Este trabalho consiste em uma contribuição à área de Inteligência Computacional, no que tange a algumas de suas principais técnicas: Computação Nebulosa e Computação Neural. Estas técnicas vêm sendo utilizadas para obter-se soluções de problemas que se apresentam complexos demais para a abordagem algorítmica ou modelagem matemática tradicionais. Entretanto, estes problemas são solucionados de forma trivial pelo aparato que compõe a chamada inteligência humana. A existência de relações, regras e transformações capazes de transferir modelos de problemas de um domínio para outro, traz grandes vantagens para a área de Inteligência Computacional. Teorias e modelos bem estabelecidos em uma das técnicas podem ser utilizados em outras, como por exemplo, os diversos métodos de aprendizado de Computação Neural e a capacidade de utilização de conhecimento especialista de Computação Nebulosa. Problemas modelados classicamente em uma técnica podem ser vistos à luz de outra, possibilitando uma melhor compreensão e otimização das soluções. É realizada uma exploração destas relações. São abordados alguns trabalhos anteriores que indicam a existência de algumas relações, e propostos alguns modelos para desenvolver o trabalho de pesquisa. Uma plataforma para realização de simulações e coleta de dados empíricos para as explorações é especificada. Parte da plataforma foi implementada, e simulações de uma transformação de modelos nebulosos para neurais foram realizadas. Os resultados destes experimentos são apresentados. / This work consists of a contribution to the area of Computational Intelligence, relating to some of its main techniques: Fuzzy Computing and Neural Computing. These techniques are being used to solve problems that are too complex for traditional algorithmic approach or mathematical modeling. However, these problems are solved easly with the apparatus that composes the so-called human intelligence. The existence of relations, rules and transformations capable to transfer problems models from a domain to another, brings great advantages for the area of Computational Intelligence. Well established theories and models in one of the techniques can be used in others, for example, the various learning methods from Neural Computing and the use of expert knowledge capacity of Fuzzy Computing. Problems classically modeled in one technique can be seen from another point of view, possibiliting a better understanding and optimization of the solutions. An exploration of these relations is accomplished. Some previous works indicating the existence of some relations and models to develop the research work are presented. A platform for simulation and empirical data collection, for the explorations, is specified. Part of the platform was implemented, and simulations of a transformation from fuzzy to neural models had been carried through. The results of these experiments are presented.

Este trabalho consiste em uma contribuição à área de Inteligência Computacional, no que tange a algumas de suas principais técnicas: Computação Nebulosa e Computação Neural. Estas técnicas vêm sendo utilizadas para obter-se soluções de problemas que se apresentam complexos demais para a abordagem algorítmica ou modelagem matemática tradicionais. Entretanto, estes problemas são solucionados de forma trivial pelo aparato que compõe a chamada inteligência humana. A existência de relações, regras e transformações capazes de transferir modelos de problemas de um domínio para outro, traz grandes vantagens para a área de Inteligência Computacional. Teorias e modelos bem estabelecidos em uma das técnicas podem ser utilizados em outras, como por exemplo, os diversos métodos de aprendizado de Computação Neural e a capacidade de utilização de conhecimento especialista de Computação Nebulosa. Problemas modelados classicamente em uma técnica podem ser vistos à luz de outra, possibilitando uma melhor compreensão e otimização das soluções. É realizada uma exploração destas relações. São abordados alguns trabalhos anteriores que indicam a existência de algumas relações, e propostos alguns modelos para desenvolver o trabalho de pesquisa. Uma plataforma para realização de simulações e coleta de dados empíricos para as explorações é especificada. Parte da plataforma foi implementada, e simulações de uma transformação de modelos nebulosos para neurais foram realizadas. Os resultados destes experimentos são apresentados. / This work consists of a contribution to the area of Computational Intelligence, relating to some of its main techniques: Fuzzy Computing and Neural Computing. These techniques are being used to solve problems that are too complex for traditional algorithmic approach or mathematical modeling. However, these problems are solved easly with the apparatus that composes the so-called human intelligence. The existence of relations, rules and transformations capable to transfer problems models from a domain to another, brings great advantages for the area of Computational Intelligence. Well established theories and models in one of the techniques can be used in others, for example, the various learning methods from Neural Computing and the use of expert knowledge capacity of Fuzzy Computing. Problems classically modeled in one technique can be seen from another point of view, possibiliting a better understanding and optimization of the solutions. An exploration of these relations is accomplished. Some previous works indicating the existence of some relations and models to develop the research work are presented. A platform for simulation and empirical data collection, for the explorations, is specified. Part of the platform was implemented, and simulations of a transformation from fuzzy to neural models had been carried through. The results of these experiments are presented.

