ARTIGO

REDES NEURAIS

Edivaldo Teodoro

Resumo
Neste artigo procuramos descrever os principais tópicos referentes ‘as redes neurais’, desde seu
surgimento até propostas de implementações em inúmeras aplicações atuais. Iniciando com uma
introdução sobre o assunto, trazemos ao leitor noções introdutórias sobre como funcionam as redes
neurais artificiais, no que elas são e que não são similares ao sistema nervoso biológico, e como
pode ser simulada a plasticidade neuronal (base do aprendizado) em uma rede neural artificial. Para
tornar mais claras as interessantes aplicações desse novo paradigma, damos um exemplo de uma
rede neural artificial que é capaz de reconhecer automaticamente a voz, diferenciando as palavras
"branco" e "preto ".

Palavras -chave: Redes neurais; Plasticidade; Inteligência artificial

REDES NEURAIS

Como Funciona o Sistema Nervoso

O sistema nervoso detecta estímulos externos e internos, tanto físicos quanto

químicos, e desencadeia as respostas musculares e glandulares. Assim, é responsável pela
integração do organismo com o seu meio ambiente.
É formado basicamente por células nervosas que se interconectam de forma
específica e precisa, formando os chamados circuitos neurais. Através desses circuitos, o
organismo é capaz de produzir respostas estereotipadas que constituem os comportamentos
fixos e invariantes (por exemplo, os reflexos), ou então, produzir comportamentos variáveis
em maior ou menor grau.
Todo ser vivo dotado de um sistema nervoso é capaz de modificar o seu
comportamento em função de experiências passadas. Essa modificação comportamental é
chamada de aprendizado e ocorre no sistema nervoso, através da propriedade denominada
plasticidade cerebral.

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 57
 ARTIGO

O Neurônio
A célula nervosa, ou simplesmente, neurônio, é o principal componente do sistema
nervoso. Considerada sua unidade anatomo-fisiológica, estima-se que no cérebro humano
existam, aproximadamente, 15 bilhões dessas células, responsáveis por todas as funções do
sistema.
Existem diversos tipos de neurônios com diferentes funções, dependendo da sua
localização e estrutura morfológica mas, em geral, estas se constituem dos mesmos
componentes básicos:

Foto retirada do site:

http://www.epub.org.br/cm/n05/tecnologia/nervoso.htm
• o corpo do neurônio (soma) constituído de núcleo e pericário, que dá suporte
metabólico a toda célula;
• o axônio (fibra nervosa) prolongamento único e grande que aparece no soma. É
responsável pela condução do impulso nervoso para o próximo neurônio, podendo ser
revestido ou não por mielina (bainha axonial), célula glial especializada;
• os dendritos que são prolongamentos menores em forma de ramificações
(arborizações terminais) que emergem do pericário e do final do axônio, sendo, na maioria
das vezes, responsáveis pela comunicação entre os neurônios através das sinapses.
Basicamente, cada neurônio possui uma região receptiva e outra efetora em relação a
condução da sinalização.

A Sinapse

É a estrutura dos neurônios através da qual ocorrem os processos de comunicação

entre os mesmos, ou seja, onde ocorre a passagem do sinal neural (transmissão sináptica)
através de processos eletroquímicos específicos, isso graças a certas características
particulares da sua constituição.

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 58
 ARTIGO

Foto retirada do site:

http://www.epub.org.br/cm/n05/tecnologia/nervoso.htm

Em uma sinapse os neurônios não se tocam, permanecendo um espaço entre eles

denominado fenda sináptica, onde um neurônio pré-sináptico liga-se a um outro
denominado neurônio pós-sináptico. O sinal nervoso (impulso), que vem através do axônio
da célula pré-sináptica chega em sua extremidade e provoca na fenda a liberação de
neurotransmissores depositados em bolsas chamadas de vesículas sinápticas. Este
elemento químico se liga quimicamente a receptores específicos no neurônio pós-sináptico,
dando continuidade à propagação do sinal.
Um neurônio pode receber ou enviar entre 1.000 a 100.000 conexões sinápticas em
relação a outros neurônios, dependendo de seu tipo e localização no sistema nervoso. O
número e a qualidade das sinapses em um neurônio pode variar, entre outros fatores, pela
experiência e aprendizagem, demonstrando a capacidade plástica do SN.

