Made available in DSpace on 2014-06-12T18:05:20Z (GMT). No. of bitstreams: 2 arquivo7242_1.pdf: 931437 bytes, checksum: 157a5fafafe6d80cb0496c15d8d7a5a9 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / A presente dissertação se centra na temática de produção de previsões de valores futuros de arrecadações tributárias. Em particular, busca-se avaliar a utilidade de métodos de previsão baseados em redes neurais. Os resultados obtidos para arrecadações do ICMS nacional e de três estados (Pernambuco, Rio de Janeiro e São Paulo) mostram que previsões obtidas por redes neurais podem ser mais precisas do que aquelas fornecidas por metodologias de previsão mais tradicionais como o alisamento exponencial e o método de Box e Jenkins. Os resultados revelam ainda que combinações de previsões que incluem redes neurais tendem a alcançar maior precisão do que combinações que não incluem redes neurais

Orientadores: Ronei Jesus Poppi, Jarbas Jose Rodrigues Rohwedder / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Quimica / Made available in DSpace on 2018-07-24T07:31:02Z (GMT). No. of bitstreams: 1 Zampronio_CleidianeGorete_M.pdf: 3101970 bytes, checksum: 40db814d08064f0296258583366dd1ae (MD5) Previous issue date: 1998 / Mestrado

Estudamos neste trabalho o comportamento de modelos de redes neurais compostos de neurônios (ou sítios) e padrões descritos por variáveis binárias, onde cada neurônio conecta-se a um número macroscópico de neurônios vizinhos - modelos de campo médio - por meio de sinapses ou interações, cuja forma é escolhida de modo que a rede seja capaz de executar tarefas específicas. Três modelos são investigados neste trabalho: o modelo de Little-Hopfield e dois modelos de processamento sequencial, um com interações simétricas e outro com interações assimétricas. As sinapses do modelo de Little-Hopfield incluem apenas o termo Hebbiano, que tende a estabilizar a rede em um dos padrões, favorecendo sua recuperação. As sinapses dos modelos de processamento sequencial envolvem a competição entre o termo Hebbiano e um termo sequencial, que provoca transições dos estados entre os diferentes padrões armazenados, favorecendo a recuperação de uma sequência de padrões. Nos concentramos essencialmente na análise das propriedades dinâmicas e estacionárias das soluções vinculadas a esses dois modos de processamento de informação, característicos de modelos de memória associativa. A competição entre a recuperação de um padrão e o processamento de uma sequência é responsável pela riqueza exibida pelos diagTamas de fases dos modelos de processamento sequencial, os quais incluem a presença de soluções cíclicas e de ponto-fixo. O comportamento dos modelos de interesse é analisado em três arquiteturas: na rede em camadas, na rede recorrente e numa rede dual, que interpola entre as duas primeiras arquiteturas. Com relação à metodologia, a rede em camadas e a rede recorrente são estudadas através de um tratamento dinàmico, utilizando a análise de sinal-ruído no primeiro caso e o mÉ~tododa funcional geratriz, com simulações numéricas baseadas no procedimento de Eissfeller e Opper, no segundo caso. Os estados estacionários da rede dual são estudados por meio da mecânica estatística de equilíbrio, utilizando o método das réplicas. Resultados para o comportamento desses sistemas são discutidos considerando os regimes de armazenamento finito e infinito de padrões. Apesar dos modelos de processamento sequencial estudados aqui apresentarem diversas limitações com relação a redes de neurônios biológicos, as propriedades qualitativas das soluções exibidas por esses sistemas podem ser interessantes de um ponto de vista biológico. / We study in this work the behaviour of neural network models composed of neurons (01'sites) and patterns described by binary variables, in which each neuron is connected to a macroscopic number of neighbours - mean-field models - by means of synapses or interactions, whose form is chosen in a way that the network is able to perform specific tasks. Three models are investigated in this work: the Little-Hopfield model and two sequence processing models, one with symmetric interactions and another with asymmetric interactions. The synapses of the Little-Hopfield model include only the Hebbian term, which tends to stabilise the network in one of the patterns, favouring its retrieval. The synapses of the sequence processing models involve the competition between the Hebbian term and a sequential term, which generates transitions of states between the stored patterns, favouring the retrieval of a sequence of