CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / Esta investigaÃÃo propÃe o desenvolvimento de um mÃtodo para a localizaÃÃo e prediÃÃo das caracterÃsticas geotÃcnicas dos solos que possa contribuir para o processo da tomada de decisÃo, quanto à sua utilizaÃÃo, para fins de pavimentaÃÃo. Utilizou-se Geoprocessamento e Redes Neurais Artificiais (RNAs) como tÃcnicas de modelagem, bem como variÃveis biofÃsicas e espaciais como explicativas dos fenÃmenos modelados. As caracterÃsticas pesquisadas (pedologia, geologia, geomorfologia, vegetaÃÃo, altimetria e posiÃÃo) se correlacionaram com as variÃveis geotÃcnicas estimadas (classificaÃÃo TRB - Transportation Research Board e CBR - California Bearing Ratio) para solos provenientes da RegiÃo Metropolitana de Fortaleza (RMF). Assim, desenvolveu-se trÃs modelos de RNAs que foram calibrados, validados e testados. Dois desses modelos foram dedicados à geraÃÃo de estimativas de CBR nas energias de compactaÃÃo normal (CBR-N) e intermediÃria (CBR-I). O terceiro modelo foi elaborado para geraÃÃo de estimativas da classificaÃÃo TRB dos solos da RMF. As caracterÃsticas geotÃcnicas estimadas por estes modelos possibilitaram a elaboraÃÃo dos chamados Mapas GeotÃcnicos Neurais, estratificados para previsÃo dos valores de CBR-N, CBR-I e ClassificaÃÃo TRB. Adicionalmente, os mapas produzidos e todas as informaÃÃes da pesquisa foram disponibilizados em um Sistema de InformaÃÃes GeogrÃficas Web (SIG-Web), de forma a possibilitar seu uso em projetos viÃrios e estudos acadÃmicos futuros, tanto para download dos mapas gerados, quanto para geraÃÃo de estimativas para uma Ãrea especÃfica da RMF. AlÃm disso, disponibilizou-se ao SIG-Web um realimentador de pontos geotÃcnicos para permitir uma recalibraÃÃo futura dos modelos na tentativa de melhorar a qualidade das estimativas geradas que atualmente à superior a 90% de taxa de acerto. / This research focuses on the development of a method, aimed to predicting and positioning the geotechnical characteristics of soils that may contribute to the process of decision making of its use for paving purposes. Were used Geoprocessing and Artificial Neural Networks (ANN) modeling techniques, as well as spatial and biophysical variables of the phenomena modeled. The characteristics studied (pedology, geology, geomorphology, vegetation, altimetry and position) were correlated with the estimated geotechnical variables (TRB Classification and CBR) for soils from the metropolitan region of Fortaleza, Cearà (RMF). Three models of ANNs were developed calibrated, validated and tested. Two of these models were dedicated to generating estimates of CBR in the normal (CBR-N) and intermediate (CBR-I) compaction modes. The third model was developed to generate estimates of the geotechnical characteristics of the soils from the RMF Classification TRB. The geotechnical characteristics estimated by these models enabled the preparation of Neural Geotechnical Maps, stratified for values of CBR-N, CBR-I and TRB Classification. The maps produced and all the survey information was made available on a Web Geographic Information System (Webmapping), thus allowing its use in road projects and future academic studies, both to download the maps and to generate estimates for RMF. In addition, provided to the Webmapping a geotechnical receiver points, to allow recalibration of future models in an attempt to improve the quality of the estimates that currently is more than 90% accuracy rate.

