Redes neurais biológicas contêm bilhões de células (neurônios) agrupadas em regiões espacial e funcionalmente distintas. Elas também apresentam comportamentos complexos, tais como dinâmicas periódicas e caóticas. Na área da Inteligência Artificial, pesquisas mostram que Redes Neurais Caóticas, isto é, modelos de Redes Neurais Artificiais que operam com dinâmicas complexas, são mais eficientes do que modelos tradicionais no que diz respeito a evitar memórias espúrias. Inspirado pelo fato de que o córtex cerebral contém agrupamentos de células e motivado pela eficiência no uso de dinâmicas complexas, este projeto de pesquisa investiga o comportamento dinâmico de um modelo de Rede Neural Artificial Recorrente, como o de Hopfield, porém com a topologia sináptica reorganizada a ponto de originar agrupamentos de neurônios, tal como acontece em uma Rede Complexa quando esta apresenta uma estrutura de comunidades. O modelo de treinamento tradicional de Hopfield também é alterado para uma regra de aprendizado que posta os padrões em ciclos, gerando uma matriz de pesos assimétrica. Resultados indicam que o modelo proposto oscila entre comportamentos periódicos e caóticos, dependendo do grau de fragmentação das sinapses. Com baixo grau de fragmentação, a rede opera com dinâmica periódica, como consequência da regra de treinamento utilizada. Dinâmicas caóticas parecem surgir quando existe um alto grau de fragmentação. Mostra-se, também, que é possível obter caoticidade em uma topologia adequadamente modular, ou seja, como uma estrutura de comunidades válida. Desta forma, este projeto de pesquisa provê uma metodologia alternativa para se construir um modelo de Rede Neural Artificial que realiza tarefas de reconhecimento de padrões, explorando dinâmicas complexas por meio de uma estrutura de conexões que se mostra mais similar à topologia existente no cérebro / Biological neural networks contain billions of neurons divided in spatial and functional clusters to perform dierent tasks. It also operates with complex dynamics such as periodic and chaotic ones. It has been shown that Chaotic Neural Networks are more efficient than conventional recurrent neural networks in avoiding spurious memory. Inspired by the fact that the cerebral cortex has speficic groups of cells and motivated by the efficiency of complex behaviors, in this document we investigate the dynamics of a recurrent neural network, as the Hopfield one, but with neurons coupled in such a way to form a complex network community structure. Also, we generate an asymmetric weight matrix placing pattern cycles during learning. Our study shows that the network can operate with periodic and chaotic dynamics, depending on the degree of the connection\'s fragmentation. For low fragmentation degree, the network operates with periodic dynamic duo to the employed learning rule. Chaotic behavior seems to rise for a high fragmentation degree. We also show that the neural network can hold both chaotic dynamic and a high value of modularity measure at the same time, indicating an acceptable community structure. These findings provide an alternative way to design dynamical neural networks to perform pattern recognition tasks exploiting periodic and chaotic dynamics by using a more similar topology to the topology of the brain

O presente trabalho visa apresentar um modelo alternativo e completo de proteção para linhas de transmissão utilizando-se de Redes Neurais Artificiais (RNAs). Pela aplicação, busca-se um modelo que venha a realizar a detecção do defeito, a classificação quanto ao tipo de falta ocorrida e a localização da mesma no que diz respeito à verificação das zonas de proteção em um menor tempo se comparado com as propostas convencionais. As grandezas analisadas referem-se a valores amostrados de tensões e correntes do sistema elétrico, cujos valores foram obtidos através de simulações computacionais utilizando o software Alternative Transientes Program (ATP). O desenvolvimento do trabalho está dividido em módulos, que dizem respeito à implementação das arquiteturas para a detecção, classificação e a localização da falta. Ressalta-se que o objetivo de treinar os módulos foi o de se obter arquiteturas de RNAs fixas (software NeuralWorks), as quais representam todo o conhecimento armazenado do sistema de proteção. Com estas arquiteturas fixas, através de um algoritmo computacional apropriado e implementado na linguagem de programação \"C\", pode-se então obter as respostas sobre todas as prováveis condições de operação do sistema de transmissão. Os resultados alcançados pela aplicação deste modelo alternativo de proteção ilustram que o desempenho global das arquiteturas de RNAs é altamente satisfatório e condizente para uma possível aplicação prática. Deve ser enfatizado que o esquema proposto se mostra altamente preciso, com alta velocidade de atuação, apresentando características bastante desejáveis para um sistema de proteção moderno. Deve ser mencionado que esta pesquisa foi desenvolvida em cooperação com o Departamento de Engenharia Elétrica e Eletrônica da Universidade de Bath/Inglaterra. / This work presents an alternative Artificial Neural Network (ANN) approach to simulate a complete scheme for a transmission line protection. From this application, we intend to obtain a complete model to detect the fault, to classify the fault type occurred and to locate it on the protection zones as quickly as possible when compared to conventional approaches. The voltage and