patterns. \Ve mainly concentrate on the dynamical and stationary properties of the solutions related to both kinds of information processing, typical of associative memory models. The competition between pattern retrieval and sequence processing is responsible for the richness exhibited by the phase diagrams of the sequence processing models, which include the presence of cyclic and fixed-point solutions. The behaviour of the models is analysed in three architectures: the feed-forward layered network, the recurrent network and the dual network, that interpolates between the first two architectures. With respect to the methodology, the strictly feed-forward and recurrent neural networks are studied through a dynamical approach, using the signalto- noise analysis and the generating functional method, respectively. Explicit results for the latter are implemented by numerical simulations following a method of Eissfeller and Opper. The stationary states of the dual network are studied by means of the equilibrium statistical mechanics, using the replica method. Results for the behaviour of these systems are discussed for finite and extensive loading of patterns. Although the sequence processing models studied here have several limitations with respect to biological networks, the qualitative properties of the solutions ex.hibited by these systems may be interesting from a biological point of view.

Estudamos neste trabalho o comportamento de modelos de redes neurais compostos de neurônios (ou sítios) e padrões descritos por variáveis binárias, onde cada neurônio conecta-se a um número macroscópico de neurônios vizinhos - modelos de campo médio - por meio de sinapses ou interações, cuja forma é escolhida de modo que a rede seja capaz de executar tarefas específicas. Três modelos são investigados neste trabalho: o modelo de Little-Hopfield e dois modelos de processamento sequencial, um com interações simétricas e outro com interações assimétricas. As sinapses do modelo de Little-Hopfield incluem apenas o termo Hebbiano, que tende a estabilizar a rede em um dos padrões, favorecendo sua recuperação. As sinapses dos modelos de processamento sequencial envolvem a competição entre o termo Hebbiano e um termo sequencial, que provoca transições dos estados entre os diferentes padrões armazenados, favorecendo a recuperação de uma sequência de padrões. Nos concentramos essencialmente na análise das propriedades dinâmicas e estacionárias das soluções vinculadas a esses dois modos de processamento de informação, característicos de modelos de memória associativa. A competição entre a recuperação de um padrão e o processamento de uma sequência é responsável pela riqueza exibida pelos diagTamas de fases dos modelos de processamento sequencial, os quais incluem a presença de soluções cíclicas e de ponto-fixo. O comportamento dos modelos de interesse é analisado em três arquiteturas: na rede em camadas, na rede recorrente e numa rede dual, que interpola entre as duas primeiras arquiteturas. Com relação à metodologia, a rede em camadas e a rede recorrente são estudadas através de um tratamento dinàmico, utilizando a análise de sinal-ruído no primeiro caso e o mÉ~tododa funcional geratriz, com simulações numéricas baseadas no procedimento de Eissfeller e Opper, no segundo caso. Os estados estacionários da rede dual são estudados por meio da mecânica estatística de equilíbrio, utilizando o método das réplicas. Resultados para o comportamento desses sistemas são discutidos considerando os regimes de armazenamento finito e infinito de padrões. Apesar dos modelos de processamento sequencial estudados aqui apresentarem diversas limitações com relação a redes de neurônios biológicos, as propriedades qualitativas das soluções exibidas por esses sistemas podem ser interessantes de um ponto de vista biológico. / We study in this work the behaviour of neural network models composed of neurons (01'sites) and patterns described by binary variables, in which each neuron is connected to a macroscopic number of neighbours - mean-field models - by means of synapses or interactions, whose form is chosen in a way that the network is able to perform specific tasks. Three models are investigated in this work: the Little-Hopfield model and two sequence processing models, one with symmetric interactions and another with asymmetric interactions. The synapses of the Little-Hopfield model include only the Hebbian term, which tends to stabilise the network in one of the patterns, favouring its retrieval. The synapses of the sequence processing models involve the competition