47 v. 1, n. 13, p. 47-57, jan./jun. 2016 ISSN 2175-1846 Revista Eletrônica Científica Inovação e Tecnologia Universidade Tecnológica Federal do Paraná Câmpus Medianeira Medianeira, Paraná, Brasil REDES NEURAIS ARTIFICIAIS: PRINCÍPIOS BÁSICOS ARTIFICIAL NEURAL NETWORKS: BASIC PRINCIPLES FLECK, Leandro 1 ; TAVARES, Maria Hermínia Ferreira 2 ; EYNG, Eduardo 3 ; HELMANN, Andrieli Cristina 4 ; ANDRADE, Minéia Aparecida de Moares 5 1,2 Universidade Estadual do Oeste do Paraná – UNIOESTE, Cascavel, Paraná, Brasil 3,4,5 Universidade Tecnológica Federal do Paraná – UTFPR, Medianeira, Paraná, Brasil 1 fleckmissal@gmail.com , 2 mhstavar@gmail.com , 3 eduardoeyng@utfpr.edu.br , 4 andrieli.utfpr@hotmail.com , 5 mineia.moraes@hotmail.com Resumo A atual capacidade computacional tem possibilitado o desenvolvimento constante de ferramentas de apoio à melhoria contínua dos processos industriais, onde as Redes Neurais Artificiais (RNAs) merecem especial destaque. Diante disso, o presente artigo tem como objetivo apresentar uma revisão bibliográfica acerca dos principais conceitos, características e princípios relacionados às RNAs, com enfoque em suas aplicações práticas. É possível identificar três classes de arquitetura de redes neurais fundamentalmente diferentes: redes alimentadas adiante com camada única, redes alimentadas diretamente com múltiplas camadas e redes recorrentes, sendo sua definição de fundamental importância para a eficiência do processo ao qual se destina. O processo de aprendizagem de uma RNA pode ocorrer de duas maneiras distintas: aprendizado supervisionado e aprendizado não supervisionado, tendo como principal diferença a presença ou não de um supervisor externo. Uma das principais vantagens da RNA é a capacidade de aprender e generalizar, ou seja, produzir saídas adequadas para entradas inexistentes durante o processo de aprendizagem. Em termos práticos a aplicação de uma RNA não ocorre de maneira simples, uma vez que, inúmeros problemas podem ocorrer durante o processo de implementação. Assim, pesquisas constantes são necessárias a fim de se chegar a uma arquitetura computacional que possibilite ampliar as atividades de modelagem, simulação e controle. Palavras-chave: cérebro humano; inteligência artificial; neurônios; pesos sinápticos. Abstract The current computing power has enabled the constant development of tools to support continuous improvement of industrial processes, where the Artificial Neural Networks (ANN) deserves special focus. Therefore, this article aims to present a bibliographic review on the main concepts, features and principles related to ANNs, focusing on its practical applications. It is possible to identify three classes of architecture of neural networks fundamentally different: networks fed forward with single layer, networks fed directly with multiple layers and recurrent networks, being its definition of fundamental importance for the efficiency of the process to which it is intended. The learning process of ANN can occur in two distinct ways: supervised learning and unsupervised learning, having as main difference the presence or absence of an external supervisor. One of the main advantages of ANN is the ability to learn and generalize, ie, produce appropriate outputs for nonexistent entries during the learning process. In practical terms, the application of an ANN does not occur of simple manner, since several problems may occur during the deployment process. Thus, researches constants are needed in order to reach a computing architecture that enables expanding the activities of modeling, simulation and control. Key-words: human brain; artificial intelligence; neurons; synaptic weights.