1. Introdução
O paradigma conexionista, dentro do contexto de inteligência artificial,
originou o que se conhece por neurocomputação, disciplina que trata de dispositivos
artificiais baseados em sistemas biológicos, em especial o sistema nervoso. Neste
sentido acredita-se na possibilidade de construção de máquinas que imitem a estrutura e
funcionamento do cérebro biológico, na esperança da emergência de um
comportamento inteligente (KOEHLER, 1998); (BITTENCOURT, 2006). Considerada
atualmente a principal técnica utilizada em neurocomputação, a teoria de redes neurais
artificiais (RNA’s), vem se consolidando mundialmente como uma eficiente ferramenta
para se lidar com a ampla classe dos, assim chamados, problemas complexos, em que
extensas massas de dados devem ser modeladas e analisadas em um contexto
multidisciplinar, envolvendo simultaneamente, tanto aspectos estatísticos e
computacionais como dinâmicos e de otimização. (BARBOSA, 2004) e (KOVACKS,
2002).
Esta ferramenta tem sido usada com grande eficiência em sistemas que
precisam aprender com usuários e adaptar-se a eles, pois ao contrario de programas
computacionais comuns, que executam apenas comandos de forma ordinária e fixa, esta
possui flexibilidade, sofre modificações enquanto evolui e aprende através de exemplos.
É utilizada em um grande número de aplicações, nas mais diversas áreas do
conhecimento, tais como, financeira, industrial, médica, etc., com diferentes propósitos,
como, por exemplo, data mining, classificação, reconhecimento de padrões,
segmentação, estimação e predição. (TAFNER, et.al., 1996 apud SANTOS, M. 2006).
Segundo Haykin (1999), deve-se entender as RNA’s como uma extensão das
convencionais técnicas estatísticas, pela qual o conhecimento empírico sobre um
fenômeno físico ou ambiente de interesse pode ser codificado através de treinamento.
Neste sentido, uma das principais vantagens na utilização RNA’s é a facilidade com que
se pode alterar o modelo neural usado para a estimação. De forma que, alterando-se o
número de neurônios, de camadas e/ou as funções de ativação da arquitetura, a função
de regressão modelada é modificada. E isto, podendo ser feito empiricamente, sem que
se faça necessário um amplo conhecimento sobre os modelos de regressão que estão
sendo utilizados, simplifica a tarefa de obtenção de um modelo que satisfaça as
necessidades específicas da aplicação. No caso, encontrar um modelo matemático capaz