REDES NEURAIS ARTIFICIAIS

SO PAULO
2016

RESUMO
Diante da globalizada industrializao e das mais modernas tcnicas de
produo, o SIS (Sistema Instrumentado de Segurana) so utilizados para
monitorar a condio de valores e parmetros de uma planta dentro dos limites
operacionais e quando houver condies de riscos devem gerar alarmes e colocar o
espao ocupado em uma condio. So sistemas responsveis pela segurana
operacional e que garantem a parada de emergncia dentro dos limites
considerados seguros, o objetivo principal evitar acidentes dentro e fora das
fbricas, como incndio, exploses, danos aos equipamentos, proteo da
produo, evitar riscos de vidas ou danos a sade pessoal e impactos catastrficos
para a comunidade, e deve proporcionar em caso de falhas, uma condio segura.
Palavras-Chaves: SIS, Proteo contra acidentes, Segurana nos processos
Industriais.

ABSTRACT
Faced with the global industrialization and the most modern production
techniques, SIS (Safety Instrumented System) has been increasingly important to
companies because the requirements for industrial processes have more security
continues to grow, it is necessary to protect the environment, workers of a service
area and reduce losses in certain industrial or logical process failure.
Key Words: SIS, protection against accidents, safety in industrial processes.

LISTA DE FIGURAS
Figura 1: Mtodos Tpicos de Reduo de Riscos em Plantas de Processo.....11
Figura 2: Modelo de Mitigao de Risco................................................................12
Figura 3: Nvel de Sil..............................................................................................14
Figura 4: Modelo Relacionando o SIS e o SIL.......................................................18
Figura 5: Circuito Lgico para o SIS......................................................................23

LISTA DE TABELAS
Tabela 1 - PFD e RRF para Cada Nvel de Integridade de Segurana (SIL)............15
Tabela 2 - Principais Propriedades de uma SIF Funo Instrumentada Segurana.17
Tabela 3 - Tabela da Verdade SIS Fogo...................................................................22
Tabela 4 - Tabela da Verdade...................................................................................22

LISTA DE ABREVIATURAS E SIGLAS

SIS - Sistema Instrumentado de Segurana
SIL - Safety Integrity Level (Nvel de Integridade de Segurana
SIF - Safety Instrumented Function (Funo Instrumentada da Segurana)
CLP - Controladores Lgicos Programveis
IEC - International Electrotechnical Comission
V&V - Verificao e Validao
OSHA - Occupational Safety and Health Administration
SF - Sistema de Fogo
SG - Sistema de Gs
DispCO2 - Dispositivo de Armazenamento de CO2
CO2 - Gs Carbnico
AlaDZ - Alarme Sonoro que Indica Presena de Fogo
AlaDZ - Alarme Sono que Indica Presena de Gs
ValAux - Valvula Auxiliar
ESD - Sistema de Shudtdown de Emergncia
SSD - Sistema de Shutdown de Segurana
PFD - Probability of Failure on Demand
RRF - Risk Reduction Factor

SUMRIO
1

INTRODUO.............................................................................................8

SIS SISTEMA INSTRUMENTADO DE SEGURANA..........................................9

2.1 SIL (SAFETY INTEGRITY LEVEL NVEL DE INTEGRIDADE DE SEGURANA).............................13
2.2 SIF - SAFETY INSTRUMENTED FUNCTION (FUNO INSTRUMENTADA DA SEGURANA)...............16
2.2.1 Simplex ou votao 1oo1 (1 out of 1)...................................................................19
2.2.2 Duplex ou votao 1oo2 ou 2oo2........................................................................19
2.2.3 Triplex ou votao 2oo3.....................................................................................19
2.3 RISCO DE SEGURANA................................................................................................ 20

APLICAES............................................................................................ 21

BENEFICIOS............................................................................................. 24

CONCLUSO............................................................................................ 25

REFERNCIAS BIBLIOGRFICAS...................................................................26

20

1 INTRODUO
O crebro humano considerado o mais fascinante processador baseado em
carbono existente, sendo composto por aproximadamente 10 bilhes neurnios.
Todas as funes e movimentos do organismo esto relacionados ao funcionamento
destas pequenas clulas. Os neurnios esto conectados uns aos outros atravs de
sinapses, e juntos formam uma grande rede, chamada REDE NEURAL. As sinapses
transmitem estmulos atravs de diferentes concentraes de Na+ (Sdio) e K+
(Potssio), e o resultado disto pode ser estendido por todo o corpo humano. Esta
grande rede proporciona uma fabulosa capacidade de processamento e
armazenamento de informao.
O sistema nervoso formado por um conjunto extremamente complexo de
neurnios. Nos neurnios a comunicao realizada atravs de impulsos, quando
um impulso recebido, o neurnio o processa, e passado um limite de ao, dispara
um segundo impulso que produz uma substncia neurotransmissora o qual flui do
corpo celular para o axnio (que por sua vez pode ou no estar conectado a um
dendrito de outra clula). O neurnio que transmite o pulso pode controlar a
frequncia de pulsos aumentando ou diminuindo a polaridade na membrana pssinptica. Eles tm um papel essencial na determinao do funcionamento,
comportamento e do raciocnio do ser humano. Ao contrrio das redes neurais
artificiais, redes neurais naturais no transmitem sinais negativos, sua ativao
medida pela frequncia com que emite pulsos, frequncia esta de pulsos contnuos
e positivos. As redes naturais no so uniformes como as redes artificiais, e
apresentam uniformidade apenas em alguns pontos do organismo. Seus pulsos no
so sncronos ou assncronos, devido ao fato de no serem contnuos, o que a
difere de redes artificiais.