Organização Funcional

Funcionalmente, pode-se afirmar que o SN é composto por neurônios sensoriais,

motores e de associação. As informações provenientes dos receptores sensoriais aferem ao
Sistema Nervoso Central (SNC), onde são integradas
(codificação/comparação/armazenagem/decisão) por neurônios de associação ou
interneurônios, e enviam uma resposta que eferece a algum orgão efetor (músculo,
glândula). Kandel sugere que o "movimento voluntário é controlado por complexo circuito
neural no cérebro interconectando os sistemas sensorial e motor (...), o sistema
motivacional". As respostas desencadeadas pelo SNC são tão mais complexas quanto mais
exigentes forem os estímulos ambientais (aferentes).

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 59
 ARTIGO

Para tanto, o cérebro necessita de uma intrincada rede de circuitos neurais,

conectando suas principais áreas sensoriais e motoras, ou seja, grandes concentrações de
neurônios capazes de armazenar, interpretar e emitir respostas eficientes a qualquer
estímulo, tendo também a capacidade de, a todo instante, em decorrência de novas
informações, provocar modificações e rearranjos em suas conexões sinápticas,
possibilitando novas aprendizagens.

A Plasticidade Neural

Pesquisas em Neurobiologia têm comprovado que a plasticidade do sistema nervoso

é uma característica única em relação a todos os outros sistemas orgânicos. Conforme
deGroot, "a plasticidade neural é a propriedade do sistema nervoso que permite o
desenvolvimento de alterações estruturais em resposta à experiência, e como adaptação a
condições mutantes e a estímulos repetidos".

Desenho: http://www.epub.org.br/cm/n05/tecnologia/plasticidade.htm

A figura ilustra a expansão da representação cortical das pontas dos dedos no tecido
cerebral de um macaco. Conforme a gravura, as pontas dos dedos 2, 3 e 4, que antes da
estimulação diferencial apresentavam uma determinada área de representação, expandiram
sua área de córtex depois de 3 meses da estimulação (representada por círculos nas pontas
dos dedos).
Este fato é melhor compreendido através do conhecimento morfológico-estrutural
do neurônio, da natureza das suas conexões sinápticas e da organização das áreas

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 60
 ARTIGO

associativas cerebrais. Sem dúvida nenhuma a "aprendizagem pode levar a alterações

estruturais no cérebro" (Kandel). A cada nova experiência do indivíduo, portanto, redes de
neurônios são rearranjadas, outras tantas sinapses são reforçadas e múltiplas possibilidades
de respostas ao ambiente tornam-se possíveis. Portanto, "o mapa cortical de um adulto está
sujeito a constantes modificações com base no uso ou atividade de seus caminhos
sensoriais periféricos" (Kandel).

