A simulação cognitiva é uma técnica que permite imitar as estruturas e os mecanismos de raciocínio utilizados pelos operadores no cumprimento de suas atividades, estando inspirada em conceitos desenvolvidos na modelagem cognitiva, e utiliza os formalismos de representação de estruturas de domínio da Inteligência Artificial, que é um vasto campo que contém diversos componentes importantes, como as Redes Neurais Artificiais. Uma Rede Neural Artificial consiste em uma estrutura conexionista, na qual o processamento é distribuído por um grande número de pequenas unidades densamente interligadas. Este paradigma procura entender e emular as propriedades decorrentes do alto grau de paralelismo e conectividade dos sistemas biológicos. Uma rede neural é composta por um elevado número de elementos processadores, os neurônios, amplamente interligados através de conexões com um determinado valor que estabelece o grau de conectividade entre estes, denominado peso da conexão ou sinapse.

Deste modo, todo o processamento é realizado distributivamente entre os elementos processadores da rede, onde cada qual o realiza isolada e paralelamente, enviando seu resultado para outras unidades através das conexões entre eles. Embora cada neurônio faça um processamento bastante simples, a associação os capacita a realizar problemas altamente complexos. A capacidade de resolver um determinado problema encontra-se na sua arquitetura, ou seja, no número e modo pelo qual os elementos processadores estão interconectados, nos pesos destas conexões e no número de camadas. Para sintetizar uma rede neural, existem alguns métodos - dos quais o mais usualmente utilizado é o empírico - que geram um padrão de interconexão para resolver o problema através de algum processo de treinamento capaz de modificá-lo gradualmente, de modo a adaptálo à deliberação deste problema.

A síntese é um fator determinante do sucesso ou fracasso do treinamento das redes neurais artificiais. Os mecanismos de aprendizado possibilitam a modificação do padrão de interconexão. Para treinamento podem ser utilizados os mecanismos de aprendizado supervisionado, por reforço ou não-supervisionado, conforme a arquitetura neural fixada. Portanto, faz-se necessárias 3 fases para aplicar redes neurais artificiais à resolução de um problema qualquer.

O treinamento que ensina a rede a resolver um conjunto de padrões de saída associados a padrões de entrada; o teste, em que são apresentados padrões de entrada à rede, e as saídas obtidas são comparadas às saídas desejadas; e a aplicação, em que a rede sintetizada é utilizada na resolução do determinado tipo de problema. Dentre as possibilidades de utilização mais exploradas das redes neurais, estão: ? a classificação de padrões de entradas em diferentes categorias; ? o reconhecimento de um determinado número de padrões de entradas, reproduzindo-os nas suas saídas; ? a predição de uma variável a partir de valores históricos desta ou de outras variáveis com ela relacionadas. Isto é comumente encontrado em áreas como a economia, particularmente engenharia financeira. Neste domínio, sistemas baseados em redes neurais se têm-se mostrado, muitas vezes, mais eficazes que técnicas tradicionais.

Muitas outras aplicações são constantemente encontradas para as Redes Neurais Artificiais, ao mesmo tempo que os seus fundamentos teóricos vão se tornando cada vez mais sólidos devido ao trabalho incessante de um número cada vez maior de pesquisadores. As áreas de aplicação são as mais diversas, com grandes e pequenas aplicações em campos diversos, como engenharia, economia, agronomia, medicina etc., resolvendo problemas que envolvam extração de características, classificação, categorização/clusterização; estimativa e previsão; otimização; aproximação de funções; dentre outras.