Erros de alinhamento em sistemas ópticos não criam novas aberrações, mas alteram a dependência com o campo das aberrações já conhecidas. Neste trabalho, a sensibilidade teórica ao alinhamento, de sistemas ópticos reflexivos compostos por dois elementos, foi avaliada em função das constantes cônicas dos espelhos. Dentre as diferentes configurações consideradas nesta análise, uma específica apresenta menor sensibilidade à descentralização do espelho secundário. A utilização da teoria de aberração de onda aplicável a sistemas plano-simétricos revelou que a escolha apropriada da constante cônica do espelho secundário faz com que coma uniforme de terceira ordem seja compensado quando esse elemento encontra-se descentralizado, fazendo com que esse sistema seja livre da aberração mais importante causada a ele por desalinhamentos, tornando-o menos sensível. Este trabalho apresenta uma metodologia de alinhamento baseada na análise da frente de onda transmitida por sistemas ópticos, que utiliza redes neurais artificiais para a estimativa dos erros de alinhamento. A frente de onda transmitida por um sistema óptico carrega informações das aberrações desse sistema, que podem ser descritas em termos dos polinômios de Zernike. Esses polinômios podem ser usados para a análise dos efeitos de erros de alinhamento nas aberrações do sistema. Redes neurais artificiais são empregadas na análise dos coeficientes dos polinômios de Zernike visando avaliar o tipo de desalinhamento e a sua magnitude. As estimativas teóricas dos desalinhamentos tanto em sistemas reflexivos como em sistemas refrativos são satisfatórias quando o sistema é considerado perfeito, ou seja, as superfícies ópticas de seus elementos não apresentam erros de forma e não há ruído nos dados avaliados. Na presença de defeitos de fabricação ocorre degradação no desempenho do estimador. Além de descentralização e inclinação, redes neurais artificiais são capazes de fornecer uma estimativa de erros de posicionamento axial dos elementos do sistema. Com base nos estudos realizados, acredita-se que redes neurais artificiais constituem uma alternativa promissora no alinhamento de sistemas ópticos complexos. / Although misalignments in optical systems do not generate new aberration forms, they change the field-dependence of the known ones. In this research, the sensitivity of two-mirror optical systems due to misalignments is evaluated in function of the conic constants of the mirrors. Among the different configurations considered in this study, a specific one has shown low sensitivity due to decenter misalignments. The application of the wave aberration theory for plane-symmetric optical systems has revealed that the proper choice of the secondary mirror conic constant allows third-order uniform coma to be compensated, leading to a less sensitive system, free from the most important misalignment-induced aberration. This thesis also presents an alignment methodology based on the analysis of the transmitted wavefront utilizing artificial neural networks to estimate alignment errors in the components of the system. The transmitted wavefront carries information about the aberrations in the optical system, which can be described in terms of Zernike polynomials. Such polynomials are used for the analysis of the effects of misalignments on the aberrations of the system. Artificial neural networks are employed in the analysis of the coefficients of Zernike polynomials and used to evaluate both type and magnitude of the misalignments. Theoretical misalignments estimated in reflexive and refractive optical systems are satisfactory for perfect systems, i.e., systems with no surface errors, and noiseless data. When surface imperfections are considered, the performance of the estimator is reduced. Besides decenter and tilt misalignments, artificial neural networks can estimate axial positioning errors of the elements in the system, therefore they are believed to be a promising alternative for the alignment of complex optical systems.

A navegação autônoma é uma tarefa fundamental na robótica móvel. Para que esta tarefa seja realizada corretamente é necessário um sistema inteligente de controle e navegação associado ao sistema sensorial. Este projeto apresenta o desenvolvimento de um sistema de controle para a navegação de veículos e robôs móveis autônomos. A abordagem utilizada neste trabalho utiliza Redes Neurais Artificiais para o aprendizado de Autômatos Finitos de forma que os robôs possam lidar com os dados provenientes de seus sensores mesmo estando sujeitos a imprecisões e erros e ao mesmo tempo permite que sejam consideradas as diferentes situações e estados em que estes robôs se encontram (contexto). Dessa forma, é possível decidir como agir para realizar o controle da sua movimentação, e assim executar tarefas de controle e navegação das mais simples até as mais complexas e de alto nível. Portanto, esta dissertação visa utilizar Redes Neurais Artificiais para reconhecer o estado atual (contexto) do robô em relação ao ambiente em que está inserido. Uma vez que seja identificado seu estado, o que pode inclusive incluir a identificação de sua posição em relação aos elementos presentes no ambiente, o robô será capaz de decidir qual a ação/comportamento que deverá ser executado. O sistema de controle e navegação irá implementar um Autômato Finito que a partir de um estado atual define uma ação corrente, sendo capaz de identificar a mudança de estados, e assim alternar entre diferentes comportamentos previamente definidos. De modo a validar esta proposta, diversos experimentos foram realizados através do uso de