Os principais componentes dos neurnios so:

Os dentritos, que tem por funo, receber os estmulos transmitidos pelos

outros neurnios;
O corpo de neurnio, tambm chamado de somma, que responsvel por
coletar e combinar informaes vindas de outros neurnios;
E finalmente o axnio, que constitudo de uma fibra tubular que pode
alcanar at alguns metros, e responsvel por transmitir os estmulos para
outras clulas.

fig01-Esquema dos constituintes da clula neural

2 HISTRICO DAS REDES NEURAIS ARTIFICIAIS

As primeiras informaes mencionadas sobre neuro computao datam de
1943, em artigos de McCulloch e Pitts, em que sugeriam a construo de uma
mquina baseada ou inspirada no crebro humano. Muitos outros artigos e livros
surgiram desde ento, porm, por um longo perodo de tempo, pouco resultado foi
obtido. At que em 1949 Donald Hebb escreveu um livro intitulado "The Organization
of Behavior" (A Organizao do Comportamento) que perseguia a idia de que o
condicionamento psicolgico clssico est presente em qualquer parte dos animais
pelo fato de que esta uma propriedade de neurnios individuais. Suas idias no
eram completamente novas, mas Hebb foi o primeiro a propor uma lei de
aprendizagem especifica para as sinapses dos neurnios. Este primeiro e corajoso
passo serviram de inspirao para que muitos outros pesquisadores perseguissem a
mesma idia. E embora muito tenha sido estudado e publicado nos anos que
seguiram (1940-1950), estes serviram mais como base para desenvolvimento
posterior que para o prprio desenvolvimento.
Tambm proveniente deste perodo de tempo foi a construo do
primeiro neuro computador, denominado Snark, por Mavin Minsky, em 1951. O

Snark operava com sucesso a partir de um ponto de partida tcnico, ajustando seus
pesos automaticamente, entretanto, ele nunca executou qualquer funo de
processamento de informao interessante, mas serviu de inspirao para as idias
de estruturas que o sucederam.
Em 1956 no "Darthmouth College" nasceram os dois paradigmas da
Inteligncia Artificial, a simblica e o conexionista. A Inteligncia Artificial Simblica
tenta simular o comportamento inteligente humano desconsiderando os mecanismos
responsveis por tal. J a Inteligncia Artificial Conexionista acredita que
construindo-se um sistema que simule a estrutura do crebro, este sistema
apresentar inteligncia, ou seja, ser capaz de aprender, assimilar, errar e aprender
com seus erros.
O primeiro neuro computador a obter sucesso (Mark I Perceptron) surgiu
em 1957 e 1958, criado por Frank Rosenblatt, Charles Wightman e outros. Devido a
profundidade de seus estudos, suas contribuies tcnicas e de sua maneira
moderna de pensar, muitos o vem como o fundador da neuro computao na forma
em que a temos hoje. Seu interesse inicial para a criao do Perceptron era o
reconhecimento de padres.
Aps Rosenblatt, Bernard Widrow, com a ajuda de alguns estudantes,
desenvolveram um novo tipo de elemento de processamento de redes neurais
chamado de Adaline, equipado com uma poderosa lei de aprendizado, que diferente
do Perceptron ainda permanece em uso. Widrow tambm fundou a primeira
companhia de hardware de neuro computadores e componentes.
Infelizmente, os anos seguintes foram marcados por um entusiasmo
exagerado de muitos pesquisadores, que passaram a publicar mais e mais artigos e
livros que faziam uma previso pouco confivel para a poca, sobre mquinas to
poderosas quanto o crebro humano que surgiriam em um curto espao de tempo.
Isto tirou quase toda a credibilidade dos estudos desta rea e causou grandes
aborrecimentos aos tcnicos de outras reas.
Um perodo de pesquisa silenciosa seguiu-se durante 1967 a 1982,
quando

poucas

pesquisas

foram

publicadas

devido

aos

fatos

ocorridos

anteriormente. Entretanto, aqueles que pesquisavam nesta poca, e todos os que se

seguiram no decorrer de treze anos conseguiram novamente estabelecer um campo
concreto para o renascimento da rea.