between the Hebbian term and a sequential term, which generates transitions of states between the stored patterns, favouring the retrieval of a sequence of patterns. \Ve mainly concentrate on the dynamical and stationary properties of the solutions related to both kinds of information processing, typical of associative memory models. The competition between pattern retrieval and sequence processing is responsible for the richness exhibited by the phase diagrams of the sequence processing models, which include the presence of cyclic and fixed-point solutions. The behaviour of the models is analysed in three architectures: the feed-forward layered network, the recurrent network and the dual network, that interpolates between the first two architectures. With respect to the methodology, the strictly feed-forward and recurrent neural networks are studied through a dynamical approach, using the signalto- noise analysis and the generating functional method, respectively. Explicit results for the latter are implemented by numerical simulations following a method of Eissfeller and Opper. The stationary states of the dual network are studied by means of the equilibrium statistical mechanics, using the replica method. Results for the behaviour of these systems are discussed for finite and extensive loading of patterns. Although the sequence processing models studied here have several limitations with respect to biological networks, the qualitative properties of the solutions ex.hibited by these systems may be interesting from a biological point of view.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2017. / Submitted by Priscilla Sousa (priscillasousa@bce.unb.br) on 2017-10-31T12:50:55Z No. of bitstreams: 1 2017_ViníciusdeOliveiraSilva.pdf: 12072182 bytes, checksum: 8abe6dbc46ba985620334c2ebac9ea8a (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-11-07T14:09:45Z (GMT) No. of bitstreams: 1 2017_ViníciusdeOliveiraSilva.pdf: 12072182 bytes, checksum: 8abe6dbc46ba985620334c2ebac9ea8a (MD5) / Made available in DSpace on 2017-11-07T14:09:45Z (GMT). No. of bitstreams: 1 2017_ViníciusdeOliveiraSilva.pdf: 12072182 bytes, checksum: 8abe6dbc46ba985620334c2ebac9ea8a (MD5) Previous issue date: 2017-11-07 / A evolução tecnológica nas últimas décadas contribuiu para a melhoria de computadores com excelente capacidade de processamento, armazenamento e câmeras com maior qualidade digital. Os dispositivos de geração de vídeo têm sido mais fáceis de manipular, mais portáteis e com preços mais baixos. Isso permitiu a geração, armazenamento e transmissão de grandes quantidades de vídeos, o que demanda uam forma de análise automática de informações, independente de assistência humana para avaliação e busca exaustiva de vídeos. Existem várias aplicações que podem se beneficiar de técnicas de inteligência computacional, tais como realidade virtual, robótica, telemedicina, interface homemmáquina, tele-vigilância e assistência aos idosos em acompanhamento constante. Este trabalho descreve um método para o Reconhecimento de Ações Humanas em sequências de imagens usando duas Redes (canais) Neurais Convolutivas (RNCs). O Canal Espacial é treinado usando quadros de uma sequência de imagens com técnicas de transferência de aprendizagem a partir da rede VGG16 (pré-treinada para classificação de objetos). O outro canal, Canal Temporal, recebe pilhas de Fluxo Óptico Denso (FOD) como entrada e é treinado com pesos inicais aleatórios. A técnica foi testada em dois conjuntos de dados públicos de ações humanas: Weizmann e UCF Sports. Na abordagem do Canal Espacial, conseguimos 84,44% de precisão no conjunto de dados Weizmann e 78,46% no conjunto de dados UCF Sports. Com os canais temporal e espacial combinados, obtivemos uma taxa de precisão de 91,11% para o conjunto de dados Weizmann. Mostramos que quadros estáticos pertencentes a uma certa sequência de imagens curiosamente possibilitam classificar a ação realizada em tal seqüência. Acreditamos que, uma vez que a rede VGG16 foi pré-treinada para um conjunto de dados de 1000 classes de objetos diferentes e algumas ações estão associadas a certos tipos de objetos, isso contribuiu significativamente para a aprendizagem da rede espacial. Isso indica que a técnica de transferência de aprendizado foi usada de forma eficiente para reconhecer ações humanas, usando uma rede previamente treinada para reconhecer objetos. / The technological evolution in the last decades has contributed to the improvement of computers with excellent processing and storage capacity and cameras with higher digital