um simulador robótico (Player-Stage), e através de testes realizados com robôs reais (Pioneer P3-AT, SRV-1 e veículos automatizados) / Autonomous navigation is a fundamental task in mobile robotics. In order to accurately perform this task it is necessary an intelligent navigation and control system associated to the sensorial system. This project presents the development of a control system for autonomous mobile robots and vehicles navigation. The adopted approach uses Artificial Neural Networks for Finite State Machine learning, allowing the robots to deal with sensorial data even when this data is not precise and correct. Simultaneously, it allows the robots to consider the different situations and states they are inserted in (context detection). This way, it is possible to decide how to proceed with motion control and then execute navigation and control tasks from the most simple ones until the most complex and high level tasks. So, this work uses Artificial Neural Networks to recognize the robots current state (context) at the environment where it is inserted. Once the state is detected, including identification of robots position according to environment elements, the robot will be able to determine the action/- behavior to be executed. The navigation and control system implements a Finite State Machine deciding the current action from current state, being able to identify state changes, alternating between different previously defined behaviors. In order to validade this approach, many experiments were performed with the use of a robotic simulator (Player-Stage), and carrying out tests with real robots (Pioneer P3-AT, SRV-1 and autonomous vehicles)

A ocorrência de variações nos sinais de eletroencefalograma (EEG) de indivíduos que apresentam predisposição a desenvolver a doença do alcoolismo é conhecida e documentada na literatura médica e científica. Dentre as possíveis variações, encontram-se as anormalidades no potencial relacionado ao evento (ERP) P300, um dos principais endofenótipos da doença. Geralmente, este componente tem uma amplitude significativamente menor em indivíduos com alto risco (AR) de desenvolver a doença, quando comparada à amplitude observada em sinais de indivíduos com baixo risco (BR). A técnica atualmente empregada para distinguir os sinais de ERPs P300 dos indivíduos com AR e BR para desenvolver o alcoolismo é baseada na análise visual da amplitude máxima no domínio do tempo e do espectro de frequencias do sinal, obtido através da transformada de Fourier. O objetivo deste trabalho é contribuir para o estudo da identificação da predisposição ao alcoolismo, utilizando técnicas de processamento de sinais, como a transformada wavelet (WT), e de inteligência artificial, por meio das redes neurais artificiais (ANNs). A WT foi utilizada por ser mais adequada ao tratamento de sinais como os ERPs (sinais nãoestacionários), quando comparada, por exemplo, à transformada de Fourier. As redes neurais possibilitam a automatização do processo de identificação dos diferentes grupos. Através de um sistema híbrido formado por estas duas técnicas, pretende-se extrair características de sinais de ERP que identifiquem indivíduos com predisposição ao alcoolismo, e automatizar a identificação destes indivíduos. No desenvolvimento da pesquisa, foi identificada a necessidade de aplicar um préprocessamento aos sinais de ERP, preparando-os para a transformação wavelet. Os coeficientes wavelet assim obtidos formaram os dados de entrada que alimentaram as (ANNs), as quais utilizaram o algoritmo de erro backpropagation no treinamento. Com as técnicas utilizadas, após o treinamento, as ANNs foram capazes de classificar cerca de 90% dos sinais de ERP dos indivíduos com AR e BR. / The occurrence of variations in electroencephalogram (EEG) signals of individuals who are predisposed to develop the disease of alcoholism is known and documented in the medical and scientific literature. Among these variations, are the abnormalities in the event related potential (ERP) P300, a major endophenotype of this disease. Generally, this component has an amplitude significantly smaller in patients at high risk (HR) of developing the disease when compared to the amplitude seen in the signals of individuals with low risk (LR). The technique currently used to distinguish signals of P300 ERPs in individuals with HR and LR for developing alcoholism is based on visual analysis of the maximum amplitude in the time domain and of the frequency spectrum of the signal, obtained via Fourier transform. The aim of this thesis is to study the identification of predisposition to alcoholism, by techniques of signal processing such as wavelet transform (WT) and artificial intelligence through artificial neural networks (ANNs). The WT was used because it is more appropriate for processing signals such as ERP (non-stationary signals), when compared, for example, to the Fourier transform. Neural networks enable the automation of the process of identifying the different groups. Using a hybrid system formed by these two techniques, it is intended to extract features of ERP signals that identify individuals predisposed to alcoholism, and automate the identification of these individuals. The research has identified the need to apply a pre-processing to the signals of ERP, preparing them for the wavelet transformation. The wavelet coefficients thus obtained formed the input data to fed the ANNs, which used the error algorithm backpropagation in training. Using these techniques, after training, the ANNs were able to classify about 90% of ERP signs of individuals with LR and HR.

