Made available in DSpace on 2014-06-12T15:59:10Z (GMT). No. of bitstreams: 2 arquivo4926_1.pdf: 315649 bytes, checksum: 553e09d0e80e43b0ca2856dd4be49858 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2001 / As Redes Neurais Artificiais (RNAs) têm sido aplicadas com sucesso em uma diversidade de problemas do mundo real. Contudo, o sucesso dessas redes para um determinado problema depende muito de um projeto bem realizado. O projeto de redes neurais envolve a definição de vários parâmetros, como, por exemplo, o tipo de rede, a arquitetura, o algoritmo de treinamento utilizado, os parâmetros de treinamento, os critérios de parada, dentre outros. A automatização (total ou parcial) do projeto de RNAs tem como objetivos principais tornar o desempenho das redes menos sensível a decisões erradas de um desenvolvedor inexperiente, além de torná-las acessíveis a usuários nãoespecialistas em redes neurais. Como solução para o problema da automatização, investigamos o uso de técnicas de Inteligência Artificial que, quando integradas com as redes neurais, resultam em Sistemas Neurais Híbridos (SNHs). Nessa dissertação, apresentamos duas aplicações desses Sistemas Híbridos para a previsão de séries temporais, um problema de relevância fundamental em muitos domínios do mundo real. Primeiramente, propomos um modelo de automatização integrando o Raciocínio Baseado em Casos (RBC) e os Algoritmos Genéticos (AGs). No nosso modelo, o sistema de RBC mantém uma base de casos em que cada caso armazena a descrição de um problema resolvido com redes neurais e a solução aplicada. Diante de um novo problema, uma consulta é feita à base de casos, recuperando as soluções usadas nos problemas mais similares. Essas soluções são inseridas na população inicial dos AGs, que são responsáveis por adaptá-las. Após a execução dos AGs, a solução final poderá ser inserida na base de casos, para auxiliar a solução de problemas futuros. Como estudo de caso, aplicamos o modelo proposto para a otimização da arquitetura de modelos neurais de previsão. As redes geradas pelo modelo apresentaram maior poder de generalização, além de um número menor de conexões de rede. Na segunda aplicação de SNHs, investigamos o uso dos Algoritmos Genéticos durante o aprendizado dos pesos de uma rede neural usada para a previsão de vazões em uma bacia hidrográfica. Nessa aplicação, os AGs foram usados para definir os pesos iniciais da rede para o algoritmo de Levenberg-Marquardt, formando assim um algoritmo de treinamento híbrido. O uso dos AGs aumentou o desempenho do aprendizado, principalmente em relação ao tempo de treinamento. Nessa dissertação, apresentamos as vantagens e limitações dos dois SNHs desenvolvidos, além de indicações de trabalhos futuros.