measurement cell is used to obtain data as acoustic propagation velocity, attenuation coefiicient and density of samples. Those values are correlated with milk properties, as fat content and added water, that are measured with con- ventional methods used in dairy industries and food technology laboratories, such as the Gerber method and the crioscope. Using these data, MLP (Multi-Layer Percep- tron) neural networks are obtained, that determine the fat content and the amount of added water to the milk, having as inputs the measured acoustic parameters from the measurement cell. The developed neural networks resulted in more than 95% of correct classifications, with a resolution of 0,1% in the determination of the fat content. For added water, the... (Complete abstract click electronic access below)

Made available in DSpace on 2016-06-02T19:05:16Z (GMT). No. of bitstreams: 1 DissFAB.pdf: 1452279 bytes, checksum: 36f870c836fe00e61421c842b6ef1291 (MD5) Previous issue date: 2006-02-24 / Universidade Federal de Minas Gerais / Pattern Recognition is a subject being used in a multidisciplinary scope, with different approaches. One of them is its application in computerized tomography images, commonly acquired in order to do medical diagnosis, but they have been used in several other applications as well, including Soil Science. The objective of this work is to study and to discuss the performance of neural network-based classifiers (Multilayer Perceptron and Radial Basis Functions) and classifier combiners (Bagging, Decision Templates and Dempster-Shafer) applied to identify materials in Soil Science multispectral images, acquired using Computerized Tomography. The results were evaluated by error estimation by Hold- Out and the Kappa coefficient. / Reconhecimento de Padrões é uma área de âmbito multidisciplinar, com diversas abordagens. Uma delas é a aplicação em imagens de tomografia computadorizada, obtidas mais comumente para fins de diagnóstico médico, mas que também vêm sendo utilizadas nas mais variadas aplicações, inclusive Ciência dos Solos. O objetivo deste trabalho é estudar e discutir o desempenho de classificadores baseados em redes neurais (Perceptron de Múltiplas Camadas e Redes de Função de Base Radial) e da combinação de classificadores (Bagging, Decision Templates e Dempster-Shafer) na identificação de materiais em imagens multiespectrais de Ciência de Solos obtidas através de tomografia computadorizada. Os resultados foram avaliados através da estimativa de erro obtida pelo método Hold-Out e do coeficiente Kappa.

Made available in DSpace on 2016-06-02T19:05:16Z (GMT). No. of bitstreams: 1 DissLGPN.pdf: 973893 bytes, checksum: d6c9825733402bdd76187d2779e3f8b0 (MD5) Previous issue date: 2004-02-27 / Universidade Federal de Sao Carlos / Constructive neural learning is a neural learning model that does not assume a fixed topology before training begins. The main characteristic of this learning model is the dynamic construction of the network hidden layers which occurs simultaneously with training. This research work investigates six constructive neural algorithms namely, tower, pyramid, tiling, upstart, Distal and cascade-correlation, evaluating each of them with relation to advantages and disadvantages, ease of training, size and topology of the network, restrictions and performance. The work presents a computational system (CONEB) which implements each algorithm. Results obtained by using the different algorithms in several knowledge domains are presented and analysed. / Aprendizado Neural Construtivo é um modelo de aprendizado neural que não pressupõe a definição de uma topologia de rede fixa antes do início do treinamento. A principal característica deste modelo de aprendizado é a construção dinâmica das camadas intermediárias da rede, à medida que vão sendo necessárias ao seu treinamento. Este trabalho de pesquisa investiga seis algoritmos neurais construtivos, a saber, tower, pyramid, tiling, upstart, Distal e cascade-correlation, buscando avaliar cada um deles com relação a vantagens e desvantagens, facilidade no treinamento, tamanho e topologia de rede criada, restrições de uso e desempenho. O trabalho apresenta um ambiente computacional (CONEB) que disponibiliza a implementação de cada um dos algoritmos. São apresentados e analisados os resultados obtidos utilizando os diferentes algoritmos em vários domínios de conhecimento.

