Nas últimos décadas, estudos em neurobiologia evidenciam a existência de comportamentos caóticos no cérebro humano e animal, tanto a nível microscópico (neurônio) quanto a nível macroscópico (atividade global de cérebro). Essas evidencias motivam a exploração de sistemas caóticos em redes neurais artificiais. Diante deste contexto, o presente trabalho tem como objetivo estudar as redes neurais caóticas existentes e desenvolver novas redes neurais caóticas para reconhecimento de padrões multi-valorados. Dois novos modelos são propostos, cujos funcionamentos são divididos em duas fases: fase de armazenamento e fase de reconhecimento. Na primeira fase, um conjunto de padrões é armazenado em pontos fixos pelo algoritmo de aprendizado de matriz pseudo-inversa. Na segunda fase, a dinâmica periódica e caótica que existem em mapas caóticos são utilizadas. Em ambos modelos propostos, a órbita periódica representa um padrão recuperado, enquanto a órbita caótica oferece um mecanismo de busca eficiente. Uma das vantagens dos modelos propostos em relação às redes neurais caóticas existentes é que os primeiros não só podem reconhecer padrões binários, mas também podem reconhecer padrões multi-valorados, o que é uma característica importante em aplicações práticas.

In the last decades, neurobiological researches yield evidences of chaotic behavior in animal and human brains, both in microscopic (neuron) and macroscopic (global brain activity) leveis. Such evidences motivate the exploration of chaotic systems in artificial neural networks. In this context, the objectives of the present work are to study the existing chaotic neural networks and to develop new chaotic neural networks for multi-value pattern recognition. Two new models are proposed in this work. The working mechanism of both of them is divided in two phases: storing and recognition. In the former phase, a set of patterns are stored in fixed points by the pseudo-inverse matrix learning algorithm. In the latter one, the periodic and chaotic dynamic existing in chaotic maps are employed with the periodic orbit representing a retrieved pattern and the chaotic orbit providing an efficient searching mechanism. One advantage of the proposed models over the existing chaotic neural networks lies in that the new models recognize not only binary, but also multi-value patterns, which is an important feature in practical applications.