ARTIFICIAL NEURAL NETWORKS: STRUCTURE, MATHEMATICAL MODELING AND APPLICATION EXAMPLES
DOI:
https://doi.org/10.63330/aurumpub.005-002Keywords:
Artificial Intelligence, Optimization, Artificial Neural Networks, Machine Learning, Mathematical ModelingAbstract
Artificial Neural Networks (ANNs) are computational models inspired by the functioning of the human brain, designed to solve complex problems through adaptive learning. This study presents a theoretical analysis of ANN structure and functionality, covering their mathematical modeling, main architectures, and learning methods. Additionally, their applications in optimization, regression, forecasting, and data classification are discussed, highlighting their ability to handle nonlinear interactions and complex patterns. The study includes a comparison between different network topologies and the impact of training algorithms on ANN performance. Finally, a practical application example is presented, demonstrating the effectiveness of this method in solving mathematical modeling problems.
Downloads
References
HAYKIN, S. Neural Networks and Learning Machines. 3rd ed. New York: Pearson, 2009.
HOPFIELD, J. J. Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, v. 79, p. 2554-2558, 1982.
KOHONEN, T. Self-Organizing Maps. Springer Series in Information Sciences, v. 30. Berlin: Springer-Verlag, 1988.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, p. 436-444, 2015.
RUMELHART, D. E.; MCCLELLAND, J. L. Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Cambridge: MIT Press, 1986.
SUTTON, R. S.; BARTO, A. G. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998.
TURING, A. M. Computing machinery and intelligence. Mind, v. 59, n. 236, p. 433-460, 1950.
GERS, F. A.; SCHMIDHUBER, J. Long Short-Term Memory Learns Context Free and Context Sensitive Languages. In: Proceedings of the 2001 International Joint Conference on Neural Networks (IJCNN), 2001, Washington, DC, USA. p. 2207-2213. DOI: 10.1109/IJCNN.2001.938623.
BORGES, R. R.; IAROSZ, K. C.; BATISTA, A. M.; CALDAS, I. L.; BORGES, F. S.; LAMEU, E. L. Sincronização de disparos em redes neuronais com plasticidade sináptica. Revista Brasileira de Ensino de Física, São Paulo, v. 37, n. 2, p. 2310, jun. 2015. Disponível em: https://www.scielo.br/j/rbef/a/n4Q49fBXdH9NvKT4X9ZjcHD/?lang=pt. Acesso em: 22 nov. 2024.
SOARES, P.; SILVA, J. P. da. Aplicação de Redes Neurais Artificiais em Conjunto com o Método Vetorial da Propagação de Feixes na Análise de um Acoplador Direcional Baseado em Fibra Ótica. Revista Brasileira de Engenharia, São Paulo, v. 27, n. 3, p. 215-223, set. 2011. Disponível em: https://www.researchgate.net/publication/307834184_Aplicacao_de_Redes_Neurais_Artificiais_em_Conjunto_com_o_Metodo_Vetorial_da_Propagacao_de_Feixes_na_Analise_de_um_Acoplador_Direcional_Baseado_em_Fibra_Otica. Acesso em: 2 dez. 2024.
SILVA, Rafael Veiga Teixeira e. et. al. Inteligência artificial e o teste de Turing: uma análise do prêmio Loebner de 2017 e 2018. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 07, Ed. 03, Vol. 02, pp. 121-141. Março de 2022. ISSN: 2448-0959, Disponível em: https://www.nucleodoconhecimento.com.br/tecnologia/premio-loebner. Acesso em: 2 jan. 2025.
BARBOSA, Guilherme N. N.; BEZERRA, Govinda M. G.; MEDEIROS, Dianne S. V.; LOPEZ, Martin A.; MATTOS, Diogo M. F. Segurança em Redes 5G: Oportunidades e Desafios em Detecção de Anomalias e Predição de Tráfego Baseadas em Aprendizado de Máquina. In: Minicursos do XXI Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais. 1. ed. São Paulo: Sociedade Brasileira de Computação, 2021. p. 145-189. Disponível em: https://www.researchgate.net/publication/355261609_Seguranca_em_Redes_5G_Oportunidades_e_Desafios_em_Deteccao_de_Anomalias_e_Predicao_de_Trafego_Baseadas_em_Aprendizado_de_Maquina. Acesso em: 2 jan. 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Joelson Lopes da Paixão (Autor)
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