Made available in DSpace on 2016-06-02T19:05:19Z (GMT). No. of bitstreams: 1 DissJRBJ.pdf: 1580108 bytes, checksum: 0456aef8508685d7e69da2661dc5877b (MD5) Previous issue date: 2006-05-25 / Financiadora de Estudos e Projetos / Constructive neural learning is a neural learning model that does not assume a fixed network topology before training begins. The main characteristic of this learning model is the dynamic construction of the network s hidden layers that occurs simultaneously with training. This work investigates three topics related to constructive neural learning namely algorithms for training an individual TLU, constructive neural algorithms for two class problems and constructive neural algorithms for multiclass problems. The first research topic is approached by discussing a few TLU training algorithms, namely Perceptron, Pocket, Thermal, Modified Thermal, MinOver and BCP. This work approaches constructive neural learning for two class classification tasks by initially reviewing Tower, Pyramid, Tiling and Upstart algorithms, aiming at their multiclass versions. Next five constructive neural algorithms namely Shift, Offset, PTI, Perceptron Cascade and Sequential are investigated and two hybrid algorithms are proposed: Hybrid Tiling, that does not restrict the TLU s training to only one algorithm and the OffTiling, a collaborative approach based on Tiling and Offset. Multiclass constructive neural learning was approached by investigating TLUs training algorithms that deal with multiclass as well as by investigating multiclass versions of Tower, Pyramid, Tiling, Upstart and Perceptron Cascade. This research work also describes an empirical evaluation of all the investigated algorithms conducted using several knowledge domains. Results are discussed and analyzed. / Aprendizado neural construtivo é um modelo de aprendizado neural que não pressupõe a definição de uma topologia de rede fixada antes do início do treinamento. A principal característica deste modelo de aprendizado é a construção dinâmica das camadas intermediárias da rede, à medida que vão sendo necessárias ao seu treinamento. Este trabalho investiga três frentes de pesquisas com relação ao aprendizado neural construtivo, a saber, algoritmos para o treinamento de TLUs, algoritmos neurais construtivos para problemas que envolvem duas classes e algoritmos neurais construtivos para o tratamento de problemas multiclasses. Com relação à primeira frente de pesquisa os algoritmos discutidos para o treinamento de TLUs são o Perceptron, o Pocket, o PMR, o Thermal, o Thermal Modificado, o MinOver e o BPC. Na frente de pesquisa relativa ao aprendizado neural construtivo para duas classes são revistos os algoritmos Tower, Pyramid, Tiling e Upstart, para que as versões multiclasses desses algoritmos possam ser tratadas. São investigados os algoritmos neurais construtivos Shift, Offset, PTI, Perceptron Cascade e Sequential e propostos dois algoritmos híbridos: o Tiling Híbrido, que não restringe o treinamento de TLUs a um único algoritmo e o OffTiling que agrega os algoritmos Tiling e Offset. A frente que focaliza o aprendizado neural construtivo multiclasse investiga os algoritmos para o treinamento de TLUs quando o problema envolvido apresentar mais que duas classes bem como apresenta e discute as versões multiclasses dos algoritmos Tower, Pyramid, Tiling, Upstart e Perceptron Cascade. O trabalho descreve uma avaliação empírica dos algoritmos investigados, em vários domínios de conhecimento bem como discute e analisa os resultados obtidos.

Made available in DSpace on 2016-06-02T19:05:33Z (GMT). No. of bitstreams: 1 DissARB.pdf: 2917601 bytes, checksum: 2550cfec255ecfa8a17d449f488cf2b7 (MD5) Previous issue date: 2001-09-27 / Financiadora de Estudos e Projetos / In this dissertation it is presented a face recognition system based in the neocognitron (NEOPC). This system is divided into three major stages: (a) pré-processing: which normalizes the facial samples utilized in the neural network architectures; (b) Neural Network for Detection of Control Points (NNDCP): which obtains the control points to be used in the non supervised training structure of the neocognitron and (c) Neural Network for the Facial Recognition (NNFR), which carried out the recognition of face samples.The main characteristic of NEOPC is the use of control points for the extraction of patterns strategically located, such as eyes, noses and lips, used on non supervised training of the NNFR. The tests of the NEOPC were carried out, considering facial samples having variations of angles and expressions, and different amounts of classes and samples to the training and recognition stages. For the attainment of the results, a base of images released by the University of Cambridge and three bases of images developed as part of this work. In order to compare the several results obtained with the four bases of images investigated in this dissertation we present in all of them relevant information, such as, the thresholds used for the excitation of neurons, rightness and error rates. The results shows that the NEOPC performance increases with the number of samples used for the training, until an optimal point, and then decreases. It is explained by the increase of the cell numbers with the features from new samples, difficulty the recognition. / Nesta dissertação de mestrado é apresentado um sistema de reconhecimento facial baseado no neocognitron (NEOPC). Este sistema é dividido em três importantes etapas: (a) pré-processamento: que normaliza as amostras faciais utilizadas nas arquiteturas de redes neurais, (b) Rede Neural para Detecção dos Pontos de Controle (RNDPC): que obtém os pontos de controles que são adicionados na estrutura de treinamento nãosupervisionado do neocognitron e (c) Rede Neural para o conhecimento Facial (RNRF): que realiza o reconhecimento das amostras faciais. A principal característica da NEOPC é a utilização dos pontos de controle para a extração de fatores localizados em posições estratégicas, tais como olhos, nariz e lábios, utilizados no treinamento não-supervisionado da RNRF. Foram realizados os testes, da NEOPC, considerando amostras faciais com variações de ângulos e expressões, e diferentes quantidades de classes e amostras para a fase de treinamento e reconhecimento. Foram utilizadas, para a obtenção dos resultados, uma base de imagens disponibilizada pela Universidade de Cambridge e três bases de imagens desenvolvidas como parte deste trabalho. Para comparar os vários resultados obtidos com as quatro bases de imagens utilizadas nesta dissertação, foram apresentados, em todas a bases, informações relevantes, tais como: os thresholds utilizados para a excitação dos neurônios, a taxa de acerto e a taxa de erro. Os resultados demonstraram que o desempenho do NEOPC aumenta com a quantidade de amostras utilizadas para o treinamento, até um ponto ótimo, e posteriormente passa a decrescer. Isso significa que novos atributos de novas amostras aumentam o número de planos celulares dificultando o reconhecimento.