Nos anos 80, muitos dos pesquisadores foram bastante corajosos e

passaram a publicar diversas propostas para a explorao de desenvolvimento de
redes neurais bem como suas aplicaes. Porm talvez o fato mais importante deste
perodo tenha ocorrido quando Ira Skurnick, um administrador de programas da
DARPA (Defense Advanced Research Projects Agency) decidiu ouvir os argumentos
da neuro computao e seus projetistas, e divergindo dos caminhos tradicionais dos
conhecimentos convencionais, fundou em 1983 pesquisas em neuro computao.
Este ato no s abriu as portas para a neuro computao, como tambm deu
DARPA o status de uma das lderes mundiais em se tratando de "moda" tecnolgica.
Outra "potncia" que emergiu neste perodo foi John Hopfield, renomado
fsico de reputao mundial, se interessou pela neuro computao, e escreveu
artigos que percorreram o mundo todo persuadindo centenas de cientistas,
matemticos, e tecnlogos altamente qualificados a se unirem esta nova rea
emergente.
Apesar de um tero dos pesquisadores da rea terem aderido mesma
pela influncia de Hopfield, foi em 1986 que este campo de pesquisa "explodiu" com
a publicao do livro "Parallel Distributed Processing" (Processamento Distribudo
Paralelo) editado por David Rumelhart e James McClelland.
Em 1987 ocorreu em So Francisco a primeira conferncia de redes
neurais em tempos modernos, a IEEE International Conference on Neural Networks,
e tambm foi formada a International Neural Networks Society (INNS). A partir
destes acontecimentos decorreu a fundao do INNS journal em 1989, seguido do
Neural Computation e do IEEE Transactions on Neural Networks em 1990.
Desde 1987, muitas universidades anunciaram a formao de institutos
de pesquisa e programas de educao em neuro computao.
Alguns dos fatos mencionados so listados abaixo:

Neurofisiologista McCulloch e matemtico Walter Pitts (1943), cujo trabalho

fazia uma analogia entre clulas vivas e o processo eletrnico, simulando o
comportamento do neurnio natural, onde o neurnio possua apenas uma
sada, que era uma funo de entrada (threshold) da soma do valor de suas
diversas entradas;

fig02-Neurnio artificial projetado por McCulloch

Psiclogo

Donald

Hebb

(1949),

demostrou

que

capacidade

da

aprendizagem em redes neurais vem da alterao da eficincia sinptica, isto

, a conexo somente reforada se tanto as clulas pr-sinpticas quanto
as ps-sinpticas estiverem excitadas;

e Rosemblatt (1958) mostrou em seu livro (Principles of Neurodynamics) o

modelo dos "Perceptrons". Nele, os neurnios eram organizados em camada
de entrada e sada, onde os pesos das conexes eram adaptados a fim de se
atingir a eficincia sinptica;

fig03-Rede de perceptrons proposta por Rosemblatt

Em 1960 surgiu a rede ADALINE(ADAptative LInear Network) e o

MADALINE(Many ADALINE) perceptron, proposto por Widrow e Hoff. O
ADALINE/MADALINE utilizou sadas analgicas em uma arquitetura de trs
camadas.

fig04-Redes ADALINE e MADALINE

Muitos estudiosos desconsideram a existncia de pesquisa nessa rea
nos anos 60 e 70 e apontam uma retomada das pesquisas com a publicao dos
trabalhos do fsico e bilogo Hopfield (1982) relatando a utilizao de redes
simtricas para otimizao, atravs de um algoritmo de aprendizagem que
estabilizava uma rede binria simtrica com realimentao.
Rumelhart, Hinton e Williams introduziram o poderoso mtodo
Backpropagation.

fig05-Estrutura do mtodo Backpropagation

Cooper, Cowan, Fukushima, Von Der Malsburg e muitos outros foram

alguns dos muitos pesquisadores dos anos 60 e 70, cujos estudos no devem ser
menosprezados.
Fatos Histricos em ordem cronolgica:

1943:

McCULLOUGH

PITTS

estabeleceram

as

bases

da

neurocomputao, com modelos matemticos.

1949: HEBB traduziu matematicamente a sinapse dos neurnios

biolgicos.

1951: MINSKI constri o Snark, primeiro neurocomputador com

capacidade de aprendizado, ou seja, ajustava automaticamente os
pesos entre as sinapses. No executou nenhuma funo til.

1957: ROSENBLATT concebeu o "perceptron", que era uma rede

neural de duas camadas, usado no reconhecimento de caracteres.

1962: WIDROW desenvolveu um processador para redes neurais e

fundou a primeira empresa de circuitos neurais digitais, a Memistor
Corporation.

1967: Fim das verbas destinadas pesquisa de redes neurais.

1974: WERBOS lanou bases para o algoritmo de retropropagao

(backpropagation).

