Uso das redes neurais artificiais na aplicação de metodologia para alocação de recursos da saúde

OBJETIVO: Descrever a construção de fator de alocação de recursos financeiros com base na necessidade em saúde da população. MÉTODOS: Estudo quantitativo, com dados coletados em bases de domínio público, referentes ao estado de Pernambuco nos anos entre 2000 e 2010. Foram selecionadas variáveis que refletissem os indicadores epidemiológicos, demográficos, socioeconômicos e educacionais para compor um fator de alocação que apontasse as necessidades de saúde da população. As fontes pesquisadas foram: Departamento de Informática do Sistema Único de Saúde, Atlas do Desenvolvimento Humano no Brasil, Instituto Brasileiro de Geografia e Estatística, Sistema de Informações sobre Orçamentos Públicos em Saúde, Tesouro Nacional e dados da Secretaria Estadual de Saúde de Pernambuco de 2000 a 2010, de acordo com a disponibilidade da informação mais recente. Foi realizada a correlação linear de Pearson e, para o cálculo do fator de alocação, a análise pelas Redes Neurais Artificiais. Os quartis dos municípios foram definidos segundo as necessidades em saúde. RESULTADOS: A distribuição apresentada aponta a Região Litorânea e boa parte da Região da Mata Norte e Sul e do Agreste Setentrional e Central situados no Quartil 1, este com o maior número de municípios. O Agreste Meridional teve municípios em todos os quartis. Na Região do Pajeú/Moxotó, grande parte dos municípios esteve no Quartil 1. Semelhante distribuição foi verificada no Sertão Central. No Araripe, a maioria dos municípios esteve nos Quartis 3 ou 4 e a Região do São Francisco ficou dividida entre os Quartis 1, 2 e 3. CONCLUSÕES: O fator de alocação agregou os municípios pernambucanos, por agrupar variáveis que são relacionadas com as necessidades em saúde da população, e separou os que possuem extremas necessidades de maior aporte financeiro daqueles que precisam com menor intensidade.

Apreçamento de opções sobre taxa de câmbio R$/US$ negociadas no Brasil: uma comparação entre os modelos Black e redes neurais artificiais

No estudo aqui apresentado, aplicou-se um modelo de rede neural multicamadas para o apreçamento de calls sobre taxa de câmbio R$/US$, negociadas na Bolsa de Valores, Mercadorias & Futuros de São Paulo (BM&FBovespa), para o período de janeiro de 2004 a dezembro de 2007. A partir dos preços efetivamente praticados no mercado, comparou-se o desempenho entre essa técnica e o modelo de Black, utilizando-se métricas usuais de erro e testes estatísticos. Os resultados obtidos revelaram, em geral, a melhor adequação do modelo de inteligência artificial, em comparação ao modelo de Black, nos diferentes graus de moneyness.

Integração de dados do quickbird e atributos do terreno no mapeamento digital de solos por redes neurais artificiais

No presente estudo, foi realizada uma avaliação de diferentes variáveis ambientais no mapeamento digital de solos em uma região no norte do Estado de Minas Gerais, utilizando redes neurais artificiais (RNA). Os atributos do terreno declividade e índice topográfico combinado (CTI), derivados de um modelo digital de elevação, três bandas do sensor Quickbird e um mapa de litologia foram combinados, e a importância de cada variável para discriminação das unidades de mapeamento foi avaliada. O simulador de redes neurais utilizado foi o "Java Neural Network Simulator", e o algoritmo de aprendizado, o "backpropagation". Para cada conjunto testado, foi selecionada uma RNA para a predição das unidades de mapeamento; os mapas gerados por esses conjuntos foram comparados com um mapa de solos produzido com o método convencional, para determinação da concordância entre as classificações. Essa comparação mostrou que o mapa produzido com o uso de todas as variáveis ambientais (declividade, índice CTI, bandas 1, 2 e 3 do Quickbird e litologia) obteve desempenho superior (67,4 % de concordância) ao dos mapas produzidos pelos demais conjuntos de variáveis. Das variáveis utilizadas, a declividade foi a que contribuiu com maior peso, pois, quando suprimida da análise, os resultados da concordância foram os mais baixos (33,7 %). Os resultados demonstraram que a abordagem utilizada pode contribuir para superar alguns dos problemas do mapeamento de solos no Brasil, especialmente em escalas maiores que 1:25.000, tornando sua execução mais rápida e mais barata, sobretudo se houver disponibilidade de dados de sensores remotos de alta resolução espacial a custos mais baixos e facilidade de obtenção dos atributos do terreno nos sistemas de informação geográfica (SIG).

