@MASTERSTHESIS{ 2020:865620904,
 	title = {Uso da rede neural fracionária de Hopfield na solução de problemas inversos em química},
 	year = {2020},
 	url = "https://bdtd.unifal-mg.edu.br:8443/handle/tede/1556",
 	abstract = "Usualmente, a rotina de um laborat orio se resume a observar um fen^omeno e determinar
 o agente causador do mesmo, ou seja, busca-se relacionar a causa a um efeito. Essa
 rela c~ao pode ser expressa matricialmente como Kf = g, onde f representa a causa e n~ao
 est a acess  vel de forma direta, g representa efeito que pode ser mensurado e, por  m, K,
 o operador matem atico que relaciona os dois par^ametros. Encontrar f a partir de K e g  e
 conhecido como problema inverso. Esse  e um assunto muito recorrente em diversas  areas
 e que apresenta complica c~oes na sua resolu c~ao, como por exemplo, a ampli ca c~ao do erro
 no resultado  nal, ocasionando em uma solu c~ao incoerente com a interpreta c~ao f  sica.
 Existem in umeros estudos que investigam m etodos e cientes para a obten c~ao da solu c~ao
 de tais problemas, dentre eles, se destacam as Redes Neurais Arti ciais. O emprego dessas
 redes tem gerado grande avan co cient   co para a otimiza c~ao da solu c~ao desses problemas.
 De forma a generalizar o modelo de Rede Neural Arti cial de Ordem Inteira, que  e assim
 denominado por ser descrito por uma equa c~ao diferencial de ordem inteira, estudos propuseram
 a implementa c~ao da Rede Neural de Hop eld com o C alculo Fracion ario, onde
 a derivada passa a ter ordem fracion aria, incorporando o conjunto dos n umeros racionais
 Q, obtendo-se  otimos resultados quando comparados ao C alculo tradicional. Essa
 metodologia consegue contornar diversas di culdades encontradas, diferente das t ecnicas
 usuais. A originalidade deste projeto se encontra na implementa c~ao das Redes Neurais de
 Hop eld com C alculo Fracion ario (RNFH) para a solu c~ao do problema da densidade de
 estados de f^onons da capacidade calor   ca, utilizando o software MATLAB para auxiliar
 no c alculo num erico, havendo uma melhora na velocidade de converg^encia dos resultados.
 Tal metodologia tamb em foi empregada na resolu c~ao de problemas mais simples, com
 o intuito de introduzir conceitos e avaliar o desempenho da RNFH, na qual tamb em se
 mostrou e ciente em rela c~ao a velocidade de converg^encia da solu c~ao. A RNFH proporcionou
 resultados pr oximos do exato, chegando a ser at e 202 vezes mais r apida que a Rede
 Neural de Hop eld, diminuindo o custo computacional de forma consider avel.",
 	publisher = {Universidade Federal de Alfenas},
 	scholl = {Programa de Pós-Graduação em Química},
 	note = {Instituto de Química}
}