REDES NEURAIS ARTIFICIAIS

As redes neurais surgiram por volta dos anos 50, quase ao mesmo tempo em que os
primeiros computadores que ocupavam prédios inteiros. A idéia era simular as atividades
neurais humana, definindo componentes lógicos similares aos neurônios naturais. O neuro
biologista McCulloch e o estatístico Pitts foram os primeiros a propôr o conceito de um
neurônio como sendo uma unidade de processamento que recebia vários estímulos como
entrada e gerava um sinal baseado no resulta do somatório destes estímulos.
O que torna as redes neurais atrativas é principalmente a característica peculiar de
serem estruturas capazes de aprender comportamentos baseados em um treinamento com
ou sem um “tutor”. Claro que o computador não vai freqüentar a escola, o que existe são
algoritmos de aprendizagem que modificam as conexões que interligam os neurônios. Estes
algoritmos podem ensinar a rede a responder a certos estímulos da mesma maneira. Por
exemplo, se a letra “a” (devidamente digitalizada) é mostrada à rede de vários tamanhos e
formas, ela poderá generalizar todas estas entradas e dar uma única resposta para o
conjunto de “a(s)” apresentado. As redes neurais artificiais representam um novo
paradigma metodológico no campo da Inteligência Artificial, ou seja, no desenvolvimento
de sistemas computacionais capazes de imitar tarefas intelectuais complexas, tais como a
resolução de problemas, o reconhecimento e classificação de padrões, os processos
indutivos e dedutivos, etc. Ao contrário dos sistemas heurísticos, assim chamados porque
procuram obter sistemas inteligentes baseados em lógica e em processamento simbólico
(por exemplo, os sistemas especialistas), as redes neurais artificiais se inspiram em um
modelo biológico para a inteligência, isto é, na maneira como o cérebro é organizado em
sua arquitetura elementar, e em como a mesma é capaz de executar tarefas computacionais.
Da mesma maneira que no cérebro, as redes neurais artificiais são organizadas na forma de

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 61
 ARTIGO

um número de elementos individuais simples (os neurônios), que se interconectam uns aos
outros, formando redes capazes de armazenar e transmitir informação provinda do exterior.
Outra capacidade importante das redes neurais artificiais é a auto-organização, ou seja,
através de um processo de aprendizado, é possível alterar-se os padrões de interconexão
entre seus elementos. Por este motivo, as redes neurais artificiais são um tipo de sistema
conexionista, no qual as propriedades computacionais são resultado dos padrões de
interconexão da rede. Na indústria, as redes neurais estão sendo muito utilizadas em
aplicações para controle de processos industriais; elas se adequam ao uso das redes, pois
lidam com parâmetros que mudam com o passar do tempo. As características das redes vêm
bem a calhar, porque a cada nova configuração que o processo assume, o software adapta-
se respondendo aos novos estímulos, de maneira que pode controlar o processo e seus
novos parâmetros. Um modelo baseado em Redes Neurais é chamado um modelo empírico,
diferentemente de modelos construídos que se utilizam de princípios básicos (equações
químicas ou físicas). Por isso, as redes neurais necessitam de uma boa quantidade de dados
para resolver os problemas propostos.
Pode-se afirmar que as Redes Neurais são o que há de mais avançado em termos de
representação do conhecimento. Nos defrontamos, na realidade, com um sistema capaz de
agir de maneira próxima a forma como o humano adquire e representa seu conhecimento.
Baseado em estudos neurológicos, o desenvolvimento das Redes neuronais procurou
formalizar um padrão matemático para as reações elétricas dos neurônios humanos. Desta
forma, podemos estabelecer uma representação computacional para este procedimento.
A Rede terá tantos ‘nós’ quanto mais precisa for a resposta desejada a um estímulo
externo. Por restrições óbvias inerentes a todo conhecimento incipiente, as Redes Neurais
não estão capacitadas para lidar com uma diversidade de temas, como o faz o cérebro
humano. Atuando sobre um tema específico, a Rede assimila o conhecimento sobre este,
não através de regras (como um humano na escola) mas através da experimentação (como
um humano na prática). A rede deve ser treinada sobre o tema, ou seja, lhe serão fornecidos
dados de entrada e implementadas propagações de forma que a alteração dos pesos ao
longo da Rede forneça uma saída compatível com a resposta conhecida àquele estímulo
pré-determinado. Desta forma, balanceamos os pesos até obtermos um padrão de respostas
aos estímulos, compatível com o que se conhece. Na verdade, o processo de aprendizado é
bastante empírico.

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 62
 ARTIGO

O neurônio artificial

O neurônio artificial é uma estrutura lógico-matemática que procura simular a

forma, o comportamento e as funções de um neurônio biológico. Assim sendo, os dendritos
foram substituídos por entradas, cujas ligações com o corpo celular artificial são realizadas
através de elementos chamados de peso (simulando as sinapses). Os estímulos captados
pelas entradas são processados pela função de soma, e o limiar de disparo do neurônio
biológico foi substituído pela função de transferência.