current sampled values from the electric power system are analyzed and they are generated by computational simulation using the Alternative Transients Program (ATP) software. In order to perform the simulation, the study was subdivided into different neural network modules for fault detection, fault classification as well as fault location. It should be pointed out that the modules training objective was to obtain the appropriate fixed ANNs architectures (software NeuralWorks), which represent all stored knowledge from the protection system operation. With these fixed architectures, by an appropriate computational algorithm implemented in a C code language, all expected correct responses described above for different operation conditions can be obtained. The results obtained by application of this alternative protection approach, show that the global performance of the ANNs architecture was highly satisfactory and suitable to a practical application. It should be emphasized that the scheme proposed is highly precise with high speed of response, showing desirable characteristics to a modern protection system. It should be mentioned that this research was developed in cooperation with the Department of Electronic and Electrical Engineering - University of Bath/England.

Este trabalho tem como objetivo apresentar um algoritmo de proteção diferencial de geradores baseado em Redes Neurais Artificiais (RNAs), que seja robusto e confiável em situações onde os algoritmos padrões podem apresentar dificuldades, como no caso, da saturação de TCs. O algoritmo desenvolvido é constituído por dois módulos principais: a) um módulo de detecção da saturação dos transformadores de corrente (TCs) empregados na proteção diferencial de geradores e; b) um módulo de correção das formas de onda distorcidas devido à saturação dos TCs. Os módulos utilizam RNAs para detectar e corrigir situações onde haja saturação dos TCs, a fim de evitar a má operação da proteção diferencial. O algoritmo foi desenvolvido em ambiente Matlab e validado com base nos dados da modelagem e simulações de um sistema elétrico utilizando o software Alternative Transients Program (ATP). / This work has as objective to present an algorithm for differential protection of generators based on Artificial Neural Networks (ANN), which is robust and reliable in situations where standard algorithms fail, as in the case of Current Transformer (CT) saturation. The algorithm developed consists of two main modules: a) a module to detect saturation of CTs used in differential protection of generators and; b) module to correct distorted waveforms due to CT saturation. The modules use ANNs to detect and correct situations where there is saturation of CTs in order to avoid misoperation of the differential protection. The algorithm was developed using Matlab software and validated based on data modeling and simulations of a power system using the Alternative Transients Program (ATP) software.

Esta pesquisa teve como objetivo o desenvolvimento de um algoritmo computacional capaz de diagnosticar as condições operativas de transformadores de potência. As variáveis tomadas como base para classificar as condições apresentadas se referem às usualmente empregadas pela lógica de proteção diferencial, ou seja, a corrente diferencial e o conteúdo harmônico presente nos sinais em análise. Além disto, foi também verificada a relação entre alguns dos fenômenos associados à falta de qualidade da energia elétrica originados pelos consumidores conectados no secundário e refletidos ao primário do transformador. O algoritmo desenvolvido utilizou-se da Transformada Wavelet e de técnicas de inteligência artificial (Lógica Fuzzy e Redes Neurais Artificiais), com o objetivo de inferir sobre os relacionamentos supracitados. Todos os testes para validação da metodologia proposta foram realizados dispondo de um sistema elétrico simulado no software ATP (Alternative Transients Program). Os resultados encontrados denotam que, frente às condições analisadas, correntes diferenciais e conteúdo harmônico indesejado podem vir a surgir, fazendo com que a lógica implementada venha a diagnosticar erroneamente a condição de operação enfrentada. Os resultados avaliam ainda a propagação destas condições do secundário para o primário do transformador em análise. / This research aimed to develop an algorithm able to diagnose the operating conditions of power transformers. The variables considered to classify the presented conditions were the normally used by differential protection logic, i.e., the differential current and the harmonic content in the signals in analysis. Moreover, the relationship between some phenomena associated to a poor power quality originated from consumers connected to the secondary and reflect to the primary side of the transformer was also verified. In order to infer the relationships above mentioned, the developed algorithm used the Wavelet Transform and artificial intelligence techniques (Fuzzy Logic and Artificial Neural Networks). All the tests applied to validate the proposed methodology were performed making use of the ATP (Alternative Transients Program). In face of the analyzed conditions, the results show that differential currents and undesired harmonic content can arise and the implemented logic will erroneously diagnose the operation condition addressed. The results also illustrate the propagation of these conditions from secondary to primary side of the analyzed transformer.