23

REDES NEURAIS ARTIFICIAIS

As redes neurais artificiais consistem em um mtodo de solucionar problemas

de inteligncia artificial, construindo um sistema que tenha circuitos que simulem o
crebro humano, inclusive seu comportamento, ou seja, aprendendo, errando e
fazendo descobertas. So mais que isso, so tcnicas computacionais que
apresentam um modelo inspirado na estrutura neural de organismos inteligentes e
que adquirem conhecimento atravs da experincia. Uma grande rede neural
artificial pode ter centenas ou milhares de unidades de processamento, enquanto
que o crebro de um mamfero pode ter muitos bilhes de neurnios.
Apesar da complexidade da redes neurais no permitir uma nica definio, as
linhas seguintes seguem como uma tentativa das inmeras definies ou
interpretaes do que seja realmente uma rede neural.
Um grafo direcionado um objeto geomtrico que consiste de um conjunto de
pontos, chamados ns, ao longo de um conjunto de segmentos de linhas
direcionadas entre eles. Uma rede neural uma estrutura de processamento de
informao distribuda paralelamente na forma de um grafo direcionado, com
algumas restries e definies prprias.
Os ns deste grafo so chamados elementos de processamento. Suas
arestas so conexes, que funcionam como caminhos de conduo instantnea de
sinais em uma nica direo, de forma que seus elementos de processamento
podem receber qualquer nmero de conexes de entrada. Estas estruturas podem
possuir memria local, e tambm possuir qualquer nmero de conexes de sada
desde que os sinais nestas conexes sejam os mesmos. Portanto, estes elementos
tem na verdade uma nica conexo de sada, que pode dividir-se em cpias para
formar mltiplas conexes, sendo que todos carregam o mesmo sinal.
Ento, a nica entrada permitida para a funo de transferncia (que cada
elemento de processamento possui) so os valores armazenados na memria local
do elemento de processamento e os valores atuais dos sinais de entrada nas
conexes recebidas pelo elemento de processamento. Os nicos valores de sada
permitidos a partir da funo de transferncia so valores armazenados na memria
local do elemento de processamento, e o sinal de sada do mesmo.
A funco de transferncia pode operar continuamente ou episodicamente.
Sendo que no segundo caso, deve existir uma entrada chamada "activate" que

causa o ativamento da funo de transferncia com o sinal de entrada corrente e

com valores da memria local, e produzir um sinal de sada atualizado
(ocasionalmente alterando valores da memria). E no primeiro caso, os elementos
esto sempre ativados, e a entrada "activate" chega atravs de uma conexo de um
elemento de processamento agendado que tambm parte da rede.
Sinais de entrada para uma rede neural a partir de fora da rede chegam atravs
de conexes que se originam do mundo externo, sadas da rede para o mundo
externo so conexes que deixam a rede.
De forma geral, a operao de uma clula da rede se resume em:

Sinais so apresentados entrada;

Cada sinal multiplicado por um peso que indica sua influncia

na sada da unidade;

feita a soma ponderada dos sinais que produz um nvel de

atividade;

Se este nvel excede um limite (threshold) a unidade produz

uma sada;
3.1. O Neurnio Artificial e a Rede Neural
Assim como o sistema nervoso composto por bilhes de clulas nervosas, a
rede neural artificial tambm seria formada por unidades que nada mais so que
pequenos mdulos que simulam o funcionamento de um neurnio. Estes mdulos
devem funcionar de acordo com os elementos em que foram inspirados, recebendo
e retransmitindo informaes.
3.2. O Neurnio Artificial
O fisiologista Warrem MacCulloch interpretou o funcionamento do neurnio
biolgico como sendo um circuito de entradas binrias combinadas por uma soma
ponderada (com pesos) produzindo uma entrada efetiva:

fig06-Modelo de McCulloch e Pitts

No modelo geral de neurnio (fig06) as entradas WiUi so combinadas

usando uma funo F, para produzir um estado de ativao do neurnio
(correspondente freqncia de descarga do neurnio biolgico).As entradas
chegam atravs dos dentritos e tem um peso atribudo pela sinapse.

fig07-Esquema de um neurnio artificial

A funco bsica de um neurnio somar as entradas e retornar uma sada,
caso esse valor seja maior que o valor de soma (threshold).
3.4. A Rede Neural Artificial (Multilayer Perceptron)
A rede neural artificial um sistema de neurnios ligados por conexes
sinpticas e dividido em neurnios de entrada, que recebem estmulos do meio
externo, neurnios internos ou hidden (ocultos) e neurnios de sada, que se
comunicam com o exterior. A forma de arranjar perceptrons em camadas
denominado Multilayer Perceptron. O multilayer perceptron foi concebido para
resolver problemas mais complexos, os quais no poderiam ser resolvidos pelo
modelo de neurnio bsico. Um nico perceptron ou uma combinao das sadas de
alguns perceptrons poderia realizar uma operao XOR, porm, seria incapaz de
aprend-la. Para isto so necessrias mais conexes, os quais s existem em uma
rede de perceptrons dispostos em camadas. Os neurnios internos so de suma
importncia na rede neural pois provou-se que sem estes torna-se impossvel a
resoluo de problemas linearmente no separveis. Em outras palavras pode-se
dizer que uma rede composta por vrias unidades de processamento, cujo
funcionamento bastante simples. Essas unidades, geralmente so conectadas por
canais de comunicao que esto associados a determinado peso. As unidades
fazem operaes apenas sobre seus dados locais, que so entradas recebidas
pelas suas conexes. O comportamento inteligente de uma Rede Neural Artificial

vem das interaes entre as unidades de processamento da rede.