A presente dissertação tem como objetivo propor uma sistemática para a construção de modelos de previsão de risco de crédito e também comparar o desempenho de três técnicas estatísticas multivariadas utilizadas para sua construção: análise discriminante, regressão logística e redes neurais. O método proposto (denominado Modelo PRC) é composto de seis etapas: (i) delimitação da população; (ii) seleção da amostra; (iii) análise preliminar; (iv) construção do modelo; (v) escolha do modelo e (vi) passos para implantação. O Modelo PRC foi aplicado em uma amostra de 17.005 clientes de uma rede de farmácias com crediário próprio. Os resultados encontrados demonstram uma superioridade das redes neurais em relação às outras duas técnicas, o que era esperado devido a sua abordagem nãolinear na combinação das variáveis. Considerando a venda anual aos clientes da base em estudo e utilizando o modelo neural desenvolvido, estima-se um acréscimo de 65% nos lucros. / This work presents a methodology for credit risk prediction, comparing the performance of three statistical techniques used in the prediction process: discriminant analysis, logistic regression and neural networks. The proposed method (entitled PRC Model) embraces six steps: (i) population definition, (ii) sampling, (iii) preliminary analysis, (iv) model development, (v) model selection and (vi) implementation steps. The PRC Model was applied to a sample of 17,005 customers from an organization, which manages his own credit system and controls a pool of drugstores. The results show the superiority of neural networks over the other two techniques. This was expected due to the non-linear approach of the neural network when dealing with the explanatory variables. Considering the neural network model and the annual sales due to customers included on this study, the use of the proposed methodology indicates a 65% potential profits.

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.

A resistência e a rigidez de materiais compósitos variam consideravelmente devido a mudanças no tipo de material, espessura das camadas, ângulo de orientação das fibras e seqüência das lâminas. O projeto de uma estrutura ótima pode ser obtido dada uma determinada condição de carga. Vários métodos de otimização determinísticos foram desenvolvidos para tratar esse problema. Algumas vezes a orientação ótima das fibras muda quando as condições de carga variam e o desempenho da estrutura é altamente afetado pelas variáveis de projeto e condições de carregamento. Dessa forma, a otimização deste tipo de estrutura utilizando a confiabilidade como restrição é um importante problema a ser tratado. Este trabalho trata do problema da otimização de estruturas de materiais compósitos laminados com restrição de confiabilidade utilizando algoritmos genéticos e redes neurais. A análise da estrutura é feita via elementos finitos e as tensões na direção dos eixos principais de cada lâmina são utilizadas para o cálculo do índice de confiabilidade da estrutura, sendo a função de estado limite o critério de Tsai-Wu para falha de materiais compósitos laminados. A análise de confiabilidade é feita através de um dos seguintes métodos: FORM com um ponto de linearização, FORM para sistemas em série, Monte Carlo Direto e Monte Carlo com Amostragem por Importância. O processo de otimização via Algoritmos Genéticos (com suas fases de geração, seleção e cruzamento dos indivíduos da população), é usado em conjunto com os métodos de determinação do índice de confiabilidade e análises por elementos finitos. Isto gera um alto custo computacional, o qual é contornado utilizando-se Redes Neurais do tipo Perceptron e Base Radial, treinadas para substituir a análise via elementos finitos, diminuindo consideravelmente o tempo de processamento. É mostrado por meio de diversos exemplos que esta metodologia pode ser usada sem perda de precisão e com economia de tempo de processamento até mesmo em exemplos fortemente não lineares. / Strength and stiffness of composite materials vary considerable due to changes in the material to be used, the thickness of each layer, the fiber orientation angles and the stacking sequence. The optimum structural design may be obtained for a specific load condition. Several optimization criteria were been developed to treat that problem. Sometimes the optimal fiber orientation angles are highly dependent on the load conditions and the structural