quality. Nowadays, video generation devices are simpler to manipulate, more portable and with lower prices. This allowed easy generation, storage and transmission of large amounts of videos, which demands a form of automatic analysis, independent of human assistance for evaluation and exhaustive search of videos. There are several applications that can benefit from such techniques such as virtual reality, robotics, tele-medicine, humanmachine interface, tele-surveillance and assistance to the elderly in timely caregiving. This work describes a method for human action recognition in a sequence of images using two convolutional neural networks (CNNs). The Spatial network stream is trained 1using frames from a sequence of images with transfer learning techniques from the VGG16 network (pre-trained for classification of objects). The other stream channel, Temporal stream, receives stacks of Dense Optical Flow (DOF) as input and it is trained from scratch. The technique was tested in two public action video datasets: Weizmann and UCF Sports. In the Spatial stream approach we achieve 84.44% of accuracy on Weizmann dataset and 78.46% on UCF Sports dataset. With the Temporal and Spatial streams combined, we obtained an accuracy rate of 91.11% for the Weizmann dataset. We showed that still frames belonging to a certain sequence of images curiously make it possible to classify the action performed in such a sequence. We believe that, since the VGG16 network was pre-trained for a dataset of 1000 classes of different objects and some actions are associated with certain types of objects, this contributed significantly to the learning of the spatial network. This indicates that the transfer learning technique was used efficiently to recognize human actions, using a previously trained network to recognize objects.

Estudamos neste trabalho o comportamento de modelos de redes neurais compostos de neurônios (ou sítios) e padrões descritos por variáveis binárias, onde cada neurônio conecta-se a um número macroscópico de neurônios vizinhos - modelos de campo médio - por meio de sinapses ou interações, cuja forma é escolhida de modo que a rede seja capaz de executar tarefas específicas. Três modelos são investigados neste trabalho: o modelo de Little-Hopfield e dois modelos de processamento sequencial, um com interações simétricas e outro com interações assimétricas. As sinapses do modelo de Little-Hopfield incluem apenas o termo Hebbiano, que tende a estabilizar a rede em um dos padrões, favorecendo sua recuperação. As sinapses dos modelos de processamento sequencial envolvem a competição entre o termo Hebbiano e um termo sequencial, que provoca transições dos estados entre os diferentes padrões armazenados, favorecendo a recuperação de uma sequência de padrões. Nos concentramos essencialmente na análise das propriedades dinâmicas e estacionárias das soluções vinculadas a esses dois modos de processamento de informação, característicos de modelos de memória associativa. A competição entre a recuperação de um padrão e o processamento de uma sequência é responsável pela riqueza exibida pelos diagTamas de fases dos modelos de processamento sequencial, os quais incluem a presença de soluções cíclicas e de ponto-fixo. O comportamento dos modelos de interesse é analisado em três arquiteturas: na rede em camadas, na rede recorrente e numa rede dual, que interpola entre as duas primeiras arquiteturas. Com relação à metodologia, a rede em camadas e a rede recorrente são estudadas através de um tratamento dinàmico, utilizando a análise de sinal-ruído no primeiro caso e o mÉ~tododa funcional geratriz, com simulações numéricas baseadas no procedimento de Eissfeller e Opper, no segundo caso. Os estados estacionários da rede dual são estudados por meio da mecânica estatística de equilíbrio, utilizando o método das réplicas. Resultados para o comportamento desses sistemas são discutidos considerando os regimes de armazenamento finito e infinito de padrões. Apesar dos modelos de processamento sequencial estudados aqui apresentarem diversas limitações com relação a redes de neurônios biológicos, as propriedades qualitativas das soluções exibidas por esses sistemas podem ser interessantes de um ponto de vista biológico. / We study in this work the behaviour of neural network models composed of neurons (01'sites) and patterns described by binary variables, in which each neuron is connected to a macroscopic number of neighbours - mean-field models - by means of synapses or interactions, whose form is chosen in a way that the network is able to perform specific