A maioria dos modelos de redes neurais possui alguma regra de treinamento,
onde os pesos de suas conexes so ajustados de acordo com os padres
apresentados. Em outras palavras, elas aprendem atravs de exemplos.
Arquiteturas neurais so tipicamente organizadas em camadas, com unidades que
podem estar conectadas s unidades da camada posterior.
A rede neural passa por um processo de treinamento a partir dos casos reais
conhecidos, adquirindo, a partir da, a sistemtica necessria para executar
adequadamente o processo desejado dos dados fornecidos. Sendo assim, a rede
neural capaz de extrair regras bsicas a partir de dados reais, diferindo da
computao programada, onde necessrio um conjunto de regras rgidas prfixadas e algoritmos.

fig08-Organizao em camadas.
Usualmente as camadas so classificadas em trs grupos:

Camada de Entrada: onde os padres so apresentados rede;

Camadas Intermedirias ou Ocultas: onde feita a maior parte

do

processamento,

atravs

das

conexes

ponderadas;

podem

ser

consideradas como extratoras de caractersticas;

Camada de Sada: onde o resultado final concludo e

apresentado.
Redes neurais so tambm classificadas de acordo com a arquitetura em
que foram implementadas, topologia, caractersticas de seus ns, regras de
treinamento, e tipos de modelos.

3.5. Classificao das Redes Neurais Artificiais

Um dos objetivos da pesquisa sobre redes neurais na computao
desenvolver morfologias neurais matemticas, no necessariamente baseada na
biologia, que podem realizar funes diversas. Na maior parte dos casos, modelos
neurais so compostos de muitos elementos no lineares que operam em paralelo e
que so classificados de acordo com padres ligados biologia.
Quando um processo criado visando utilizar aspectos de redes neurais
comeam com o desenvolvimento de um neurnio artificial ou computacional
baseado no entendimento de estruturas biolgicas neurais, seguidas do aprendizado
de mecanismos voltados para um determinado conjunto de aplicaes. Ou em
outras palavras, seguindo as trs etapas:
- O desenvolvimento de modelos neurais motivado por neurnios biolgicos;
- Modelos de estruturas e conexes sinpticas;
- O aprendizado das regras (um mtodo de ajuste de pesos ou foras de
conexes internodais)
Por causa de diferenas entre algumas ou s vezes todas as entidades
envolvidas, diferentes estruturas de redes neurais tem sido desenvolvidas por
pesquisadores. Do ponto de vista estrutural, a arquitetura de redes neurais pode ser
classificada como esttica dinmica ou fuzzy, e de nica camada ou mltiplas
camadas. Alm disso, diferenas computacionais surgem tambm quando se trata
da maneira com que so feitas as conexes existentes entres os neurnios. Estas
conexes podem ser estritamente no sentido de ida, no sentido de ida e volta,
lateralmente conectadas, topologicamente ordenadas ou hbridas.
A aplicao de redes neurais pode ser classificada em classes distintas:
Reconhecimento de padres e Classificao; Processamento de imagem e viso;
Identificao de sistema e controle e Processamento de sinais. importante verificar
que uma determinada aplicao de um sistema baseado em rede neural no precisa
necessariamente ser classificada em apenas uma das citadas acima.
3.6. Topologia de Redes Neurais Artificiais
3.6.1 Disposio dos Neurnios:
De acordo com Rummelhart, a rede neural deve possuir no mnimo duas
camadas, a de entrada de dados e a da sada dos resultados. Como a rede
apresenta desempenho muito limitado com somente duas camadas, a adio de

uma camada intermediria faz-se necessria. Neste tipo de configurao, cada

neurnio est ligado com todos os outros das camadas vizinhas, mas neurnios da
mesma camada no se comunicam, alm da comunicao ser unidirecional,
apresentando assim um comportamento esttico.
J a rede neural de Hopfield apresenta comportamento dinmico e fluxo
de dados multidirecional devido integrao total dos neurnios, desaparecendo
assim a idia da camadas bem distintas. Com isso seu funcionamento mais
complexo, havendo certas complicaes, seja na fase de aprendizado quanto na
fase de testes. Seu uso direcionado problemas de minimizao e otimizao,
como por exemplo de percurso de caminhes.