performance is also influenced by the design variables and acting loads. Thus, structural optimization using a reliability index as a constraint is an important problem to be analyzed. This work deals with the problem of reliability based optimization of laminated composite structures, using genetic algorithms and neural networks. The analysis of the structure is carried out by finite elements and the stress in the direction of the principal axes of each lamina are used to the calculation of the reliability index of the structure, where the limit state function is the Tsai-Wu criterion assuming first ply failure. The reliability analyses are accomplished through one of the following methods: FORM with one linearization point, FORM for in-series systems, Direct Monte Carlo and Monte Carlo with Importance Sampling. The optimization process through Genetic Algorithms (with its phases of generation, selection and crossover of the individuals of the population), is used jointly with the reliability evaluation methods and analysis by finite elements. This leads to high computational costs, which are overcome using trained Neural Networks of the type Perceptron and Radial Base to substitute the analysis with finite elements, reducing considerably the processing time. Several examples are used to show that this methodology can be used without loss of accuracy and with large computational timesaving even for strongly non-linear problems.

O teor de água no solo é um dos fatores determinantes nos processos de transferência entre o solo e a atmosfera, contribuindo nos balanços de água e de energia. Esse teor é influenciado pelas entradas de água na bacia hidrográfica, por características climáticas, topográficas, de cobertura vegetal, práticas de manejo agrícola e propriedades do solo. A grande heterogeneidade desses fatores faz com que a caracterização desse teor seja ainda um grande desafio. Essa pesquisa objetivou desenvolver abordagens baseadas em Redes Neurais Artificiais (RNAs) para determinação da variação espacial e temporal do teor de água no solo, utilizando informações climáticas, propriedade físicas do solo e variáveis topográficas de uma bacia hidrográfica, com área aproximada de 78 km², localizada na Região Sul do Brasil (bacia do Taboão). A RNA adotada é uma rede de duas camadas, com 25 neurônios na camada intermediária, sendo o treinamento realizado por meio do algoritmo retropropagativo, considerando16 iterações iniciais dos pesos sinápticos, e número máximo de ciclos igual a 30.000. No total foram testadas 40 variáveis de entrada, sendo quatro referentes à topografia (altitude, declividade, distância do ponto ao trecho do rio mais próximo e desnível do ponto ao trecho mais próximo do rio); oito relacionadas ao solo (tipo de solo, densidade do solo, resistência à penetração no solo para as camadas de 0 a 20 cm e 20 a 40 cm, tensão da água no solo em apenas um ponto na bacia e percentual de argila, silte e areia), 10 relativas ao clima (clima, evapotranspiração de referência, temperatura do ar máxima e temperatura do ar, umidade relativa do ar máxima e umidade relativa do ar mínima, pressão atmosférica, radiação solar global, velocidade do vento e temperatura na relva), e 18 variáveis de chuva (chuva de 1, 2, 3, 4, 5, 6 e 12h; chuva de 1, 2, 3, 5, 10, 15, 20, 25 e 30 dias; chuva média ponderada horária; chuva média ponderada diária). A saída dos modelos foi comparada com valores de umidade gravimétrica determinados por amostras coletadas em 26 pontos da bacia, distribuídos espacialmente na bacia, no período compreendido entre 15/01 e 10/08/2013. Neste período o teor de água no solo (umidade gravimétrica) variou entre 13,73 e 33,75%. Os resultados demonstram que é possível estimar o teor de água no solo, com distribuição espacial e temporal, com boa eficiência (NSverificação = 0,77), empregando dados topográficos da bacia, propriedades físicas do solo e dados de chuva. As informações climáticas, por outro lado, não afetam significativamente essa estimativa (NSv=0,28), podendo até diminuir a eficiência do modelo (NSv=0,77 para NSv=0,68). O emprego de muitas variáveis não gera necessariamente o melhor desempenho do modelo, pois uma variável pode mascarar a outra e, até mesmo, interferir a eficiência do modelo (NSv=0,70 e NS=0,61 para os modelos onde foram utilizadas 38 variáveis de entrada), além de aumentar o custo e o tempo para aquisição dessas variáveis, e a