tasks. Three models are investigated in this work: the Little-Hopfield model and two sequence processing models, one with symmetric interactions and another with asymmetric interactions. The synapses of the Little-Hopfield model include only the Hebbian term, which tends to stabilise the network in one of the patterns, favouring its retrieval. The synapses of the sequence processing models involve the competition between the Hebbian term and a sequential term, which generates transitions of states between the stored patterns, favouring the retrieval of a sequence of patterns. \Ve mainly concentrate on the dynamical and stationary properties of the solutions related to both kinds of information processing, typical of associative memory models. The competition between pattern retrieval and sequence processing is responsible for the richness exhibited by the phase diagrams of the sequence processing models, which include the presence of cyclic and fixed-point solutions. The behaviour of the models is analysed in three architectures: the feed-forward layered network, the recurrent network and the dual network, that interpolates between the first two architectures. With respect to the methodology, the strictly feed-forward and recurrent neural networks are studied through a dynamical approach, using the signalto- noise analysis and the generating functional method, respectively. Explicit results for the latter are implemented by numerical simulations following a method of Eissfeller and Opper. The stationary states of the dual network are studied by means of the equilibrium statistical mechanics, using the replica method. Results for the behaviour of these systems are discussed for finite and extensive loading of patterns. Although the sequence processing models studied here have several limitations with respect to biological networks, the qualitative properties of the solutions ex.hibited by these systems may be interesting from a biological point of view.

Made available in DSpace on 2014-06-12T15:56:05Z (GMT). No. of bitstreams: 2 arquivo2496_1.pdf: 927111 bytes, checksum: 2a7e700951f9ece734722fe6fb1707f8 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Através da miniaturização dos componentes dos chips a cada ano a velocidade dos computadores é aproximadamente duplicada. Esta rápida redução dos componentes dos chips é conhecida como a Lei de Moore. Apesar de se manter verdadeira nos últimos anos, a lei de Moore está se aproximando de seu limite, pois os componentes dos chips estão se aproximando a escala atômica. Neste momento, será necessário considerar os efeitos da mecânica quântica sobre a computação. O estudo dos modelos de computação não convencionais, como a computação quântica, é um dos grandes desafios da pesquisa em computação no Brasil. O desenvolvimento de novos hardwares com tecnologias diferentes do silício pode ter consequências nas técnicas de desenvolvimento de hardware e software. O objetivo desta dissertação é investigar que vantagens podem ser obtidas através da aplicação de técnicas da computação quântica no desenvolvimento e treinamento de modelos de redes neurais artificiais. Três modelos de redes neurais quânticas baseados em modelos de redes neurais sem pesos foram propostos. Ao contrário dos outros modelos de redes neurais quânticas, as redes propostas nesta dissertação podem simular as redes em que foram baseadas. A principal vantagem dos modelos quânticos neurais propostos nesta dissertação está no seu algoritmo de treinamento, um algoritmo onde a rede neural é executada apenas uma vez independente do tamanho do conjunto de treinamento e da rede neural. O algoritmo proposto foi baseado em uma memória associativa quântica e no algoritmo de busca de Grover

Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-07-13T19:29:03Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) final.pdf: 6504039 bytes, checksum: 6f7f7f9e2f6435f17fbf9659accd6d63 (MD5) / Made available in DSpace on 2016-07-13T19:29:03Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) final.pdf: 6504039 bytes, checksum: 6f7f7f9e2f6435f17fbf9659accd6d63 (MD5) Previous issue date: 2016-03-01 / CNPQ / A wide spectrum of social, biological, physical, chemical and computational systems have been investigated by the tools and techniques from the field of Dynamical Systems Theory to formalize the behaviour in time and quantify and qualify the parametric variations of those systems. In Biology in particular, studies have shown that learning neuron maximization can occur in specific dynamics conditions where information processing