This study estimates and fills real flaws in a series of meteorological data belonging to four regions of the state of Rio de Janeiro. For this, an Artificial Neural Network (ANN) of Multilayer Perceptron (MLP) was applied. In order to evaluate its adequacy, the monthly variables of maximum air temperature and relative humidity of the period between 05/31/2002 and 12/31/2014 were estimated and compared with the results obtained by Multiple Linear Regression (MLR) and Regions Average (RA), and still faced with the recorded data. To analyze the estimated values and define the best model for filling, statistical techniques were applied such as correlation coefficient (r), Mean Percentage Error (MPE) and others. The results showed a high relation with the recorded data, presenting indexes between 0.94 to 0.98 of (r) for maximum air temperature and between 2.32% to 1.05% of (MPE), maintaining the precision between 97% A 99%. For the relative air humidity, the index (r) with MLP remained between 0.77 and 0.94 and (MPE) between 2.41% and 1.85%, maintaining estimates between 97% and 98%. These results highlight MLP as being effective in estimating and filling missing values.

Resumo O alto consumo de água pela agricultura torna cada vez mais essencial o conhecimento da evapotranspiração de referência (ETo) para a realização do manejo da irrigação. Entretanto, definir um método adequado às diferentes localidades está associado à disponibilidade dos dados meteorológicos e a adaptação dos métodos às localidades aplicadas. Assim, o objetivo deste trabalho foi comparar e avaliar o desempenho dos métodos de ETo: Hargreaves-Samani, Jensen-Haise, Benavides & Lopez e Hamon com o método padrão Penman Monteith FAO-56, para estimar a ETo diária de seis regiões, três do estado do Rio de Janeiro e três do estado do Espírito Santo. As variáveis meteorológicas empregadas foram cedidas pelo Centro de Previsão de Tempo e Estudos Climáticos e do Instituto Nacional de Pesquisas Espaciais (CPTEC - INPE). O desempenho dos modelos foi avaliado por diferentes técnicas estatísticas onde o modelo que melhor se adaptou às localidades estudadas nos dois estados foi o de Jensen Haise, tendo obtido os índices de correlação (r) entre 0,73 a 0,94 e a confiabilidade (C) entre 0,60 a 0,90 com o modelo de Penman Monteith.

Redes Neurais na Classificação de Neoplasias Mamárias Neural Networks in Classification of Breast Neoplasms RESUMO O presente artigo, trata do reconhecimento de tumores na mama, utilizando para isto, Redes Neurais artificiais, (RNAs) de percepton de múltiplas camadas, (MLP), para tal, foram utilizadas várias características, como: raio, concavidade, fractal, área, perímetro e textura. A rede MLP foi configurada com as entradas, 2 camadas ocultas (7,6), respectivamente, e suas saídas, os valores utilizados são do banco de dados do Wisconsin Diagnostic Breast Cancer, os resultados apontaram erro de 11.9% no conjunto de validação, mostrando um bom desempenho do modelo para reconhecimento de tumores de mama.

Por estarem do topo da lista das doenças que mais matam no mundo, as doenças cardiovasculares estão assustando cada vez mais a classe médica, devido aos seus números alarmantes, sendo assim técnicas de Inteligência Computacional (IC) foram utilizadas para caracterizar pacientes da base de dados pública "Heart Disease Database", como cardiopatas ou não, a partir das variáveis fornecidas pela base. Máquina de Vetor de Suporte (SVM) e Regressão Linear Múltipla, foram escolhidas por terem desempenhos satisfatórios em aplicações similares na literatura. O modelo em que as variáveis foram diretamente introduzidas ao SVM, conseguiu em sua melhor simulação uma acurácia de 77%, sensibilidade de 91%, especificidade de 69% e falso negativo de 9%, enquanto na simulação em que as variáveis foram selecionadas por Regressão, os índices representaram 85%, 86%, 84% e 14%, respectivamente. O fator considerado como o de maior relevância foi o falso negativo, confirmando o melhor desempenho do modelo de SVM.

Revisão: Os Autores O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.