Nos tempos atuais, as imagens médicas são fonte de dados fundamentais na medicina moderna. As imagens armazenadas em uma base de dados de acordo com as respectivas categorias são um importante passo para aplicações como mineração de dados e recuperação de imagens por conteúdo. Estas aplicações podem apoiar médicos e estudantes na decisão de diagnóstico, permitir pesquisas e ser usadas como material didático. O trabalho propõe o uso de Mapas Auto-Organizáveis (SOM) e TransformadaWavelet combinada com momentos de Hu para a categorização de imagens médicas. Para tanto, são realizados experimentos para definição do tamanho do mapa SOM, uso do mesmo na categorização, definição da melhor família wavelet e nível de decomposição, sumarização dos coeficientes wavelets descartados por momento de Hu e experimentos comparativos com outras abordagens de categorização. Além dos experimentos de classificação comparativos em termos de taxa de acerto, é apresentada uma proposta de contribuição para uso do Mapa SOM na classificação. Nesta proposta, os resultados de classificação e o tempo de recurso computacional despendido pelo Mapa SOM mostram-se eficientes, quando comparados aos resultados e tempo apresentados pelo tradicional classificador K vizinhos mais próximos. / Nowadays, images are fundamental data source in modern medicine. The images stored in a database according with categories are an important step for data mining and contentbased image retrieval. They can support doctors and students in diagnostic decisions and provide research and didactic material. This work addresses the use of Self-Organizing Map (SOM) and discrete wavelet transform joint with Hus moments to medical image categorization. Furthermore, extensive experiments to define map size were done, employing the map in categorization, the best wavelet family and level of decomposition were defined, the coefficient discarded was summarized by Hus moments and contrastive studies with another successfull approach of categorization were done. Moreover, an approach to use SOM map in categorization is addressed, in which the SOM map for classification carried on better performance and computational time than traditional K nearest neighbor algorithm.

CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / A Ãrea de CiÃncia dos Materiais utiliza sistemas de VisÃo Computacional para determinar tamanho e/ou quantidade de grÃos, controle de soldagem, modelamento de elementos de ligas, entre outras. O presente trabalho tem como principal objetivo desenvolver e validar o programa SVRNA (SegmentaÃÃo de Microestruturas por VisÃo Computacional Baseada em Rede Neural Artificial), que, combinado com Rede Neural Artificial, utiliza tÃcnicas de morfologia matemÃtica para realizar a segmentaÃÃo dos constituintes do ferro fundido branco de forma semi-automÃtica e a classificaÃÃo automÃtica da grafita nos ferros fundidos nodular, maleÃvel e cinzento. Os resultados da segmentaÃÃo e quantificaÃÃo destes materiais sÃo comparados entre o SVRNA e um programa comercial bastante utilizado neste domÃnio. A anÃlise comparativa entre estes mÃtodos mostra que o SVRNA apresenta melhores resultados. Conclui-se, portanto, que o sistema proposto pode ser utilizado em aplicaÃÃes na Ãrea da CiÃncia dos Materiais para a segmentaÃÃo e quantificaÃÃo de constituintes em materiais metÃlicos, reduzindo o tempo de anÃlise e obtendo resultados precisos. / CATERIALS Sciences field uses Computational Vision systems to determine size and/or amount of grains, welding control, modeling of alloy elements, among other. The present paper has as main objective to develop and validate the SVRNA system (Microstructure Segmentation for Computational Vision based on Artificial Neural Networks), which, combined with ArtiÂcial Neural Network, uses mathematical morphology technics to accomplish the constituent segmentations from white cast iron of semi-automatic form, and graphite automatic classiÂcation from nodular, malleable and gray cast iron. Segmentation and quantiÂcation results of this materials are compared between SVRNA and a commercial program more used in this domain. Comparative analysis between this methods showed that SVRNA present best results. It has concluded, therefore, which the proposed system can be used in applications in Material Sciences field for microstructure segmentation and quantification in metallic materials, reducing the analyze time, and obtained accurate results.