Mapeamento digital de solos por redes neurais artificiais com base na relação solo-paisagem

Técnicas de mapeamento digital podem contribuir para agilizar a realização de levantamentos pedológicos detalhados. Objetivou-se com este trabalho obter um mapa digital de solos (MDS) com uso de redes neurais artificiais (RNA), utilizando correlações entre unidades de mapeamento (UM) e covariáveis ambientais. A área utilizada compreendeu aproximadamente 12.000 ha localizados no município de Barra Bonita, SP. A partir do resultado de uma análise de agrupamento das covariáveis ambientais, foram escolhidas cinco áreas de referência para realizar o mapeamento convencional. As UM identificadas subsidiaram a aplicação da técnica de RNA. Utilizaram-se o simulador de redes neurais JavaNNS e o algoritmo de aprendizado backpropagation. Pontos de referência foram coletados para avaliar o desempenho do mapa digital produzido. A posição na paisagem e o material de origem subjacente foram determinantes para o reconhecimento dos delineamentos das UM. Houve boa concordância entre as UM delineadas pelo MDS e pelo método convencional. A comparação entre os pontos de referência e o mapa de solos digital evidenciou exatidão de 72 %. O uso da abordagem MDS utilizada pode contribuir para diminuir a falta de informações semidetalhadas de solos em locais ainda não mapeados, tomando-se como base informações pedológicas obtidas de áreas de referência adjacentes.

O poder cognitivo das redes neurais artificiais modelo ART1 na recuperação da informação

O artigo relata um experimento de simulação computacional de um sistema de recuperação da informação composto por uma base de índices textuais de uma amostra de documentos, um software de rede neural artificial implementando conceitos da Teoria da Ressonância Adaptativa, para automação do processo de ordenação e apresentação de resultados, e um usuário humano interagindo com o sistema em processos de consulta. O objetivo do experimento foi demonstrar (i) a utilidade das redes neurais de Carpenter e Grossberg (1988) baseadas nessa teoria e (ii) o poder de resolução semântica com índices sintagmáticos da abordagem SiRILiCO proposta por Gottschalg-Duque (2005), para o qual um sintagma nominal ou proposição é uma unidade linguística constituda de sentido maior que o significado de uma palavra e menor que uma narrativa ou uma teoria. O experimento demonstrou a eficácia e a eficiência de um sistema de recuperação da informação combinando esses recursos, concluindo-se que um ambiente computacional dessa natureza terá capacidade de clusterização (agrupamento) variável on-line com entradas e aprendizado contínuos no modo não supervisionado, sem necessidade de treinamento em modo batch (off-line), para responder a consultas de usuários em redes de computadores com desempenho promissor.

Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite

Resumo:O objetivo deste trabalho foi avaliar a eficácia da aplicação de modelos de análise de regressão e redes neurais artificiais (RNAs) na predição do volume de madeira e da biomassa acima do solo, da vegetação arbórea em área de cerradão. Volume de madeira e biomassa foram estimados com equações alométricas desenvolvidas para a área de estudo. Os índices de vegetação, como variáveis preditoras, foram estimados a partir de imagens do sensor LISS-III, e a área basal foi determinada por medições na floresta. A precisão das equações foi verificada pela correlação entre os valores estimados e observados (r), erro-padrão da estimativa (Syx) e gráfico residual. As equações de regressão para o volume de madeira total e do fuste (0,96 e 0,97 para r, e 11,92 e 9,72% para Syx, respectivamente) e para a biomassa (0,91 e 0,92 para r, e 22,73 e 16,80% para Syx, respectivamente) apresentaram bons ajustes. As redes neurais também apresentaram bom ajuste com o volume de madeira (0,99 e 0,99 para r, e 4,93 e 4,83% para Syx) e a biomassa (0,97 e 0,98 r, e 8,92 e 7,96% para Syx, respectivamente). A área basal e os índices de vegetação foram eficazes na estimativa do volume de madeira e biomassa para o cerradão. Os valores reais de volume de madeira e biomassa não diferiram estatisticamente dos valores estimados pelos modelos de regressão e redes neurais (χ2ns); contudo, as RNAs são mais acuradas.