fig09-modelos de Rummelhart e Hopfield

H pesquisadores como HECHT - NIELSEN, que afirmam que com apenas
uma camada oculta j possvel calcular uma funo arbitrria qualquer a partir de
dados fornecidos. De acordo com HECHT - NIELSEN, a camada oculta deve ter por
volta de 2i+1 neurnios, onde i o nmero de variveis de entrada.
Outros, no caso de CYBENKO, defendem o uso de duas camadas ocultas.
No caso de KUDRICKY, empiricamente observou-se que para cada 3
neurnios da primeira camada oculta era preciso um da segunda camada.
J LIPPMANN afirma que a segunda camada oculta deve ter o dobro de
neurnios da camada de sada. No caso de apenas uma camada oculta ela dever
ter s(i+1) neurnios, onde s o nmero de neurnios de sada e i o nmero de
neurnios na entrada.
Outros autores definem o nmero mximo como:
Omax = c / 10.(i+s)
Onde: s = nmero de neurnios de sada
i = nmero de neurnios na entrada
Em redes pequenas o nmero de neurnios da camada oculta pode ser a

mdia geomtrica entre o nmero de neurnios de entrada pelo nmero de

neurrios de sada.
Independente de cada abordagem, quanto mais camadas de neurnios,
melhor o desempenho da rede neural pois aumenta a capacidade de aprendizado,
melhorando a preciso com que ela delimita regies de deciso. Estas regies de
deciso so intervalos fixos onde a resposta pode estar. A camada de entrada
possui um neurnio especial chamado de "bias" e serve para aumentar os graus de
liberdade, permitindo uma melhor adaptao, por parte da rede neural, ao
conhecimento ela fornecido.
3.6.2 Ciclos:
3.6.2.1. Redes Diretas:
So redes neurais cujo grafo no possui ciclos e podem ser
representadas em camadas. Por exemplo, os neurnios que recebem sinais
de excitao do meio externo esto na camada de entrada; os neurnios que
esto na sada so chamados de camada de sada.

fig10-Rede Direta
3.6.2.2. Redes com ciclos
So redes em que o grafo de conectividade contm pelo menos um ciclo.
So tambm chamadas redes com realimentao ou com feedback.
3.6.2.3. Redes simtricas
So redes cuja matriz (do grafo de conectividade) simtrica, sendo um
caso particular das redes com ciclos.

fig11-Rede Simtrica
3.7. Aplicao de Redes Neurais Artificiais
Aplicaes de redes neurais so inmeras. Muitos recebem sua primeira
introduo lendo a respeito das tcnicas no prognstico de mercados financeiros.
Grupos de investimento conhecidos utilizam redes neurais para analisar pelo menos
uma parte do mercado financeiro e fazerem suas selees.
O reconhecimento tico de caracteres (OCR) outro tipo de aplicao
que j existe e est crescendo, e em breve estaremos em constante contato com
esse tipo de aplicao. Outras aplicaes bem sucedidas das tcnicas de redes
neurais artificiais so: anlise de pesquisa de mercado, como acima citado, controle
de processos industriais, aplicaes climticas, e identificao de fraude de carto
de crdito. Um banco americano chamado Mellon Bank instalou um sistema de
deteco de fraudes de carto de crdito implementado com tcnicas de redes
neurais e os prejuzos evitados pelo novo sistema conseguiram cobrir os gastos de
instalao em seis meses. Vrios outros bancos comeam a utilizar sistemas
baseados em redes neurais para controlar fraudes de carto de crdito. Estes
sistemas tm a capacidade de reconhecer uso fraudulento com base nos padres
criados no passado com uma preciso melhor que em outros sistemas.
Outro exemplo da utilizao de redes neurais para melhoria na tomada
de decises no diagnstico mdico. Em seu aprendizado, so submetidos uma
srie de diagnsticos de pacientes, de vrias caractersticas, com vrios sintomas e
os resultados de seus testes. Tambm sero fornecidos os diagnsticos mdicos
para cada doena. Ento quando forem apresentados os dados de um novo
paciente, com seus sintomas, a rede fornecer um diagnstico para os novos casos.
Isto essencialmente criar um sistema com o conhecimento de vrios mdicos, e
fornecer um diagnstico inicial em tempo real um mdico. importante

mencionar que com isso o que se pretende implementar uma ferramenta de auxlio
ao mdico, e no um programa que o substitua.
Outras aplicaes:

anlise e processamento de sinais;

controle de processos;

robtica;

classificao de dados;

reconhecimento de padres em linhas de montagem ;

filtros contra rudos eletrnicos;

anlise de imagens;

anlise de voz;

avaliao de crdito;

anlise de aroma e odor - um projeto que est em desenvolvimento,

buscando a anlise de odor via nariz eletrnico;

anlise e diagnstico de descargas parciais pelo reconhecimento do

padro acstico- trata-se de uma tese de mestrado cujo objetivo criar um sistema
com capacidades de classificar o padro acstico de uma descarga parcial ;
3.8. Neurocomputao
Os modelos neurais procuram aproximar o processamento dos computadores
ao crebro. As redes neurais possuem um grau de interconexo similar estrutura
do crebro e um computador convencional moderno a informao transferida em
tempos especficos dentro de um relacionamento com um sinal para sincronizao.

