1

INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS E POSSÍVEIS APLICAÇÕES

NO RAMO DA ENGENHARIA ELÉTRICA E ELETRÔNICA

Guilherme Fonseca1

1
Graduando em Engenharia Elétrica pelo Instituto Federal de Educação, Ciência e Tecnologia de Minas Gerais - IFMG,
35570-000, MG, Brasil, E-mail: guilhermeef@protonmail.com.

RESUMO - Mesmo com a evolução do poder computacional, alguns problemas não

podem ser resolvidos com apenas a programação linear. Quando se trata de problemas
complexos, se usa as Redes Neurais Artificiais (RNAs), que foram inspiradas em neurônios
biológicos e que são capazes de aprender assim como acontece em organismos vivos. As
RNAs são extremamente eficientes quando grandes quantidades de dados devem ser
modelados e analisados, envolvendo aspectos estatísticos e computacionais (KOVÁCS,
2006). Muitos estudos já foram feitos a respeito dessa tecnologia o que proporcionou
diversos avanços como, por exemplo, no reconhecimento de voz e as assistentes virtuais.
Essa revisão procura reunir esses conhecimentos de maneira a facilitar e dissemina-lo,
mostrando a respeito essa área da computação e suas possíveis aplicações na área de
Engenharia Elétrica e Eletrônica, de uma maneira simples e objetiva.
PALAVRAS-CHAVE: Aprendizado de Máquina. Redes Neurais Artificiais. Inteligência
Artificial. Inteligência Computacional.

ABSTRACT - Even with the evolution of computational power, some problems can not be
solved with linear programming alone. When it comes to complex problems, we use
Artificial Neural Networks (ANN), which were inspired by biological neurons and are
capable of learning just as happens in living organisms. ANN are extremely efficient when
large amounts of data must be modeled and analyzed, involving statistical and
computational aspects (KOVÁCS, 2006). Many studies have already been done on this
technology which has provided several advances, such as voice recognition and virtual
assistants. This review seeks to gather this knowledge in a way that facilitates and
disseminates it, showing this area of computing and its possible applications in the area of
Electrical and Electronic Engineering, in a simple and objective way.
KEYWORDS: Machine Learning. Artificial Neural Networks. Artificial Intelligence.
Computational Intelligence.

1 INTRODUÇÃO

As Redes Neurais Artificiais (RNAs) foram inspiradas em estudos da neurociência

por um simples motivo, a capacidade de aprendizado, ou seja, o cérebro é capaz de
aprender novas tarefas que nunca foram executadas antes (RAUBER, 2005). As RNAs
trata-se de uma técnica estatística não linear capaz de resolver uma enorme quantidade de
problemas complexos. Isso faz com que o método seja extremamente útil quando não é
possível definir um modelo explicito ou uma lista de regras (VELLASCO, 2007).
Várias empresas usam essa tecnologia em seus softwares atualmente, como por
exemplo, para recomendar conteúdos que os usuários se identifiquem, fazer investimentos
na bolsa de valores e até mesmo assistentes pessoas virtuais.
Mas não se resume a isso, as aplicações das RNAs se expandem para diversas outras
áreas como o campo da Engenharia Elétrica, por exemplo, na USP algumas pesquisas
foram feitas sobre como redes neurais e a inteligência computacional têm se relacionado
com pesquisas no departamento de engenharia: no emprego de redes neurais em
 2

reconhecimento e classificação de padrões e em fusão de informações em sistemas

multissensores, no controle de semáforos inteligente e em diversas outras pesquisas
(HERNANDEZ, 2005).
Segundo Segatto e Coury (2006), redes neurais artificiais recorrentes podem ser
aplicadas para corrigir sinais distorcidos pela saturação de transformadores de corrente. E
resultados alcançados com a utilização dessa metodologia foram bastante promissores. A
aplicação dessa técnica constitui, portanto, uma nova etapa na metodologia de análise de
sinais oriundos de transformadores de corrente e assim, buscando melhor desempenho na
proteção, medição e oscilografia de sistemas elétricos de potência.
As RNAs podem ainda ser usadas para detectar, classificar e localizar faltas em
linhas de transmissão. E os resultados alcançados são extremamente satisfatórios no que se
diz respeito à precisão e também a velocidade dos módulos descritos, as características
apresentadas são extremamente úteis em um sistema de proteção moderno (OLESKOVICZ
et al, 2003).
Esta tecnologia também pode ser usada em próteses mioelétricas, que tem o intuito
de reabilitar pacientes amputados. Com o treinamento das RNAs, é possível que o paciente
consiga controlar as funções da mão ou outros movimentos da prótese. Tudo isso com um
bom desempenho e com um bom custo computacional (CUNHA et al, 2000). Aplicando
essa tecnologia o paciente teria um melhor estilo de vida.
O objetivo do artigo é mostrar a eficiência e essas possíveis aplicações da
inteligência computacional no departamento de engenharia elétrica e eletrônica e
proporcionar uma introdução a respeito desse assunto para que os estudantes e profissionais
tenham uma visão mais clara desse campo de estudos, trazendo assim possíveis novas
inovações na área.
Para essa revisão, será abordado o perceptron que é um dos tipos mais simples de
rede neural. E para isso será apresentado seu funcionamento, toda sua estrutura e também
perceptrons multicamadas que são redes feed-foward com várias camadas entre os nós de
entrada e saída (GONÇALVES, 2004).