nÃo hà / A Rede Auto-OrganizÃvel de Kohonen (Self-Organizing Map - SOM), por empregar um algoritmo de aprendizado nÃo supervisionado, vem sendo tradicionalmente aplicada na Ãrea de processamento de sinais em tarefas de quantizaÃÃo vetorial, enquanto que redes MLP (Multi-layer Perceptron) e RBF (Radial Basis Function) dominam as aplicaÃÃes que exigem a aproximaÃÃo de mapeamentos entrada-saÃda. Este tipo de aplicaÃÃo à comumente encontrada em tarefas de filtragem adaptativa que podem ser formatadas segundo a Ãtica da modelagem direta e inversa de sistemas, tais como identificaÃÃo equalizaÃÃo de canais de comunicaÃÃo. Nesta dissertaÃÃo, a gama de aplicaÃÃes da rede SOM à estendida atravÃs da proposiÃÃo de filtros adaptativos neurais baseados nesta rede, mostrando que os mesmos sÃo alternativas viÃveis aos filtros nÃo-lineares baseados nas redes MLP e RBF. Isto torna-se possÃvel graÃas ao uso de uma tÃcnica recentemente proposta, Quantized Temporal Associative Memory - VQTAM), que basicamente usa a filosofia de chamada MemÃria Associativa Temporal por QuantizaÃÃo Vetorial (Vector )treinamento da rede SOM para realizar a quantizaÃÃo vetorial simultÃnea dos espaÃos de entrada e de saÃda relativos ao problema de filtragem analisado. A partir da tÃcnica VQTAM, sÃo propostos trÃs arquiteturas de filtros adaptativos baseadas na rede SOM, cujos desempenhos foram avaliados em tarefas de identificaÃÃo e equalizaÃÃo de canais nÃolineares. O canal usado nas simulaÃÃes foi modelado como um processo auto-regressivo de Gauss-Markov de primeira ordem, contaminado com ruÃdo branco gaussiano e dotado de nÃo-linearidade do tipo saturaÃÃo (sigmoidal). Os resultados obtidos mostram que filtros adaptativos baseados na rede SOM tÃm desempenho equivalente ou superior aos tradicionais filtros transversais lineares e aos filtros nÃo-lineares baseados na rede MLP.

nÃo hà / PropÃe-se nesta tese um mÃtodo de poda de pesos para redes Perceptron Multicamadas (MLP). TÃcnicas clÃssicas de poda convencionais, tais como Optimal Brain Surgeon(OBS) e Optimal Brain Damage(OBD), baseiam-se na anÃlise de sensibilidade de cada peso da rede, o que requer a determinaÃÃo da inversa da matriz Hessiana da funÃÃo-custo. A inversÃo da matriz Hessiana, alÃm de possuir um alto custo computacional, à bastante susceptÃvel a problemas numÃricos decorrentes do mal-condicionamento da mesma. MÃtodos de poda baseados na regularizaÃÃo da funÃÃo-custo, por outro lado, exigem a determinaÃÃo por tentativa-e-erro de um parÃmetro de regularizaÃÃo. Tendo em mente as limitaÃÃes dos mÃtodos de poda supracitados, o mÃtodo proposto baseia-se no "PrincÃpio da MÃxima CorrelaÃÃo dos Erros" (MAXCORE). A idÃia consiste em analisar a importÃncia de cada conexÃo da rede a partir da correlaÃÃo cruzada entre os erros em uma camada e os erros retropropagados para a camada anterior, partindo da camada de saÃda em direÃÃo à camada de entrada. As conexÃes que produzem as maiores correlaÃÃes tendem a se manter na rede podada. Uma vantagem imediata deste procedimento està em nÃo requerer a inversÃo de matrizes, nem um parÃmetro de regularizaÃÃo. O desempenho do mÃtodo proposto à avaliado em problemas de classificaÃÃo de padrÃes e os resultados sÃo comparados aos obtidos pelos mÃtodos OBS/OBD e por um mÃtodo de poda baseado em regularizaÃÃo. Para este fim, sÃo usados, alÃm de dados articialmente criados para salientar caracterÃsticas importantes do mÃtodo, os conjuntos de dados bem conhecidos da comunidade de aprendizado de mÃquinas: Iris, Wine e Dermatology. Utilizou-se tambÃm um conjunto de dados reais referentes ao diagnÃstico de patologias da coluna vertebral. Os resultados obtidos mostram que o mÃtodo proposto apresenta desempenho equivalente ou superior aos mÃtodos de poda convencionais, com as vantagens adicionais do baixo custo computacional e simplicidade. O mÃtodo proposto tambÃm mostrou-se bastante agressivo na poda de unidades de entrada (atributos), o que sugere a sua aplicaÃÃo em seleÃÃo de caracterÃsticas. / This thesis proposes a new pruning method which eliminates redundant weights in a multilayer perceptron (MLP). Conventional pruning techniques, like Optimal Brain Surgeon (OBS) and Optimal Brain Damage (OBD), are based on weight sensitivity analysis, which requires the inversion of the error Hessian matrix of the loss function (i.e. mean squared error). This inversion is specially susceptible to numerical problems due to poor conditioning of the Hessian matrix and demands great computational efforts. Another kind of pruning method