Redes neurais artificiais para identificar genótipos de feijão-caupi semiprostrado com alta adaptabilidade e estabilidade fenotípicas

Resumo: O objetivo deste trabalho foi verificar a concordância entre as redes neurais artificiais (RNAs) e o método de Eberhart & Russel na identificação de genótipos de feijão-caupi (Vigna unguiculata) com alta adaptabilidade e estabilidade fenotípicas. Utilizou-se o delineamento experimental de blocos ao acaso com quatro repetições. Os tratamentos consistiram de 18 linhagens experimentais e duas cultivares de feijão-caupi. Foram conduzidos quatro ensaios de valor de cultivo e uso nos municípios de Aquidauana, Chapadão do Sul e Dourados, no estado do Mato Grosso do Sul. Os dados de produtividade de grãos foram submetidos às análises de variância individual e conjunta. Em seguida, os dados foram submetidos às análises de adaptabilidade e estabilidade por meio dos métodos de Eberhart & Russell e de RNAs. Houve elevada concordância entre os métodos avaliados quanto à discriminação da adaptabilidade fenotípica dos genótipos de feijão-caupi semiprostrado, o que indica que as RNAs podem ser utilizadas em programas de melhoramento genético. Em ambos os métodos avaliados, os genótipos BRS Xiquexique, TE97-304G-12 e MNC99-542F-5 são recomendados para ambientes desfavoráveis, gerais e favoráveis, respectivamente, por apresentarem produtividade de grãos acima da média geral dos ambientes e alta estabilidade fenotípica.

A tabela periódica dos elementos químicos prevista por redes neurais artificiais de Kohonen

Although several chemical elements were not known by end of the 18th century, Mendeleyev came up with an astonishing achievement: the periodic table of elements. He was not only able to predict the existence of (then) new elements but also to provide accurate estimates of their chemical and physical properties. This is certainly a relevant example of the human intelligence. Here, we intend to shed some light on the following question: Can an artificial intelligence system yield a classification of the elements that resembles, in some sense, the periodic table? To achieve our goal, we have fed a self-organized map (SOM) with information available at Mendeleyev's time. Our results show that similar elements tend to form individual clusters. Thus, SOM generates clusters of halogens, alkaline metals and transition metals that show a similarity with the periodic table of elements.

Aplicação de redes neurais artificiais na identificação de gasolinas adulteradas comercializadas na região de Londrina - Paraná

The multilayer perceptron network was used to classify the gasoline. The main parameters used in the classification were established by the Ordinance nº 309 of the Agência Nacional do Petróleo, but without informing the network the legal limits of these parameters. The network used had 10 neurons in a single hidden layer, learning rate of 0.04 and 250 training epochs. The application of artificial neural network served classify 100% of the commercialized gas in the region of Londrina-PR and to identify the tampered gasoline even those suspected of tampering.

Determinação de constituintes químicos em madeira de eucalipto por Pi-CG/EM e calibração multivariada: comparação entre redes neurais artificiais e máquinas de vetor suporte

Multivariate models were developed using Artificial Neural Network (ANN) and Least Square - Support Vector Machines (LS-SVM) for estimating lignin siringyl/guaiacyl ratio and the contents of cellulose, hemicelluloses and lignin in eucalyptus wood by pyrolysis associated to gaseous chromatography and mass spectrometry (Py-GC/MS). The results obtained by two calibration methods were in agreement with those of reference methods. However a comparison indicated that the LS-SVM model presented better predictive capacity for the cellulose and lignin contents, while the ANN model presented was more adequate for estimating the hemicelluloses content and lignin siringyl/guaiacyl ratio.

REDUÇÃO DE VARIÁVEIS DE ENTRADA DE REDES NEURAIS ARTIFICIAIS A PARTIR DE DADOS DE ANÁLISE DE COMPONENTES PRINCIPAIS NA MODELAGEM DE OXIGÊNIO DISSOLVIDO

The objective of this work is to demonstrate the efficient utilization of the Principal Components Analysis (PCA) as a method to pre-process the original multivariate data, that is rewrite in a new matrix with principal components sorted by it's accumulated variance. The Artificial Neural Network (ANN) with backpropagation algorithm is trained, using this pre-processed data set derived from the PCA method, representing 90.02% of accumulated variance of the original data, as input. The training goal is modeling Dissolved Oxygen using information of other physical and chemical parameters. The water samples used in the experiments are gathered from the Paraíba do Sul River in São Paulo State, Brazil. The smallest Mean Square Errors (MSE) is used to compare the results of the different architectures and choose the best. The utilization of this method allowed the reduction of more than 20% of the input data, which contributed directly for the shorting time and computational effort in the ANN training.

As redes neurais artificiais e o ensino da medicina

As transformações da prática médica nos últimos anos - sobretudo com a incorporação de novas tecnologias da informação - apontam a necessidade de ampliar as discussões sobre o processo ensino-aprendizagem na educação médica. A utilização de novas tecnologias computacionais no ensino médico tem demonstrado inúmeras vantagens no processo de aquisição de habilidades para a identificação e a resolução de problemas, o que estimula a criatividade, o senso crítico, a curiosidade e o espírito científico. Nesse contexto, ganham destaque as Redes Neurais Artificiais (RNA) - sistemas computacionais cuja estrutura matemática é inspirada no funcionamento do cérebro humano -, as quais têm sido úteis no processo ensino-aprendizagem e na avaliação de estudantes de Medicina. Com base nessas ponderações, o escopo da presente comunicação é revisar aspectos da aplicação das RNA na educação médica.

Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto

Objetivou-se, neste trabalho, avaliar o ajuste do modelo volumétrico de Schumacher e Hall por diferentes algoritmos, bem como a aplicação de redes neurais artificiais para estimação do volume de madeira de eucalipto em função do diâmetro a 1,30 m do solo (DAP), da altura total (Ht) e do clone. Foram utilizadas 21 cubagens de povoamentos de clones de eucalipto com DAP variando de 4,5 a 28,3 cm e altura total de 6,6 a 33,8 m, num total de 862 árvores. O modelo volumétrico de Schumacher e Hall foi ajustado nas formas linear e não linear, com os seguintes algoritmos: Gauss-Newton, Quasi-Newton, Levenberg-Marquardt, Simplex, Hooke-Jeeves Pattern, Rosenbrock Pattern, Simplex, Hooke-Jeeves e Rosenbrock, utilizado simultaneamente com o método Quasi-Newton e com o princípio da Máxima Verossimilhança. Diferentes arquiteturas e modelos (Multilayer Perceptron MLP e Radial Basis Function RBF) de redes neurais artificiais foram testados, sendo selecionadas as redes que melhor representaram os dados. As estimativas dos volumes foram avaliadas por gráficos de volume estimado em função do volume observado e pelo teste estatístico L&O. Assim, conclui-se que o ajuste do modelo de Schumacher e Hall pode ser usado na sua forma linear, com boa representatividade e sem apresentar tendenciosidade; os algoritmos Gauss-Newton, Quasi-Newton e Levenberg-Marquardt mostraram-se eficientes para o ajuste do modelo volumétrico de Schumacher e Hall, e as redes neurais artificiais apresentaram boa adequação ao problema, sendo elas altamente recomendadas para realizar prognose da produção de florestas plantadas.

Estimação do volume de árvores utilizando redes neurais artificiais

Rede neural artificial consiste em um conjunto de unidades que contêm funções matemáticas, unidas por pesos. As redes são capazes de aprender, mediante modificação dos pesos sinápticos, e generalizar o aprendizado para outros arquivos desconhecidos. O projeto de redes neurais é composto por três etapas: pré-processamento, processamento e, por fim, pós-processamento dos dados. Um dos problemas clássicos que podem ser abordados por redes é a aproximação de funções. Nesse grupo, pode-se incluir a estimação do volume de árvores. Foram utilizados quatro arquiteturas diferentes, cinco pré-processamentos e duas funções de ativação. As redes que se apresentaram estatisticamente iguais aos dados observados também foram analisadas quanto ao resíduo e à distribuição dos volumes e comparadas com a estimação de volume pelo modelo de Schumacher e Hall. As redes neurais formadas por neurônios, cuja função de ativação era exponencial, apresentaram estimativas estatisticamente iguais aos dados observados. As redes treinadas com os dados normalizados pelo método da interpolação linear e equalizados tiveram melhor desempenho na estimação.

Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto

Este trabalho teve como objetivos aumentar a precisão das estimativas de altura de árvores e diminuir a necessidade de aferição da altura em campo, levando à redução dos custos no inventário florestal através da construção e validação de um modelo de estimação da altura de árvores em povoamentos de eucalipto com a utilização de redes neurais artificiais. Os dados utilizados consistiram em três clones, compreendendo cerca de 3.000 árvores em 145 parcelas permanentes com área média de 215 m², mensuradas em seis ocasiões (idades). As variáveis utilizadas para estimar a altura total das árvores dividiram-se em quantitativas: idade (meses), diâmetro com casca a 1,30 m de altura a partir da superfície do solo (dap) e altura dominante média da parcela; e qualitativa: tipo de solo com as respectivas classes. Para validação e aplicação da metodologia proposta, foram consideradas duas situações: (a) quando há a introdução de um novo material genético e não existem informações sobre a relação hipsométrica deste; (b) quando já se conhece a tendência de crescimento em altura dos povoamentos implantados, obtida pela existência de medições em parcelas de IFC. Com as metodologias testadas, obtiveram-se valores de coeficiente de correlação superiores a 0,99. As metodologias mostraram-se eficientes para alcançar os objetivos propostos, garantindo alta precisão das estimativas obtidas através das redes neurais artificiais.