is optimized. This it may be expected that some of those conditions can be recognized and used in artificial models. This work studies the quantum artificial neuron weightless qRAM behavior, from the design iteration models - taking into account the physical and mathematical conditions of quantum computing that restricts the extraction of information at every time step - to its parametric analysis where converging behaviors, damped or oscillatory, are detailed. Tools of dynamical systems like orbits diagram and time series qualitatively illustrate its temporal variability. The main contribution of this work is to detail the neuron qRAM behavior so that the results can be used within the machine learning area, coupled with larger systems to achieve maximum learning tasks. As result, we propose a novel dynamical neuron model, named Quadratic Extraction Model (QEM), we perfom parametric studies of the existing models where underdamped, overdamped and undamped behaviour are encountered, and we present apresentation of a neuron configuration inside a quantum architecture with chaos behaviour. A quantitative measure model to compare dynamics orbits was also proposed. / Os mais variados sistemas sociais, biológicos, físicos, químicos e computacionais tem sido investigados pela área de Sistemas Dinâmicos para formalizar o comportamento no tempo e quantificar e qualificar variações paramétricas desses sistemas. Na biologia em particular, estudos tem mostrado que a maximização de aprendizado de um neurônio pode acontecer dentro de certas condições da sua dinâmica onde o processamento de informação é otimizado. Espera-se então que essas condições possam ser reconhecidas e utilizadas em modelos artificiais. Este trabalho descreve o comportamento do neurônio artificial quântico sem peso qRAM, desde a concepção de modelos de iteração - visto as condições físico matemáticas da computação quântica que restringe a extração da informação isolada do valor de saída do neurônio a cada etapa de tempo - até sua análise paramétrica de onde comportamentos convergentes, amortecidos ou oscilatórios são detalhados. Ferramentas dos sistemas dinâmicos como diagrama de órbitas e séries temporais ilustram qualitativamente sua variabilidade temporal. A principal contribuição desse trabalho é detalhar o comportamento do neurônio qRAM a fim de que os resultados possam ser usados dentro da área de aprendizagem de máquina, acoplado com sistemas maiores e complexos, com maximização de tarefas de aprendizado. Como resultado, há proposição de mais um modelo de dinâmica neuronal, o QEM, o estudo paramétrico dos modelos de dinâmicas existentes, que se identifica comportamentos subamortecidos, sobreamortecidos e não-amortecidos na dinâmica, assim como a apresentação de uma configuração neuronal dentro da arquitetura quântica que apresenta comportamento caótico. Um modelo de medição quantitivo para comparar dinâmicos foi também proposto.

Made available in DSpace on 2019-03-29T23:42:46Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-12-29 / Discrimination of P2P traffic is an important task in network management and represents a crucial step in detecting P2P botnets however discriminating P2P traffic is a challenging task due to the large number of applications with P2P protocols that generate varied behaviors while others P2P protocols do not show typical behavior of P2P applications. This work describes a classification strategy using the decision trees and naïve bayes together with a group of attributes in classification task of known and unknown P2P traffic. The results show classification accuracy over 99%. Keywords: p2p; traffic discrimination; decision trees; naïve bayes / A discriminação de tráfego P2P é uma tarefa importante na gestão da rede e representa um passo crucial na detecção debotnets P2P. No entanto, discriminar o tráfego P2P é uma tarefa desafiadora, devido ao grande número de aplicações com protocolos P2P que geram comportamentos variados, enquanto outros protocolos não P2P mostram um comportamento típico de aplicações P2P. Este trabalho descreve uma estratégia de classificação utilizando árvores de decisão e naive bayes em conjunto com um grupo de atributos na tarefa de classificação de tráfego P2P conhecidos e desconhecidos. Os resultados mostram uma precisão na classificação acima de 99%. Palavras-chave: p2p; classificação de tráfego; árvores de decisão; naive bayes

