Tratamento de Incertezas com Sinais de Funções obtidos por configurações de Células Neurais Artificiais Paraconsistentes Arnaldo de Carvalho Jr, Hyghor M. Côrtes, Clovis M. da Cruz, Dorotéa Vilanova Garcia, Maurício C. Mario, João Inácio da Silva Filho

Resumo

Tratamentos de incertezas mostram melhores resultados quando se utiliza lógicas não clássicas. A Lógica Paraconsistente Anotada com anotação de dois valores (LPA2v) é um tipo de lógica não clássica que, difere da lógica clássica (binária) por permitir o processamento de sinais de informações contraditórias. Uma Célula Neural Artificial Paraconsistente (CNAP) é um algoritmo que utiliza LPA2v para simular o comportamento de neurônios. Aplicando os graus de evidência favorável (μ) e desfavorável (l) em suas duas entradas uma CNAP apresenta em suas saídas o grau de evidência de análise resultante m_E (ou evidência de análise resultante real (μ_ER)) e o intervalo de evidência resultante (j_E). Uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) usa a saída como uma realimentação para a entrada do grau de evidência desfavorável e pode ser treinada para responder (aprender) qualquer valor dentro de um intervalo [0,1] pertencente ao conjunto dos números reais. Configurações de (CNAPap) podem apresentar o comportamento de funções matemáticas utilizadas na análise e tratamento de sinais de dados analógicos. Neste trabalho apresentam-se os resultados de simulações de CNAPap e suas variações para comportamento de um integrador e diferenciador, o que pode vir a ser uma alternativa viável para reproduzir sinais de funções utilizados em sistemas de controle de automação.