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

Abstract


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 mE (ou evidência de análise resultante real (μER)) e o intervalo de evidência resultante (jE). 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.

Palavras-chave: lógica paraconsistente anotada, redes neurais, sistemas inteligentes, inteligência artificial.

Treatment of Uncertainties with Function Signals obtained by  configurations of Paraconsistent Artificial Neural Cells

Abstract: Treatments of uncertainties show better results when non-classical logic is used. The Paraconsistent Annotated Logic with annotation of two values (PAL2v) is one type of non-classical logics that differs from classical logic (binary) by allowing the processing of signals of contradictory information. A Paraconsistent Artificial Neural Cell (PANcel) is an algorithm that uses PAL2v to simulate neuron behavior. Applying the degrees of favorable evidence (µ) and unfavorable evidence  (l) on its two inputs, it presents at its outputs the degree of resulting analysis evidence (µE) or real analysis evidence (µRE) and the resulting evidence interval (jE). A Paraconsistent Artificial Neural Cell of Learning (LPANcel) and its variations is a type of PANcel that uses the output as a feedback to the input of the unfavorable degree of evidence in time, it can learn any real value within a closed range (interval values [0,1]). This cell can be used in signal analysis and treatment. In this work, the results of simulations of LPANcel are presented and its variations as integrator and differentiator, what may be a viable alternative to reproducing signals of functions used in automation control systems.

Keywords: paraconsistent annotated logic, neural network, intelligent systems, artificial intelligence.


Full Text: PDF

Refbacks

  • There are currently no refbacks.