dificuldade de interpretação dos resultados em relação às várias entradas. Alternativamente, pode-se estimar o teor de água no solo utilizando modelos mais simplificados que empregam dados de chuva monitorados e informações extraídas de mapas (topografia e tipo de solo), mas o desempenho desses modelos é menor (NSv 0,66). A análise de importância das variáveis de entrada delimitou a tensão da água no solo e a chuva como as variáveis mais influentes nos modelos de melhor desempenho, e a densidade do solo como a menos importante. Nos modelos mais simples, a variável menos relevante é a declividade e a mais importante é a chuva. A análise de sensibilidade demonstrou que nem sempre os modelos conseguem reproduzir o que deveria ocorrer no ambiente natural. / The water content in the soil is one of the determining factors in the transfer processes between the soil and the atmosphere, contributing to the balances of water and energy. This content is influenced by inputs to the basin, climate characteristics, topography, land cover characteristics, agricultural practices, and soil properties. These wide heterogeneity factors make the soil water content characterization still a challenge. This research aimed to develop an Artificial Neural Network (ANN) model to determine the spatial and temporal variation of the water content in the soil, using climate data, physical properties of soil, and topographic variables, of a basin with an area of approximately 78 km2, located in Brazil`s southern region (Taboão basin). The model adopted is a double layer feedforward neural network with 25 neurons in the hidden layer. The learning method is the back propagation algorithm, with 16 interactions to avoid local minima, and the maximum number of cycles chosen was 30,000. A total of 40 input variables were tested, including four of topography (altitude, slope, distance from the point to the nearest stretch of river and unevenness of the point closest to the stretch of the river), eight of soil related variables (soil type, soil density, soil penetration resistance for layers from 0 to 20 cm and from 20 to 40 cm, soil water tension at a single point in the basin and percentage of clay, silt and sand), 10 climate-related variables (climate, evapotranspiration reference, maximum and minimum air temperature, maximum and minimum air relative humidity, atmospheric pressure, global solar radiation, wind speed and temperature on grass) and 18 variables related to rain (accumulated precipitation in 1, 2, 3, 4, 5, 6 e 12h; accumulated precipitation in 2, 3, 5, 10, 15, 20, 25 and 30 days; weighted hourly accumulated precipitation; weighted daily accumulated precipitation). The outputs of the models were compared with values determined by gravimetric moisture samples collected from 26 points spatially distributed in the basin, in the period between 15/01 and 10/08/2013. During this period the soil water content (gravimetric water content) ranged from 13.73 to 33.75%. The results show that it is possible to estimate the water content of the soil, temporal and spatial distribution, with good efficiency (NSverication = 0.77), using topographic data from the basin, soil physical properties and precipitation data. The weather information, on the other hand, did not significantly affect the estimate (NSv = 0.28) and may even decrease the efficiency (NSv) of the model (from 0.77 to 0.68). The use of many variables not necessarily generates the best performance of the model as a variable may mask another and even disrupt the efficiency of the model (NSv = 0.70 and NSv = 0.61, where 38 input variables were used), besides increasing the cost and the time to acquire these variables, and the difficulty of interpreting the results in relation to the various inputs. Alternatively, one can estimate the water content in soil using more simplified models, employing monitored rainfall data and information extracted from maps (topography and soil type), but the performance of these models is smaller (NSv 0.66). The analysis of the importance of input variables delimited the soil water tension and the rain as the most influential variables in the best models, and the density of the soil as the least important. In the simplest models, the less relevant variable is the slope and the most important is the rain. The sensitivity analysis showed that the models cannot always play what should occur in the natural environment.