2 METODOLOGIA

Algumas áreas da computação possuem diversas aplicações no ramo da engenharia

e por isso seu estudo deve ser repensado em vários aspectos, para isso, realizou-se um
esquema de introdução ao assunto de inteligência computacional baseado em dados obtidos
em diversos artigos e livros sobre redes neurais artificiais, procurando introduzir e mostrar
este conteúdo.

3 DESENVOLVIMENTO

3.1 INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS

Basicamente, todas as redes neurais apresentam a mesma unidade de

processamento: um neurônio artificial, que simula o comportamento do neurônio biológico.
Esse neurônio artificial possui diversas entradas, que correspondem às conexões sinápticas
com outras unidades similares a ele, e uma saída, cujo valor depende diretamente da
somatória ponderada de todas as saídas dos outros neurônios conectados a esse
(HERNANDEZ, 2005).
Pode-se representar o modelo matemático do neurônio artificial na Figura1.
 3

Figura 1: Modelo matemático de um neurônio artificial genérico.

Fonte: http://www.dee.eng.ufba.br/home/simas/introdRNA.pdf, 2018.

Sobre o que se encontra na estrutura interna do neurônio, a função de ativação, que

de acordo com a não-linearidade irá restringir a amplitude do intervalo de saída do
neurônio, existem alguns tipos principais que devem ser destacados em redes neurais
(Figura 2). A função sigmóide assume valores sempre positivos, já na função hiperbólica a
saída pode assumir valores positivos e negativos. A função linear: usada geralmente em
neurônios da camada de saída quando não se deseja o efeito de saturação das funções
sigmóides e hiperbólicas e a função degrau utiliza valores rígidos (VELLASCO, 2007).

Figura 2: Funções de ativação.

Fonte: http://www.dee.eng.ufba.br/home/simas/introdRNA.pdf, 2018.

Segundo Simas (2011) em um problema de classificação, pode-se produzir uma

superfície de separação (Figura 3), que pode ser mais simples, utilizando apenas um
neurônio artificial ou em casos de problemas mais complexos, se utiliza duas ou mais
camadas de neurônios.

Figura 3: Curva de separação.

 4

Fonte: http://www.dee.eng.ufba.br/home/simas/introdRNA.pdf, 2018.

Segundo Gonçalvez (2004), o perceptron de camada simples é um exemplo de redes

que podem ser usadas com entradas binárias e bipolares. Já os perceptrons multicamadas
(Figura 4) são redes feed-foward com várias camadas entre os nós de entrada e saída. E
essas camadas possuem unidades escondidas ou nós estão diretamente conectados aos nós
de entrada e de saída. Na pesquisa feita sobre próteses mioelétricas, por exemplo, foi usada
uma rede multicamadas com três camadas de neurônios artificiais (CUNHA, 2000).

Figura 4: Rede neural multicamada.

Fonte: http://www2.ica.ele.puc-rio.br/Downloads/33/ICA-introdu%C3%A7%C3%A3o%20RNs.pdf, 2018.

