Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This work proposes an advanced analysis for MLP performance improvement by adopting new target vectors. Firstly, a mathematical study is done to evaluate the influence of VBOs used as target vectors on MLP training. The VBOs provide the largest possible Euclidean distance between them to improve the training and generalization capability of MLPs. The largest distance inducement between points from output space leads to direct correspondence on pattern classification improvement. The various types of target vectors such as VBNs, VBCs and VNOs are adopted for training of MLP models and their performances are compared with the model trained by using VBOs. The mathematical evidences of performance improvement were found on weight updating refinement from backpropagation error stage of the algorithm. This particular refinement for training with VBOs is useful to preserve the features of each pattern due to noise interference reduction during the training process from a pattern to another. Following the mathematical study, more advanced experimental analysis using VBOs with two databases for pattern recognition is performed. The first database is related to the handwritten digits for comparing the performances of MLPs trained by adopting VBCs and VNOs with the performance of MLP trained by adopting VBOs. The results showed higher classification rates for the MLP trained with VBOs. The second database is constituted by human iris images in order to perform the comparison of MLP performances using conventional target vectors and new target ones represented by VBOs. Besides the high performance of MLPs trained with VBOs on recognition rates, it was concluded that the use of new target vectors provides high recognition rates with low tolerance for epoch trainings leading to the consequent low computational load for pattern processing. / O presente trabalho propõe a análise avançada para a melhoria de desempenho de MLP através do uso de novos vetores-alvo. Primeiramente, por meio de um estudo matemático, avalia-se a influência dos VBOs sobre o treinamento das MLPs quando são utilizados como vetores-alvo. Os VBOs possuem a maior distância euclidiana possível entre si, o que leva a supor que melhora o treinamento e a capacidade de generalização da rede em teste. A hipótese é a de que a provocação de uma maior distância entre os pontos de saída da rede pode ter relação direta com a melhoria na classificação dos padrões. Os diferentes tipos de vetores-alvo tais como VBNs, VBCs e VNOs são utilizados para o treinamento de MLPs e os seus desempenhos são comparados com a rede treinada adotando-se os VBOs. As evidências matemáticas da melhoria de desempenho foram encontradas no refinamento da atualização dos pesos, etapa denominada no algoritmo como retro propagação do erro. Esse refinamento característico do treinamento com VBOs age no sentido de preservar as características de cada padrão, reduzindo o ruído de interferência do treinamento de um padrão para outro. Seguindo-se ao estudo matemático, realiza-se uma análise experimental mais avançada da utilização dos VBOs por meio de duas bases de dados para reconhecimento de padrões. A primeira base de dados é a de dígitos manuscritos para comparar os desempenhos de MLPs treinadas com VBCs e VNOs com aquelas treinadas com VBOs. Os resultados mostraram taxas de classificação superiores para a MLP treinada com VBOs. A segunda base de dados é formada por imagens de íris humana com o propósito de realizar a comparação dos desempenhos de MLPs treinadas com vetores-alvo convencionais e novos vetores-alvo representados pelos VBOs. Além da alta performance nas taxas de reconhecimento das MLPs treinadas com VBOs, observou-se que com o uso desses novos vetores-alvo, é possível obter elevadas taxas de reconhecimento com pouco rigor nas épocas de treinamento, reduzindo-se consequentemente a carga computacional de processamento dos padrões. / Mestre em Ciências