Esta tese apresenta um estudo para a utilização de Redes Neurais Artificiais (RNA) no processo de avaliação e ordenamento de alternativas de projetos de transporte. Partindo-se da ideia de que esse processo constitui-se em um padrão que pode ser captado pelas RNA, a verificação deste argumento foi feita selecionando-se um contexto de avaliação, definindo-se variáveis a serem consideradas no processo de avaliação, e criando-se estruturas de RNA para treinamento com base em outras avaliações já realizadas. Nesta pesquisa foram utilizados 180 \"Estudos de Casos\" recebidos de 32 Estados americanos. Esses dados serviram de entrada para um processo de aprendizagem utilizando-se o simulador \"Neural Planner 4.52\", que baseia-se em redes \"Multilayer Perceptron (MLP)\" e no treinamento em \"Backpropagation\". Várias redes foram treinadas para que fosse definida aquela com um melhor desempenho para o reconhecimento dos padrões existentes nesses casos apresentados. Os 486 experimentos demonstraram índices de acertos superiores a 92% que podem ser visualizados no programa computacional denominado \"EVALUATOR\", uma interface entre o simulador de RNA e usuários. Conclui-se, portanto, que as RNA podem reconhecer os padrões implícitos em avaliações anteriores e servem para avaliar e ordenar alternativas de outros projetos apresentados que pertençam ao mesmo contexto utilizado para treinamento. / This thesis presents a research aimed at the use of Artificial Neural Networks (ANN) for appraising and ranking transportation project alternatives. Based on the principle that this process of appraisal and ranking constitutes a pattern that can be perceived by ANN, the verification of this hypothesis was conducted selecting an evaluation context, defining variables to be considered in the process, and creating ANN structures for training based on other evaluation cases. In this research, 180 \"Case Studies\" from 32 American states were used. These data were used as input to a learning process using the simulator \"Neural Planner 4.52\", which is based on \"Multilayer Perceptron (MLP)\" networks and uses a \"Backpropagation\" training algorithm. Several networks were trained to obtain the one most capable of recognizing the patterns of the projects analyzed. More than 92% of the 486 experiments presented right indexes, as shown by a software called \"EVALUATOR\", a user interface between ANN simulator. The conclusion is that ANN can recognize the implicit patterns in previous evaluations and can be used to appraise and rank alternatives from other projects belonging to the same context used for the ANN training.

Esta tese apresenta um estudo para a utilização de Redes Neurais Artificiais (RNA) no processo de avaliação e ordenamento de alternativas de projetos de transporte. Partindo-se da ideia de que esse processo constitui-se em um padrão que pode ser captado pelas RNA, a verificação deste argumento foi feita selecionando-se um contexto de avaliação, definindo-se variáveis a serem consideradas no processo de avaliação, e criando-se estruturas de RNA para treinamento com base em outras avaliações já realizadas. Nesta pesquisa foram utilizados 180 \"Estudos de Casos\" recebidos de 32 Estados americanos. Esses dados serviram de entrada para um processo de aprendizagem utilizando-se o simulador \"Neural Planner 4.52\", que baseia-se em redes \"Multilayer Perceptron (MLP)\" e no treinamento em \"Backpropagation\". Várias redes foram treinadas para que fosse definida aquela com um melhor desempenho para o reconhecimento dos padrões existentes nesses casos apresentados. Os 486 experimentos demonstraram índices de acertos superiores a 92% que podem ser visualizados no programa computacional denominado \"EVALUATOR\", uma interface entre o simulador de RNA e usuários. Conclui-se, portanto, que as RNA podem reconhecer os padrões implícitos em avaliações anteriores e servem para avaliar e ordenar alternativas de outros projetos apresentados que pertençam ao mesmo contexto utilizado para treinamento. / This thesis presents a research aimed at the use of Artificial Neural Networks (ANN) for appraising and ranking transportation project alternatives. Based on the principle that this process of appraisal and ranking constitutes a pattern that can be perceived by ANN, the verification of this hypothesis was conducted selecting an evaluation context, defining variables to be considered in the process, and creating ANN structures for training based on other evaluation cases. In this research, 180 \"Case Studies\" from 32 American states were used. These data were used as input to a learning process using the simulator \"Neural Planner 4.52\", which is based on \"Multilayer Perceptron (MLP)\" networks and uses a \"Backpropagation\" training algorithm. Several networks were trained to obtain the one most capable of recognizing the patterns of the projects analyzed. More than 92% of the 486 experiments presented right indexes, as shown by a software called \"EVALUATOR\", a user interface between ANN simulator. The conclusion is that ANN can recognize the implicit patterns in previous evaluations and can be used to appraise and rank alternatives from other projects belonging to the same context used for the ANN training.