Redes Neurais Artificiais (RNAs) têm proporcionado uma solução eficiente para uma grande variedade de problemas práticos. Infelizmente, a seleção dos parâmetros ideais para o processo de aprendizado, bem como a escolha da topologia adequada, não são tarefas triviais Geralmente, o processo de escolha do número de parâmetros livres é informal, e as redes são treinadas com diferentes topologias e complexidades até que a de melhor desempenho seja encontrada. Este procedimento nem sempre produz redes de tamanho mínimo, o que em muitos casos inviabiliza a implementação. Nesta dissertação é apresentado um estudo comparativo de diversas técnicas de Pruning, as quais têm como objetivo minimizar a complexidade da rede, sem degradar sua capacidade de generalização. Um grande número de experimentos foi realizado, utilizando diversas técnicas previamente selecionadas. Uma análise dos resultados obtidos é também apresentada, indicando o comportamento das técnicas de Pruning em geral, e identificando as de melhor desempenho.

Artificial Neural Networks offer an efficient solution to a wide variety of practical problems. However, choosing an appropriate topology for an Artificial Neural Network is a difficult task. Generally, the process of choosing the number of free parameters is informal and networks are trained with different complexities and topologies until the one with the best performance be selected. This procedure usually does not generate minimal size networks, which can make their implementation unfeasible. In the present work, a comparative study of Pruning techniques is presented. Such techniques are used to improve the complexity of networks, reducing their size without considerably degrading their generalization ability. A large number of experiments was performed with a set of previously selected techniques. The results were analyzed in order to study the behavior of the Pruning techniques in general, as well as identifying those which provide the best performance.