Combinando diversos neurônios artificiais podemos formar o que é chamado de

rede neural artificial. As entradas, simulando uma área de captação de estímulos, podem ser
conectadas em muitos neurônios, resultando, assim, em uma série de saídas, onde cada
neurônio representa uma saída. Essas conexões, em comparação com o sistema biológico,
representam o contato dos dendritos com outros neurônios, formando assim as sinapses. A
função da conexão em si é tornar o sinal de saída de um neurônio em um sinal de entrada
de outro, ou ainda, orientar o sinal de saída para o mundo externo (mundo real). As
diferentes possibilidades de conexões entre as camadas de neurônios podem gerar n
números de estruturas diferentes.

Exemplo de uma Rede Neural Artificial de 2 camadas com 4 entradas e 2 saídas

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 63
 ARTIGO

As variantes de uma rede neural são muitas e, combinando-as, podemos mudar a

arquitetura conforme a necessidade da aplicação, ou ainda, conforme o gosto do projetista.
Basicamente, os itens que compõem uma rede neural e, portanto, sujeito a modificações,
são os seguintes :
• conexões entre camadas
• camadas intermediárias
• quantidade de neurônios
• função de transferência
• algoritmo de aprendizado

Auto-Organização

O processo da plasticidade cortical em uma rede neural artificial foi implementado

em uma rede neural do tipo Kohonen, que foi escolhida por possuir certas similaridades
funcionais com redes neurais biológicas, como é o caso da auto-organização da rede,
processo fundamental nos sistemas orgânicos vivos.
O esquema básico do modelo de Kohonen constitui uma rede neural de treinamento
não supervisionado e de apenas duas camadas. Diz-se que esse tipo de rede possui um
paradigma topológico, uma vez que a rede pode apresentar qualquer formato geométrico
bidimensional em sua camada de saída, como hexagonal, retangular, triangular e outras.

Depois de escolhida a rede neural e definida a sua arquitetura, segue uma fase
chamada de treinamento, ou seja, uma fase cuja tarefa é "treinar" a rede neural com uma
coleção de estímulos (sinais complexos, voz, imagens, etc.) que se deseja que a rede
reconheça quando em operação.

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 64
 ARTIGO

Na fase treinamento, os neurônios da camada de saída competem para serem os

vencedores a cada nova iteração do conjunto de treinamento. Ou seja, sempre que é
apresentada, à rede neural, uma entrada qualquer, existe uma competição entre os neurônios
da camada de saída para representar a entrada apresentada naquele momento. Esse
aprendizado, nada mais é do que modificações sucessivas nos pesos dos neurônios de forma
que estes classifiquem as entradas apresentadas. Dizemos que a rede neural "aprendeu"
quando ela passa a reconhecer todas as entradas apresentadas durante a fase de treinamento.
Assim é que se traduz o aprendizado da rede neural, pois, havendo pelo menos um
neurônio que represente uma determinada informação (um estímulo apresentado na
entrada), sempre que este estímulo for apresentado a esta rede neural, aquele neurônio que
foi treinado para representá-lo, automaticamente irá ser disparado, informando assim, qual
o estímulo que foi apresentado para a rede neural.
Lembramos ainda que, uma forte característica das redes neurais é a capacidade de
reconhecer variações dos estímulos treinados. Isto significa, por exemplo, que apresentando
um estímulo X qualquer, semelhante a um estímulo Y que fez parte do conjunto de
treinamento, existe uma grande probabilidade de que o estímulo X seja reconhecido como o
estímulo Y treinado, revelando, assim, a capacidade de generalização da rede neural
artificial.

Simulando a Plasticidade

A implementação da plasticidade foi realizada, oportunizando a rede neural ampliar

a quantidade de neurônios vencedores na camada de saída. Dessa forma, diversos neurônios
do córtex artificial assimilam as informações do conjunto de treinamento, diferentemente
da rede neural de Kohonen que, originalmente, possui poucos neurônios como vencedores,
deixando os neurônios restantes da camada de saída como inativos.