Este estudo propõe um modelo híbrido que reúne uma rede neural do tipo SOM (Self-Organizing Map) com uma rede neural do tipo Multicamadas com Retropropagação (BPN: Backpropagation Network). A utilização da rede SOM tem o intuito de segmentar a base de dados em diversos clusters, onde são ressaltadas suas diferenças. A rede BPN é usada para construir um modelo matemático de previsão que descreve a relação entre os indicadores e o valor de fechamento de cada cluster formado na rede SOM. A viabilidade e o percentual de efetividade do modelo proposto são demonstrados através de experimentos de predição de índices utilizados pelo NYSE (New York Stock Exchange). O modelo foi elaborado a partir de uma base de dados composta pelo índice NYSE Composite U.S. 100 no período entre 02 de abril de 2004 a 08 de novembro de 2012. Como variáveis de entrada para as redes neurais, foram utilizados 10 índices: MA_10, BIAS_20, WMS%R_9, K_9, D_9, MTM_10, ROC_10, CCI_24, AR_26, BR_26. Os resultados obtidos com o modelo híbrido proposto se mostraram superiores aos obtidos com modelos convencionais estatísticos. / This study proposes a hybrid model that combines a neural network SOM (Self-Organizing Map) with a neural network with Multilayer Backpropagation (BPN: Backpropagation Network). The SOM aims to segment the database into different clusters, where they highlight their differences. The BPN network is used to build a predictive mathematical model that describes the relationship between the indicators and the closing value of each cluster formed in the SOM. The percentage of viability and effectiveness of the proposed model are demonstrated through experiments predict index used by the NYSE (New York Stock Exchange). The model was developed from a database composed of 100 U.S. NYSE Composite Index in the period from April, 02, 2004 to November, 08, 2012. As input variables for neural networks, we used 10 indices: MA_10, BIAS_20, WMS%R_9, K_9, D_9, MTM_10, ROC_10, CCI_24, AR_26, BR_26. Results obtained with the proposed hybrid model were higher than those obtained with conventional statisticals techniques.

Avaliamos as previsões fora da amostra da curva de juros geradas por modelos de redes neurais artificiais e as comparamos com os modelos tradicionalmente usados para este fim. A curva de juros foi segmentada em três regiões distintas e para cada uma dessas regiões e horizontes de previsão, foram estimados duas classes de modelos de redes neurais (modelos dinâmicos e modelos estáticos), totalizando 198 modelos estimados. Afim de verificar a significância estatística das previsões dos modelos de RNA em relação aos outros modelos, foi realizado o teste Diebold-Mariano. Os resultados mostram que em média, os modelos estimados através de RNA conseguiram superar as previsões realizadas pelo random walk em todos os horizontes de previsão, sendo essas previsões em torno de 2% e 5% melhores para os horizontes de 1 dia e 1 semana a frente, e de 12% e 7% melhores para os horizontes mais longos, de 1 mês e 3 meses. Além disso, apresentou previsões em torno de 15% e 10% melhores que o modelo de NS para os horizontes de 1 mês e 3 meses a frente. Concluimos que os modelos de redes neurais são capazes de realizar previsões superiores para todos os horizontes testados, principalmente para região de curto prazo da curva, com destaque especial para as previsões com horizontes de 1 dia e 1 semana a frente. / We evaluate the out of sample forecasts of the yield curve generated by artificial neural network models and compare them with the models traditionally used for this purpose. The yield curve was segmented into three distinct regions and for each region and forecast horizons, we estimated two classes of neural network models (dynamic models and static models), totaling 198 models estimated. In order to check the statistical significance of the model predictions of RNA compared to other models, was performed the Diebold-Mariano’s test. The results show that on average, the models estimated using RNA overcame the predictions made by the random walk at all forecast horizons, and these forecasts around 2% and 5% better for horizons of 1 day and 1 week forward and 12% and 7% better for longer horizons, 1 month and 3 months. Moreover, forecasts showed around 15% and 10% better than the NS model for horizons of 1 month and 3 months ahead. We conclude that the neural network models are capable of superior forecasts for all horizons tested, especially for short-term region of the curve, with particular attention to the forecasts with horizons of 1 day and 1 week ahead.