Made available in DSpace on 2016-06-02T19:05:48Z (GMT). No. of bitstreams: 1 DissBZ.pdf: 3665163 bytes, checksum: afc77330f1e29e8f8d84806ecc6b95a5 (MD5) Previous issue date: 2004-04-26 / Financiadora de Estudos e Projetos / Some Artificial Neural Networks may increase their size significantly with its use, making it difficult for a human being study it well. The networks of the Neocognitron model are an example of this kind of network, increasing its initial size many times before the end of their training. Using Scientific Visualization techniques, we obtained a tool that allows the user to see in details a neocognitron network actually working, be it during its training time or the recognition process. This allows a better comprehension of the whole model , as it helps in the construction of a network by allowing experimentation with the parameters of the model. Powering this tool is a library of classes, that can be used separately to the implementation of new ways of visualization or in new simulators of other models of neural networks. / As redes neurais artificiais possuem a capacidade de aumentarem significativamente de tamanho, tornando-se mais difícil para o ser humano estudá-las a contento. As redes do tipo neocognitron são um exemplo desse tipo de rede, que pode ampliar em muitas vezes seu tamanho inicial durante o treinamento. Utilizando-se de técnicas de visualização, conseguiu-se uma ferramenta que possibilita ver o funcionamento de uma rede neocognitron, tanto em seu treinamento quanto na fase de classificação, permitindo assim uma maior compreensão do modelo como um todo, bem como experimentação dos diversos parâmetros do modelo. Por trás dessa ferramenta está uma biblioteca de classes que pode ser utilizada separadamente para a implementação de novas formas de visualização ou novos simuladores de modelos de redes neurais diferentes. A utilização dessa biblioteca reduz o tempo de prototipação de uma rede neural do tipo Neocognitron e, com algumas expansões, de outros tipos de redes neurais. Isso propicia um maior tempo para o pesquisador voltar sua atenção à arquitetura da rede em si. No campo da educação, a ferramenta de visualização fornece um laboratório sobre a rede neural Neoconitron, podendo ainda ser adaptado para se conformar a novas expansões da biblioteca, fazendo com que o aluno aprenda mais sobre a arquitetura da rede ao vê-la em funcionamento e ao alterar seus parâmetros interativamente.

Made available in DSpace on 2016-06-02T19:06:13Z (GMT). No. of bitstreams: 1 DissLBF.pdf: 823769 bytes, checksum: 521bc3ae1780ad06aa0fbb01ae4c2d40 (MD5) Previous issue date: 2004-05-28 / Financiadora de Estudos e Projetos / Machine learning is an area of Artificial Intelligence that deals with methods and techniques for implementing automatic learning in computational systems. This research work investigates a machine learning neural model called RuleNet and its extension for fuzzy domains named Fuzzy RuleNet. Among the advantages of the RuleNet proposal are its simplicity, easiness and fast training as well as the way it represents the induced concept, which can be characterized as symbolic. This aspect makes RuleNet suitable for participating in cooperative systems. This research work investigates both the contribution of the RuleNet model as a stand alone learning technique as well as part of a cooperative system. It presents and discusses the results obtained in several experiments, evaluating RuleNet as a stand alone machine learning (versus two other machine learning methods, the ID3 and the NGE) and as part of a cooperative system, articulated to ID3 and to NGE. / Aprendizado de máquina é uma área da Inteligência Artificial que investe na pesquisa de métodos e técnicas para viabilizar o aprendizado automático em sistemas computacionais. Este trabalho de pesquisa investiga um modelo neural de aprendizado de máquina chamado RuleNet e sua extensão Fuzzy RuleNet, para domínios fuzzy. Dentre as vantagens da proposta RuleNet estão sua simplicidade, facilidade e rapidez no treinamento bem como a maneira como representa o conceito induzido, que pode ser caracterizada como simbólica. Esse aspecto torna o RuleNet adequado a ser incorporado a sistemas cooperativos de aprendizado. O trabalho de pesquisa investiga a contribuição do modelo RuleNet tanto como uma técnica de aprendizado stand-alone quanto como parte de um sistema cooperativo. O trabalho apresenta e discute os resultados obtidos em vários experimentos que avaliam o RuleNet como método de aprendizado stand-alone (versus dois outros métodos de aprendizado de máquina, o ID3 e o NGE) e como parte de um sistema cooperativo, articulado tanto ao ID3 quanto ao NGE.