is based on the regularization of the loss function, but it requires the determination of the regularization parameter by trial and error. The proposed method is based on "Maximum Correlation Errors Principle" (MAXCORE). The idea in this principle is to evaluate the importance of each network connection by calculating the cross correlation among errors in a layer and the back-propagated errors in the preceding layer, starting from the output layer and working through the network until the input layer is reached. The connections which have larger correlations remain and the others are pruned from the network. The evident advantage of this procedure is its simplicity, since matrix inversion or parameter adjustment are not necessary. The performance of the proposed method is evaluated in pattern classification tasks and the results are compared to those achieved by the OBS/OBD techniques and also by regularization-based method. For this purpose, artificial data sets are used to highlight some important characteristics of the proposed methodology. Furthermore, well known benchmarking data sets, such as IRIS, WINE and DERMATOLOGY, are also used for the sake of evaluation. A real-world biomedical data set related to pathologies of the vertebral column is also used. The results obtained show that the proposed method achieves equivalent or superior performance compared to conventional pruning methods, with the additional advantages of low computational cost and simplicity. The proposed method also presents eficient behavior in pruning the input units, which suggests its use as a feature selection method.

Sistemas de predição de desempenho de cadeias de suprimento são constituídos por indicadores que visam estimar o desempenho da empresa-foco em decorrência também do desempenho dos indicadores dos fornecedores. Na literatura são encontrados apenas dois modelos quantitativos (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) que permitem predizer o desempenho de cadeias de suprimento usando os indicadores do modelo SCOR® (Supply Chain Operations Reference). Uma limitação de ambos modelos é a dificuldade de se ajustar ao ambiente de uso, uma vez que sua implementação e atualização requerem a parametrização manual de muitas regras de decisão. Tanto o uso de redes neurais quanto de sistemas neuro-fuzzy têm o potencial de contornar essa dificuldade por utilizarem um mecanismo de aprendizagem que possibilita a adaptação ao ambiente de uso usando dados numéricos. Todavia, na literatura não são encontradas aplicações dessas técnicas no apoio à predição de desempenho de cadeias de suprimento, tampouco estudos que discutam qual dessas técnicas se mostra mais adequada para lidar com este problema. Diante disso, o objetivo desta pesquisa é construir e a avaliar a adequabilidade de dois sistemas de predição de desempenho, ambos baseados nos indicadores do modelo SCOR®, mas usando alternativamente as técnicas redes neurais e sistemas neuro-fuzzy, para apoiar a gestão de desempenho da empresa-foco e de sua cadeia imediata. A execução desta pesquisa envolveu o uso de simulação computacional e de testes estatísticos. Os resultados mostram que, embora ambas as técnicas apresentem capacidade de predição satisfatória, as redes neurais são mais adequadas em relação à complexidade da definição da configuração topológica, enquanto os sistemas neuro-fuzzy se sobressaíram em relação à capacidade de predição, complexidade do treinamento, quantidade de variáveis de entrada, suporte à tomada de decisão sob incerteza e interpretabilidade dos dados. Outros resultados desta pesquisa estão relacionados à identificação de particularidades do processo de modelagem das técnicas avaliadas, à elaboração de um panorama sobre o uso de técnicas quantitativas na avaliação de desempenho de cadeias de suprimento e à identificação de algumas oportunidades de pesquisa. / Supply chain performance prediction systems are composed by indicators that aim to estimate the performance of a focal company considering also indicators related to their suppliers. There are two quantitative models in the literature (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) that enable to predict the supply chain performance using the indicators proposed by the SCOR® model (Supply Chain Operations Reference). Nevertheless, there is a drawback of both models that refers to the difficulty in adapting to the environment of use, since implementation and updating of these models require parameterization of many decision rules that must