Após a criação da RNA, é necessário que se faça um treinamento da mesma para

que haja um ajuste dos pesos. Nessa etapa, o objetivo é fazer com que uma aplicação de
entradas gere um conjunto de saídas desejado. Existem dois tipos de treinamento, o
supervisionado e o não-supervisionado.
O treinamento supervisionado acontece da seguinte forma, existe um vetor de
entrada e um vetor alvo na saída, então aplica-se um vetor de entrada e compara-se a saída
com o resultado desejado. A partir dessa comparação se obtém um erro, que é usado para
ajustar os pesos e tentar minimizar a imprecisão.
Já quanto ao treinamento não-supervisionado, não existe uma resposta desejada,
logo não existem comparações que forneçam um sinal de erro. A rede reconhece um padrão
passando por treinamento, durante a qual se apresenta repetidamente à rede alguns padrões
de entrada junto com a categoria a que cada um pertence. Em seguida, ao apresentar a rede
um padrão nunca visto antes, mas que pertence à população de padrões utilizados durante o
seu treinamento, a rede é capaz de identificar a categoria correta, mostrando assim uma
capacidade de associação (VELLASCO, 2007). No projeto de prótese mioelétrica, por
exemplo, foi usada a forma de treinamento supervisionada e foi fixado um período de 1000
ciclos de treinamento, para uma posterior comparação dos resultados (CUNHA et al, 2000).
 5

3.1 ALGUMAS DAS POSSÍVEIS APLICAÇÕES DAS REDES NEURAIS ARTIFICIAIS

NA ÁREA DE ENGENHARIA ELÉTRICA E ELETRÔNICA

Segundo Segatto e Coury (2006), uma técnica alternativa para corrigir a distorção
de ondas provenientes da saturação dos transformadores de corrente (TCs) é a utilização de
redes neurais artificiais. Os TCs estão presentes nos sistemas elétricos de potência e são
responsáveis para medição e proteção, porém são muito suscetíveis a saturação. Várias
arquiteturas de RNAs foram treinadas e testadas e os resultados obtidos com a nova técnica
foram extremamente promissores. Pode-se destacar que as redes neurais obtiveram um
índice de acerto próximo dos 98,5%, para se confirmar os resultados obtidos, pode-se
visualizar os resultados obtidos nos gráficos da Figura 5.

Figura 5: Gráficos dos sinais obtidos através da correção efetuada pela rede neural.

Fonte: http://www.scielo.br/pdf/ca/v17n4/a04v17n4.pdf, 2018.

As RNAs também podem ser aplicadas na detecção, classificação e localização de

faltas em linhas de transmissão. Segundo OLESKOVICZ et al (2003), foi notado que as
redes neurais convergiram rapidamente para o resultado esperado, com um índice geral de
acertos que chegaram até cerca de 93,78%, esses resultados foram obtidos através de uma
Arquitetura de RNA com 24 unidades na camada de entrada, duas camadas intermediárias
com 48 e 44 unidades cada e uma camada de saída com 3 unidades. Foi concluído que o
uso de arquiteturas de redes neurais para este fim obteve um rendimento global
extremamente satisfatório no que diz respeito a precisão e velocidade das respostas dos
módulos.
 6

Já no que se diz respeito a próteses eletrônicas mais modernas, o uso das redes
neurais pode ajudar no reconhecimento de padrões dos sinais mioelétricos para um melhor
funcionamento da mesma, esse reconhecimento é possível porque os sinais obtidos nos
primeiros 200ms após a contração do músculo apresentam uma estrutura determinística. Na
pesquisa, foram testadas quatro arquiteturas, usando 1, 2, 3 e 5 camadas intermediárias
conforme apresentado no gráfico da Figura 6, percebe-se que o que demonstrou um melhor
desempenho foi a arquitetura que utilizou de três camadas intermediárias. Fazendo o
treinamento da RNA com alguns tipos de padrões o paciente foi capaz de controlar alguns
movimentos da prótese.

Figura 6 – Resultados dos testes das redes para quatro arquiteturas.

Fonte:
https://www.researchgate.net/profile/Juracy_Franca/publication/229010571_O_Uso_de_Redes_Neurais_Artific
iais_Para_o_Reconhecimento_de_Padroes_em_uma_Protese_Mioeletrica_de_Mao/links/57074cec08aefb22b0
934dd2/O-Uso-de-Redes-Neurais-Artificiais-Para-o-Reconhecimento-de-Padroes-em-uma-Protese-Mioeletrica-
de-Mao.pdf, 2018.

Conforme foi apresentado, as RNAs foram utilizadas em diversas pesquisas e

sempre obtiveram resultados satisfatórios e inovadores. Seja na área de eletrotécnica ou na
eletrônica as inovações trazidas com essa tecnologia sempre ajudam no desenvolvimento de
seus respectivos ramos.