Expansão do número de neurônios vencedores

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 65
 ARTIGO

Esse aumento dos neurônios vencedores foi realizado mudando alguns parâmetros
da função de transferência do neurônio artificial, cuja analogia poderia ser feita com a
mudança do limiar de disparo dos neurônios biológicos. Alterados, os neurônios disparam
com menos energia acumulada, assimilando informações apresentadas nas entradas da rede
neural. Isso provoca um aumento razoável de neurônios, representando informações na
camada de saída. É claro que não significa que todos os neurônios serão vencedores, mas a
maior oferta de neurônios aptos a vencedor aumenta também a probabilidade da existência
de vencedores.

Um Exemplo de Aplicação

Para verificação da atuação da plasticidade como fator relevante na elevação da taxa

de acerto da rede neural, foi projetada uma rede com 20 neurônios dispostos em 5 linhas e 4
colunas.
Essa rede, possuindo todos os atributos da rede de Kohonen, mais a implementação
da plasticidade, foi treinada para reconhecer apenas duas palavras faladas: /branco/ e
/preto/. Essas palavras foram lidas a 8000 Hz e reduzidas a 100 sinais de entrada mediante
diversas técnicas de processamento de sinal digital.

Espectro do sinal de voz das palavras /branco/ e /preto/.

Configurada para iterar 3000 vezes o conjunto de treinamento de duas palavras, a

rede apresentou a seguinte plasticidade durante o tempo de treinamento (realizado em um
computador tipo 486 DX 2 100 MHz com 24 Mbytes de memória ram) :

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 66
 ARTIGO

1 2 3 4
o o o
Iteração n : 650 Iteração n : 1200 Iteração n : 1500 Iteração n o : 3000
vizinhança : 4 Vizinhança : 3 vizinhança : 2 vizinhança : 0

Neurônios

Verificando a evolução do quadro acima, os neurônios vencedores mudam

dinamicamente durante o tempo de treinamento. Nesses quadros, a principal mudança é
verificada do 3o para o 4o quadro, onde os neurônios [1,0], [1,1] e [1,2], que representavam
a palavra falada /preto/, passam a representar a palavra falada /branco/. Outro aspecto que
pode ser notado é a mudança da posição do neurônio vencedor principal, que acontece do
quadro 1 para o quadro 2. No quadro 1, o principal neurônio vencedor para a palavra
/branco/ é o neurônio [4,0] (apontado com preenchimento cinza), já no quadro 2, com 550
iterações a mais que o quadro 1, o ponto ótimo é transferido para o neurônio [3,0].
Quando uma entrada é apresentada, apenas um neurônio é apontado como vencedor,
porém, pronunciando-se a mesma palavra diversas vezes, nem sempre é o mesmo neurônio
o vencedor. Isto significa que, apesar da palavra pronunciada ser a mesma, ela não traz na
sua forma de onda a exata semelhança com a onda usada para o treinamento e, dessa forma,
poderá não tender exatamente para o mesmo neurônio, podendo disparar algum outro
neurônio da região primária, ou mesmo de uma região secundária.
Esta mudança de neurônio vencedor, conforme o estímulo recebido, ocorre somente
quando existe a possibilidade de mudar de neurônio vencedor, ou seja, quando existem
outros neurônios que representam a mesma informação. Isto é um fato real e constante na
plasticidade artificial.

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 67
 ARTIGO

Assim, a figura 10 apresenta todos os neurônios vencedores apontados durante o

treinamento, sendo que, na parte acinzentada, podemos verificar os neurônios ativados
durante a fase de testes. Nota-se, na figura 10, que três neurônios, tanto para a palavra
/preto/ quanto para a palavra /branco/, são os mais sinalizados durante o uso da rede
treinada, mesmo havendo outros neurônios habilitados para a mesma tarefa.

Principais neurônios ativados

Na tabela abaixo, podemos verificar que, para a palavra /branco/, os neurônios [0,1]
e [0,3] são os mais ativados, enquanto que para a palavra /preto/, de longe, o neurônio [2,1]
é o mais ativado. A diferença de ativação neuronal se deve ao fato de ter havido pequenas
mudanças de entonação na pronúncia.