Made available in DSpace on 2016-08-17T18:39:29Z (GMT). No. of bitstreams: 1 1987.pdf: 5261399 bytes, checksum: 920886ee9cea1dbc89f0650419ab17e9 (MD5) Previous issue date: 2008-07-11 / Financiadora de Estudos e Projetos / Biotechnology has presented, in the last years, a rapidly growing development. New biotechnological industrial processes are constantly introduced using different microorganisms and/or enzymes. In this context, the application of process control and optimization techniques has become a need for biotechnological based industry. A technological approach was developed in this dissertation to bioreactor monitoring and control operating in fed-batch model to produce the penicillin enzyme G acilase (PGA) by means of wild cepa of the microorganism Bacillus megaterium. This enzyme is of great industrial importance, being used in the manufacture of semi-synthetic β-lactamic antibiotics. This case study presents the main difficulties faced in the control of biological processes in general: the variability of kinetic parameters and the limited availability of on-line information. In order overcome these difficulties, a unconventional architecture was proposed for a dynamic and adaptive controller using filters, some of them developed in this work, and applying Computational Intelligence (CI) methodologies both in direct and hybrid form. The inference for the microbial concentration (Cx) state variable, a very relevant objective for the logic of the controller, was performed by a softsensor that had as input the filtered values of the sensors signals of the molar fractions of CO2 (yco2) and O2 (yo2) in the effluent gases, of the air feeding flow and of agitation velocity. The respiratory quotient (RQ), calculated from these data, was also used by the algorithms of the software developed here. For the Cx inference, the softsensor employed a hybrid intelligent system (HIS) composed by a neural networks ensemble (RNE) and a fuzzy rule based system (FRBS). These techniques were structured to complement each other such that the RNE infers the microbial concentration (Cx) capturing real-time process data (empirical knowledge) and the FRBS corrects this inferred value using phenomenological based knowledge. The obtained results demonstrated a more robust inference by using this architecture, even supporting some degree of extrapolation. Another important operational parameter is the definition of the initial and final instants of feeding flow of supplemental. In order to meet this goal, a logic was employed that is able to accurately predict this moments, using the CO2 (yco2) molar fraction signal, filters and adaptive fuzzy sets. / A Biotecnologia tem apresentado nos últimos anos um grande e rápido desenvolvimento. Constantemente novos processos biotecnológicos industriais são introduzidos, utilizando diferentes microrganismos e/ou enzimas. Neste contexto, a aplicação de técnicas de otimização e controle de processos tornou-se uma necessidade para a indústria de base biotecnológica. Uma abordagem tecnológica foi desenvolvida nesta dissertação para monitoração e controle de um biorreator, operando em batelada alimentada ( fed-batch ), para produção da enzima penicilina G acilase (PGA) por cepa selvagem do microrganismo Bacillus megaterium Essa enzima é de grande importância industrial, sendo empregada na manufatura de antibióticos β-lactâmicos semi-sintéticos. Este estudo de caso apresenta as principais dificuldades encontradas no controle de processos biológicos em geral: variabilidade dos parâmetros cinéticos e limitada disponibilidade de informação on-line. Para superar estas dificuldades foi proposta uma arquitetura não convencional para um controlador dinâmico e adaptativo utilizando filtros, alguns desenvolvidos neste trabalho, e aplicando metodologias da Inteligência Computacional (IC), tanto de forma direta como híbrida. A inferência da variável de estado concentração microbiana (Cx), objetivo muito importante para a lógica do controlador, foi realizada por um softsensor que teve como entrada valores filtrados dos sinais dos sensores das frações molares de CO2 (yco2) e O2 (yo2) nos gases efluentes, da vazão de alimentação de ar e da velocidade de agitação. O quociente respiratório (RQ), calculado a partir desses dados, foi também utilizado pelos algoritmos do software aqui desenvolvido. Para a inferência de Cx, o softsensor empregou um sistema híbrido inteligente (SHI) composto por um comitê de redes neurais artificiais (CRNAs) e por um sistema fuzzy baseado em regras (SFBR). Essas técnicas foram estruturadas de modo a se complementarem, pois o CRNAs infere a concentração microbiana (Cx) capturando dados do processo em tempo real (conhecimento empírico), e o SFBR corrige esse valor inferido utilizando conhecimento com base fenomenológica. Os resultados obtidos mostraram uma inferência mais robusta ao se utilizar esta arquitetura, suportando inclusive algum grau de extrapolação. Outro parâmetro operacional importante é a definição dos momentos de início e fim da vazão de alimentação de meio suplementar. Para alcançar esse objetivo, foi empregada lógica que foi capaz de prever estes momentos com acuidade, utilizando o sinal de fração molar de CO2 (yco2), filtros e conjuntos fuzzy adaptativos.