A tabela abaixo traa um comparativo entre o crebro humano e o

computador:

Tabela 01 - Quadro comparativo entre crebro e o computador

O mesmo paralelo pode ser traado comparando o computador com as redes

neurais. Para tanto, a comparao no se dar com um computador especfico
encontrado no mercado, mas sim com o paradigma predominante nos computadores
atuais.

Tabela 02 - Quadro comparativo entre computadores e neurocomputadores

3.9. Por que utilizar Redes Neurais
De acordo com diversas estruturas neurais e algoritmos de aprendizagem
propostos por vrios pesquisadores, redes neurais possuem certas caractersticas
exclusivas de sistemas biolgicos. Tais caractersticas entram em conflito com os
tradicionais mtodos computacionais. Sistemas de computao baseados em redes
neurais tem a capacidade de receber ao mesmo tempo vrias entradas e distribulas de maneira organizada. Geralmente, as informaes armazenadas por uma rede
neural compartilhada por todas as suas unidades de processamento.
Caracterstica que contrasta com os atuais esquemas de memria, onde a
informao fica confinada em um determinado endereo.
Em um sistema de rede neural, a informao pode parecer ter representao
redundante, porm, o fato de que ela se encontre distribuda por todos os elementos
da rede significa que mesmo que parte da rede seja destruda, a informao contida
nesta parte ainda estar presente na rede, e poder ser recuperada. Portanto, a
redundncia na representao de informaes em uma rede neural, diferente de
outros sistemas, transforma-se em uma vantagem, que torna o sistema tolerante a
falhas. Os atributos de uma rede neural, tais como aprender atravs de exemplos,
generalizaes redundantes, e tolerncia a falhas, proporcionam fortes incentivos
para a escolha de redes neurais como uma escolha apropriada para aproximao
para a modelagem de sistemas biolgicos. Todo o potencial de uma rede neural
pode ser enumerado nos pargrafos seguintes.

O modelo de rede neural tem muitos neurnios conectados por pesos com
capacidade de adaptao que que podem ser arranjados em uma estrutura paralela.
Por causa deste paralelismo, a falha de alguns nurons no causam efeitos
significantes para a performance de todo o sistema, o que chamado de tolerncia
a falhas.
A principal fora na estrutura de redes neurais reside em sua habilidades de
adaptao e aprendizagem. A habilidade de adaptao e aprendizagem pelo
ambiente significa que modelos de redes neurais podem lidar com dados imprecisos
e situaes no totalmente definidas. Uma rede treinada de maneira razovel tem a
habilidade de generalizar quando apresentada entradas que no esto presentes
em dados j conhecidos por ela.
A caracterstica mais significante de redes neurais est em sua habilidade de
aproximar qualquer funo continua no linear de um grau de correo desejado.
Esta habilidade das redes neurais as tem tornado til para modelar sistemas no
lineares na combinao de controladores no lineares.
Redes Neurais podem ter vrias entradas e vrias sadas, eles so facilmente
aplicveis sistemas com muitas variveis.
Com o avano em tecnologias de hardware, existem componentes com
funes voltadas sistemas com implementaes voltadas para redes neurais, o
que traz uma velocidade adicional computao neural.

4 BENEFICIOS

Maior produtividade:
Segundo a OSHA (Occupational Safety & Health Administration), ter
um SIS implementado, aumenta 20% a produtividade, sendo, na verdade,
exatamente o oposto do que os gerentes das empresas pensam, pois eles
acham que um SIS est diretamente associado a pausa do processo
produtivo.

Aumento da vida til dos sistemas /equipamentos:

Com o SIS, seus equipamentos aumentam sua vida til, pois eles
estaro monitorados por sensores que avisaram quando algo de errado
estiver acontecendo, avisando de possveis manutenes que podem ser

feitas. Impede que equipamentos sejam ligados sem que haja uma condio
segura

Evita custos indiretos por acidente:

Com o Sistema Instrumentado de Segurana, as empresas

evitam custos com indenizaes por acidentes, ou multas aplicadas por

alguma falha.

Valoriza a planta na competitividade global (atende norma e

legislao):
A empresa se torna competitiva, pois cada vez mais so exigidas que a
norma e legislao seja seguida, trazendo mais segurana para todos.

Tecnologia
A empresa se moderniza, trazendo a tecnologia associada com a
indstria, aumentando a produtividade. Tendo controladores eletrnicos para
alarmes sonoros, aumenta a segurana do processo, tornando setores mais
seguros determinando o nvel de segurana de cada um deles. Trazendo
proteo fsica (dispositivo de alvio), funes instrumentadas de segurana,
alarmes crticos e interveno humana quando necessrio.

