Proposed application of paraconsistent artificial neural networks as a signal classifier using functional approximation

This work has the objective of developping methods for applications of Paraconsistents Artificiais Ncurals Networks - PANNs. Firstly, it will be introduced some topies about Paraconsistent Logic (with prominence for the functional part of the cells that compose it) and also about PANNs (with prominence for the Paraconsistents Artificiais Neurals Cells). Later, it is made an analysis about the conduct of the Apprenticeship Paraconsistent Artificial Neural Cell, when it is inserted in its entrance pattems that represents discrcet signal'values. From this results, it develops for the cntirely reproduetion of a signal through functional approach. Thcn, it is formed the Paraconsistents Artificiais Neurals Units, with three cells, capables to learn a pattem ( signal ) and also capable to compare these patterns with others introduced on the unit. The unit outlets are manipulated according to its application prccision. The group of these units form the Paraconsistents Artificiais Neurals Networks for Signals Classifiers, capable to learn and to store various types of pattems (signals) on the network, and also capable to classify these patterns as pertaining or not the same network when introduced pattems on it. The perspective is that the results presented and the used mcthodology attcnd on the divulgation for others types applications with PANNs.Dissertação (Mestrado)Este trabalho tem como objetivo desenvolver métodos para aplicações das Redes Ncurais Artificiais Paraconsistcntes - RNAPs. Inicialmcntc são introduzidos tópicos sobre a Lógica Paraconsistcntc ( com especial atenção para a célula paraconsistente e sua equação estrutural básica ) e sobre as RNAPs ( com destaque para a parte funcional das células que a compõem ). A seguir é feita uma análise do comportamento da Célula Ncural Artificial Paraconsistente de Aprendizagem, quando cm sua entrada são inseridos padrões que representam valores discretos de um sinal; a partir destes resultados, evolui-se para a reprodução de um sinal por inteiro através de aproximação funcional. São, então, formadas Unidades Ncurais Artificiais Paraconsistcntcs compostas de três tipos de células, capazes de aprender um padrão ( sinal) e compará-lo com padrões que venham a ser testados pela rede, sendo que as saídas destas unidades são manipuladas de acordo com o grau de precisão que a aplicação exigir. O conjunto destas unidades neurais forma a Rede Neural Artificial Paraconsistente para Classificação de Sinais, capaz de aprender e armazenar vários tipos de padrões ( sinais ) e, quando inseridos padrões de teste na rede, classificá-los como pertencentes ou não à mesma. A perspectiva é de que os resultados apresentados e a metodologia utilizada sirvam como divulgação para outros tipos de aplicação com as RNAPs