be done by an expert. The application of artificial neural networks as well as neuro-fuzzy systems can overcome this drawback by using a learning mechanism that enables the adaptation to the environment of use using numerical data on supply chain performance. However, there are neither studies in the literature that propose the use of these techniques in order to support supply chain performance prediction nor studies that discuss which of these techniques seem to be more appropriate to deal with this problem. Thus, the objective of this study is to propose and evaluate the adequability of the two types of performance prediction systems based on the performance indicators of the SCOR® model, and both using alternatively artificial neural networks and neuro-fuzzy systems to support performance management of a focal company and their supply chain. The implementation of this research involved the use of computer simulation and statistical tests. The results show that although both techniques present a satisfactory predictive capacity, neural networks are more appropriate in relation to the complexity of defining the topological configuration, whereas the neuro-fuzzy systems are more adequate regarding the predictive capacity, complexity of the training, amount of input variables, support to decision-making under uncertainty and interpretability of data. Other results of this research refer to the identification of characteristics of the modeling process of the evaluated techniques, as well as to the review on the use of quantitative techniques for supply chain performance evaluation and to the identification of some research opportunities.

Este trabalho de pesquisa apresenta o desenvolvimento de uma metodologia de diagnóstico automático de falhas do tipo curto-circuito de baixa impedância em circuitos alimentadores de média tensão de sistemas reticulados de distribuição de energia elétrica tipo spot network. O diagnóstico compreende a identificação do tipo de curto-circuito ocorrido e a sua localização. A metodologia está baseada no treinamento e uso de Redes Neurais Artificiais (RNAs). Os parâmetros para treinamento das RNAs são obtidos a partir de padrões de comportamento elétrico de curtos circuitos monofásicos, bifásicos e trifásicos à terra, obtidos por simulação de um circuito de distribuição real localizado na cidade de Brasília. Para obtenção do comportamento elétrico do circuito de distribuição foi utilizado o aplicativo de simulação ATP (Alternative Transient Program); para estruturação, treinamento e testes das RNAs da metodologia de diagnóstico foi utilizado o software Matlab (aplicativo de RNA). Os principais resultados dos testes das RNAs da metodologia são apresentados. Tais resultados demonstram a viabilidade científica e tecnológica de se aplicar a metodologia desenvolvida como ferramenta de diagnóstico em tempo real de auxílio dos departamentos de engenharia de operação e manutenção de concessionárias elétricas. Este trabalho também apresenta as principais possibilidades de continuidade desta pesquisa científica e tecnológica baseada em redes neurais artificiais na área de diagnóstico automático de sistemas reticulados. / This work presents the development of an automatic failure diagnostic methodology for low impedance short circuit in mid voltage feeders of distribution spot networks systems. The developed methodology has the feature to identify the type of short circuit and its location. An Artificial Neural Network technique was employed. The parameters used to train the Artificial Neural Networks are obtained based upon patterns in simulations of real cases for short circuit behavior in mono-phase, bi-phase and tri-phase to ground configuration. The input data for the simulation was based on a real distribution circuit belonging to the Power Utility CEB located in Brasília-Brazil. The simulation program ATP (Alternative Transient Program) was used to obtain the electric behavior of the circuit in the distribution network. As for the Artificial Neural Network simulation, trainings and tests Matlab was employed. As a main contribution the results of this work shows the technical feasibility to apply such methodology as a important real time diagnostic tool to support the system operation and maintenance departments of power utilities that uses spot network topologies. Furthermore, it is presented the possibilities to continue this research related to automatic diagnostics for network distribution systems based on Artificial Neural Networks technique.