25

CONSIDERAES FINAIS

Apesar da neurocomputao ter praticamente nascido juntamente com a

computao programada nas dcadas de 40 e 50, deve-se salientar que a
implementao de uma rede neural naquela poca era invivel, pois a fase de
aprendizado, a fase mais difcil e demorada no desenvolvimento de uma rede,
dependia (e ainda depende) de complicados algortmos e de um nmero grande de
iteraes, algo que um ENIAC em 1946 no teria tanta disposio de faz-lo. Hoje,
com a tecnologia dos chips VLSI, a implementao das redes neurais tem sido
facilitada.
Todas as informaes aqui expostas nos levam a crer que o campo de redes
neurais artificiais acima de tudo extremamente vasto e promissor. Por ser um
assunto que surgiu a muito tempo atrs, ganhou muita credibilidade, e devido
novas descobertas relacionadas a ela a cada instante, tornou-se bastante atrativo
para profissionais de domnios distintos, tornando-se um assunto interdisciplinar. Os
conhecimentos obtidos at hoje atraem o interesse de profissionais tais como
psicologos, neurofisiologistas, engenheiros, cientistas cognitivos, e cientistas da
computao, que buscam, cada um em sua rea, novos caminhos atravs da
computao neural.
A partir do momento em que as mquinas comearam evoluir, um grande
desejo do homem tem sido a criao de uma mquina que possa operar
independentemente do controle humano. Uma mquina cuja independncia seja
desenvolvida de acordo com seu prprio aprendizado e que tenha a capacidade de
iteragir com ambientes incertos (desconhecidos por ela), uma mquina que possa
ser chamada de autnoma, inteligente ou cognitiva.
O sucesso de uma mquina autnoma dependeria nica e exclusivamente de
sua capacidade de lidar com uma variedade de eventos inesperados no ambiente
em que opera. Estas mquinas teriam maior capacidade de aprender tarefas de alto
nvel cognitivo que no so facilmente manipuladas por mquinas atuais, e
continuariam a se adaptar e realizar tais tarefas gradativamente com maior
eficincia, mesmo que em condies de ambiente imprevisveis. Ento, seriam muito
teis onde a iterao humana perigosa, tediosa ou impossvel; como em reatores
nucleares, combate ao fogo, operaes militares, explorao do espao a distncias

em que um a nave espacial estaria fora do alcance do controle na terra porm

eviando informaes.
Organismos humanos so uma fonte de motivao para o desenvolvimento
destas mquinas, e proporcionam diversas dicas para o desenvolvimento de
algoritmos de aprendizado e adaptao . Assim, espera-se que algumas das
caractersticas de organismos biolgicos de aprendizado e adaptao estejam
presentes nas mesmas.
Enquanto computadores funcionam de modo sequencial, proporcionando
maior eficincia na resoluo de tarefas nas quais devem ser sequidas etapas. O
crebro humano funciona de modo paralelo, e sendo extremamente conectado
mais eficiente na resoluo de tarefas que exigem vrias variveis.
O motivo pelo qual mquinas inspiradas na biologia so diferentes das
mquinas atuais se encontra no fato de que as mquinas atuais baseiam seu
processamento explicitamente em modelos matemticos. Mecanismos de controle
baseado em mecanismos neurais entretanto, no so baseados em modelos,
utilizam clculos matemticos para efetuar suas operaes porm podem coordenar
diversos graus de liberdade durante a execuo de tarefas manipulativas e em
ambientes desestruturados. Eles so capazes de lidar com tarefas complicadas sem
que tenham que desenvolver um modelo matemtico e nem um modelo do ambiente
em que operam.
Baseado nas caractersticas de seres biolgicos, acredita-se que surgir
em um futuro prximo, uma gerao completa de novos sistemas computacionais,
muito mais eficientes e inteligentes que os sistemas atuais.

26

REFERNCIAS BIBLIOGRFICAS

Filho, Edson Costa de Barros Carvalho., Modelagem, Aplicaes e Implementaes

de redes Neurais. Anais da IV Escola Regional de Informtica da SBC Regional
Sul, 21 a 27 de abril de 1996. Pginas 36 - 53.
Barreto, Jorge M., Introduo s Redes Neurais Artificiais. Anais V Escola
Regional de Informtica da SBC Regional Sul, 5 a 10 de maio de 1997. Pginas 41
- 71.
Gorni, Antnio Augusto, Redes Neurais Artificiais - Uma Abordagem
revolucionria em Inteligncia Artificial. Revista MicroSistemas edio 133
pginas 14 a 25 e edio 134 pginas 14 a 17, Ano XII
Gupta, Madan M.e Rao, Dandina H. - Neuro-Control Systems. Um volume
selecionado reeditado. IEEE Neural Networks Council, Sponsor.
Yoshida, Keila M. - Redes Neurais e suas aplicaes em Inteligncia Artificial.
Trabalho de graduao de 1996
Kovcs, Zsolt L. - redes Neurais Artificias. Segunda edio, editora Collegium
Cognitio, 1996
Hecht-Nielsen, Robert-Neurocomputing. HNC, Inc. and University of California,
San Diego.
Freeman, James A./Skapura, David M., Neural Networks - Algorithms, Aplications
and Programming Techniques. Loral Space Information Systems and Adjunct
Faculty, School of Natural and Applied Sciences University of Houston at Clear
Lake.