4 CONCLUSÃO

As Redes Neurais Artificiais apresentam um grande potencial para serem utilizadas

na área da engenharia elétrica e eletrônica, devido ao poder de resolver problemas que não
possuem um modelo explicito ou uma lista de regras, tornando assim possível a resolução de
problemas mais complexos.
Diante de tantas aplicações, essas técnicas devem ser estudadas, pesquisadas e
aprimoradas para que se tenha no futuro mais inovações no meio acadêmico,
proporcionando um grande desenvolvimento tecnológico e maior segurança nos processos
apresentados.
No artigo foi possível abordar os principais aspectos e aplicações das RNAs, porém
de forma muito superficial. Para melhor entendimento do assunto sugere-se que o leitor se
aprofunde mais através da leitura dos artigos e livros presentes nas referências ou por meio
de outros materiais.
 7

REFERÊNCIAS

CUNHA, F. L. et al. Uso de Redes Neurais Artificiais Para o Reconhecimento de

Padrões em uma Prótese Mioelétrica de Mão. I Congresso Iberoamericano de
Tecnologias de Apoio à Deficiência (Iberdiscap), 339-342, 2000. Disponível em:
<https://www.researchgate.net/profile/Juracy_Franca/publication/229010571_O_Uso
_de_Redes_Neurais_Artificiais_Para_o_Reconhecimento_de_Padroes_em_uma_Prot
ese_Mioeletrica_de_Mao/links/57074cec08aefb22b0934dd2/O-Uso-de-Redes-
Neurais-Artificiais-Para-o-Reconhecimento-de-Padroes-em-uma-Protese-
Mioeletrica-de-Mao.pdf >. Acesso em: 12 out. 2018.

GONÇALVEZ, L. M. G. PERCEPTRONS. Universidade Federal do Rio Grande do

Norte, 2004. Disponível em:
<https://www.dca.ufrn.br/~lmarcos/courses/robotica/notes/perceptrons.pdf>. Acesso
em: 23 set. 2018.

HERNANDEZ, E. D. M. INTELIGÊNCIA COMPUTACIONAL E

REDESNEURAIS EM ENGENHARIA ELÉTRICA. PSI-2222 Práticas de
Eletricidade e Eletrônica II Seminário II. USP. São Paulo: 2005. Disponível em:
<http://www.lsi.usp.br/~icone/psi2533/2010/RedesNeurais.pdf>. Acesso em: 23 set.
2018.

KOVÁCS, Z. L. REDES NEURAIS ARTIFICIAIS: FUNDAMENTOS E

APLICAÇÕES. 4. ed. São Paulo: Editora Livraria da Física, 2006.

OLESKOVICZ, M. et al. O EMPREGO DE REDES NEURAIS ARTIFICIAIS NA

DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE FALTAS EM LINHAS
DE TRANSMISSÃO. Depto. De Engenharia Elétrica EESC – Escola de Engenharia
de São Carlos USP - Universidade de São Paulo, Brasil. Revista Controle &
Automação, Vol.14, no.2 , 2003. Disponível em:
<http://www.scielo.br/pdf/ca/v14n2/a06v14n2.pdf >. Acesso em: 12 out. 2018.

RAUBER, T. W. REDES NEURAIS ARTIFICIAS. Departamento de Informática,

Universidade Federal do Espirito Santo, 2015. Disponível em:
<http://www.riopomba.ifsudestemg.edu.br/dcc/dcc/materiais/1926024727_reconheci
mento-de-caracter2.pdf>. Acesso em: 21 set. 2018.

SEGATTO, Ê. C.; COURY, D. V. REDES NEURAIS ARTIFICIAIS

RECORRENTES APLICADAS NA CORREÇÃO DE SINAIS DISTORCIDOS
PELA SATURAÇÃO DE TRANSFORMADORES DE CORRENTE. Depto. De
Engenharia Elétrica EESC – Escola de Engenharia de São Carlos USP -
Universidade de São Paulo, Brasil. Revista Controle & Automação, Vol.17, no.4 ,
2006. Disponível em: <http://www.scielo.br/pdf/ca/v17n4/a04v17n4.pdf>. Acesso
em: 12 out. 2018.

SIMAS, E. F. INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS.

Universidade Federal da Bahia, 2011. Disponível em:
<http://www.dee.eng.ufba.br/home/simas/introdRNA.pdf>. Acesso em: 25 set. 2018.
 8

VELLASCO, M. M. B. R. REDES NEURAIS ARTIFICIAS. Laboratório de

inteligência computacional aplicada (ICA), Pontifícia Universidade Católica do Rio
de Janeiro, 2007. Disponível em: <http://www2.ica.ele.puc-
rio.br/Downloads/33/ICA-introdu%C3%A7%C3%A3o%20RNs.pdf>. Acesso em: 21
set. 2018.