/branco/ /preto/

Neurônio Taxa de Neurônio Taxa de

resposta resposta
Vencedor Vencedor

0,0 10 % 3,0 15 %

0,1 35 % 2,1 40 %

0,3 40 % 4,3 25 %

Total 85 % Total 80 %

Pronunciando a palavra /branco/ com mais ênfase na 1a sílaba /bran/, o neurônio ativado é
o [0,0], e havendo maior ênfase na 2 a sílaba /co/, o neurônio ativado é o [0,1].

CONCLUSÃO

Redes Neurais são técnicas computacionais que apresentam um modelo matemático

inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 68
 ARTIGO

através de experiência. Uma grande Rede Neural Artificial pode ter centenas ou milhares de
unidades de processamento, já o cérebro de um mamífero pode ter bilhões de neurônios. O
estudo das Redes Neurais é um dos ramos da Inteligência Artificial que mais se desenvolve,
atraindo pessoas de diversas áreas do conhecimento.
A neuro computação, técnica que emula sistemas nervosos biológicos em
programas ou circuitos de computador, foi concebida há mais de cinqüenta anos, mas só
recentemente experimentou ampla utilização prática, graças à intensa pesquisa teórica nesse
campo e ao enorme desenvolvimento na área dos microprocessadores.
A grande característica das redes neurais é sua capacidade de aprendizado, ou seja,
a possibilidade de estabelecer, de forma precisa, relações complexas entre diversas
variáveis numéricas, sem que seja imposto qualquer modelo pré concebido. É uma
abordagem revolucionária, que contrasta com a filosofia hoje consagrada para o tratamento
de dados, a computação programada, que requer algoritmos rigorosamente detalhados para
processá-los. Ela apresenta diversas vantagens em relação a outras técnicas de
modelamento e controle, como regressão estatística, sistemas especialistas e, talvez,
modelos matemáticos.
Os campos de aplicação para as redes neurais são vastos: análise e processamento
de sinais, controle de processos, classificação de dados, reconhecimento de padrões, análise
de imagens, diagnósticos médicos e outros. Na área industrial destacam-se as utilizadas na
prevenção de desvios de processo e em sistemas híbridos, associados a técnicas de lógica
difusa e sistemas especialistas, para a detecção de problemas de manutenção. Trata-se
normalmente de problemas com quantificação matemática difícil, ineficaz ou impossível.
Apesar de ser uma técnica que já encontrou inúmeras aplicações na vida real, ela
ainda apresenta alguns aspectos obscuros. A pesquisa sobre elas ainda continua em ritmo
febril, e é de se esperar num futuro próximo que seu uso se torne ainda mais fácil, mesmo
para usuários inexperientes.

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 69
 ARTIGO

REFERÊNCIAS

ANDRÉ, S. A. e MARCO, A. N. P. Inteligência artificial e redes neurais. 1997.

Disponível em: <http://sites.uol.com.br/santin/trabalhos/inteligencia.htm>. Acesso em:
mar. 2003.

VELLASCO, M. M. Redes neurais. Núcleo de Pesquisa em Inteligência Computacional

Aplicada – PUC Rio. 2001. Disponível em: <http://www.ele.puc-
rio.br/labs/ica/icahome.html>. Acesso em: mar. 2003.

Sites utilizados:
www.epub.org.br
www.geocities.com/capecanaveral/runway/4303/
www.ele.ita.br/cnrn
www.din.uem.br/ia/neurais/
www.dca.fee.unicamp.br/~vonzuben/courses/
galaxy.einet.net/.../engineering-and-technology/computer-technology/artificial-inteligence/

Edivaldo Teodoro
Faculdades Network
E-mail: ediweb@bol.com.br

© Network Technologies, Nova Odessa, v.1/2, n.1/2, p.57-70, 2002/2003 – ISSN: 1677-7778 (versão impressa). 70