Inicialmente concebidos para operar em ambientes industriais fechados, os robôs vem se tornando cada vez mais difundidos na sociedade. Suas atribuições não se limitam mais exclusivamente a execução de simples tarefas de repetição, mas a uma interação efetiva com o mundo em que se inserem. Para atingir tal objetivo, estes robôs devem possuir um controlador flexível, capaz de adaptar-se continuamente ao mundo dinâmico que o cerca. A maioria das soluções para o posicionamento de um braço, manipulador funcionam através do mapeamento de posições/orientações espaciais e de configurações das juntas do braço. Uma vez que a função cinemática direta não possui inverso global, diversas restrições devem ser adicionadas ao sistema de modo a diminuir a quantidade de soluções possíveis. Este tipo de controlador não e flexível, uma vez que qualquer modificação no estado do sistema pode tornar o controlador Este fato obriga a introdução de novos paradigmas na programação de robôs. Redes neurais possuem a capacidade de solucionar problemas não-lineares que, de outra forma, tornam-se muito difíceis de tratar matematicamente. Devido a natureza altamente não-linear do controle de um braço manipulador articulado, seja da parte cinemática ou dinâmica do processo, redes neurais vem sendo utilizadas sistematicamente na definição de sistemas de controle robóticos. Porem, apesar da grande versatilidade das redes neurais, estas tem sido, em grande parte, utilizadas apenas como sistemas de mapeamento não-linear. Tanto nos problemas cinemáticos quanto dinâmicos, existe um processo de treinamento onde a rede armazena diversos estados possíveis para o sistema e, após este processo, busca as soluções previamente armazenadas na rede. Contudo, esta abordagem não e a mais adequada para sistemas abertos, ou seja, sistemas que não são completamente conhecidos e que podem sofrer transformações no decorrer do seu funcionamento. Este fato leva a que soluções armazenadas para uma determinada configuração do sistema não funcionem para outras configurações. Este trabalho apresenta uma estratégia de controle neural adaptativo para o posicionamento de um braço de robô no espaço. Diferentemente das abordagens tradicionais, não existe um processo de treinamento da rede, mas sim uma continua adaptação do bravo de modo a se aproximar da localização espacial (posição e orientação) desejada. Desta forma, qualquer que seja o estado corrente do ambiente no qual o sistema robótico esteja inserido, este e capaz de encontrar uma solução adaptativamente, sem as limitações impostas por configurações de braço previamente armazenadas. / Initially conceived to work inside closed industrial environments, robots are becoming part of our everyday lives. They are not demanded to execute repeated simple tasks anymore, but to interact with the world around them in an efficient and intelligent way. In order to achieve this goal, those robots must have a flexible controller, capable of adapting itself to a dynamic world. The majority of solutions to position a robot arm try to map a spatial position and orientation to a joint configuration. Since the forward kinematics function has no global inverse, several constraints must be added in order to prune the solution space, and the arm position will be restricted to the one previously mapped as the problem solution. This is not a flexible solution because any obstacle in the way will turn this approach useless. This fact obliges us to use new paradigms when programming robots, because known control techniques are, most of the time, no longer suitable. The problem of positioning a robot arm in the three-dimensional space has been studied for a long time. However, most solutions developed until now, despite the fact of providing great reliability and accuracy, lack the necessary flexibility to permit the arm to move in an open environment. Most problems to be solved by a robot arm in uncontrolled environments are mostly like the ones we solve in a daily basis, such as pick and place tasks. Those tasks don't necessarily need the accuracy provided by the known methods to positon an arm, but they do need the degree of adaptivity and flexibility that humans possess. In this thesis we will present a neural adaptive approach to solve the problem of positioning a robot arm in the space. This method works by incorporating the state of the system into the network. The network input is the current state of the system (the current arm position and orientation) and the outputs are the changes in the state variables (the joint values) in order to approximate the current state to the desired one. This is a closed-loop neural control scheme and it is done in real time without needing any previous training phase.