Made available in DSpace on 2014-06-11T19:24:47Z (GMT). No. of bitstreams: 0 Previous issue date: 2005-01-19Bitstream added on 2014-06-13T18:21:15Z : No. of bitstreams: 1 franca_tv_me_bauru.pdf: 6693171 bytes, checksum: a1e62f81ea86d1eeed97e598cb2bb8f5 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) / Atualmente, a fabricação é caracterizada pela sua complexidade, pluralidade de disciplinas e crescente demanda de novas ferramentas e técnicas para a solução de difíceis problemas. As redes neurais artificiais oferecem uma nova e diferente alternativa para investigar e analisar os desafiadores tópicos relacionados à manufatura. Desta forma, estudou-se neste trabalho os assuntos relacionados à aplicação das redes neurais na predição da circularidade e rugosidade da peça retificada pela análise de algumas variáveis de saída do processo. Foram empregados nos ensaios de usinagem: um fluido de corte (óleo emulsionável), um rebolo superabrasivo de CBN com ligante vitrificado e peças temperadas e revenidas de aço VC-131. Este trabalho também utilizou outras tecnologias de otimização do processo de retificação, tais como: a utilização de defletores aerodinâmicos para a quebra da camada de ar e a refrigeração otimizada por meio de um jato de fluido direcionado. Os ensaios de usinagem foram realizados para gerar a base de dados utilizada nos testes das redes neurais (ensaios computacionais). Fez-se portanto, diversos experimentos variando-se a velocidade de avanço, ou mergulho do rebolo na peça. As variáveis de saída analisadas que serviram de dados de entrada para a RNA foram: a força tangencial de corte (Ft), a energia específica de retificação (u), o desgaste diametral do rebolo, o parâmetro DPO e a emissão acústica (EA). A rugosidade e circularidade foram utilizadas para o treinamento das RNA s. Nos testes computacionais, foram analisadas duas bases de dados: a primeira referente às médias de todos os 40 ciclos de retificação, já a segunda utilizou todos os valores destes 40 ciclos. Ainda foram examinadas diferentes combinações de dados de entrada para verificar a influência do parâmetro DPO na predição. Os resultados... / Nowadays, the manufacturing is characterized by its complexity, plurality of subjects and increasing demand of new tools and techniques for the solution of difficult problems. Artificial neural nets propose a new and different alternative to investigate and analyze the challenging topics related to the manufacturing. The objective of this work is to study the use of artificial neural nets in the prediction of roundness and roughness of a ground workpiece. It was used a CBN wheel, emulsion oil and workpieces made of VC-131 steel. This work also used other technologies of grinding optimization, such as: the use of a coolant shoe to break the air curtain layer in addition and the high pressure fluid jet. Grinding tests had been carried through to generate the database used in the artificial neural nets (computational tests). Different feed rates were used in these experiments to generate outputs such as: tangential cutting force (Ft), specific energy of grinding (u), diametrical wear of the wheel, DPO parameter and acoustic emission (EA). The roughness and roundness were used to train the RNA's. In the computational tests, it was verify the influence of the DPO parameter in the prediction as well as two different databases. The results suggest that this parameter (DPO) was not able to substitute the tangential cutting force (Ft) and the acoustic emission (EA) in the prediction. Moreover, it was verify the need of an input that represents the dynamic stiffness of the machine-tool-workpiece system to improve the roundness prediction.