Neste trabalho demonstramos que padrões e aleatoriedade estão intimamente relacionados, ao contrário do que intuitivamente é considerado como campos opostos. Esta abordagem visa dois propósitos: por um lado, obter vantagens das propriedades caóticas para medir pseudo-aleatoriedade, e por outro lado, extrair padrões de diagramas espaço-tempo como método de reconhecimento de padrões. Este trabalho centrou-se em dois métodos relacionados com sistemas complexos, como sistemas dinâmicos de tempo discreto, redes complexas, autômatos celulares (AC) e suas combinações. O primeiro método foi explorar as propriedades das profundezas do caos como fonte de pseudo-aleatoriedade a partir de sistemas dinâmicos caóticos, como o mapa logístico e o mapa da tenda. Observamos que os padrões desaparecem e a pseudo-aleatoriedade é aumentada pela remoção de k dígitos à direita da vírgula dos pontos de uma órbita original de um mapa caótico. Portanto, foi encontrada uma fonte caótica interessante para obter geradores de números de pseudo-aleatórios (PRNGs) parametrizada por k. Um segundo método foi proposto com base na incorporação de autômatos celulares na topologia de rede, também chamada de rede-autômato, visando caracterizar as redes a partir da dinâmica espaço-temporal intrínseca dessas redes. Quatro problemas de grande demanda foram explorados, tais como (i) identificar redes sociais online; (ii) identificar organismos de diferentes domínios da vida através de suas redes metabólicas; (iii) classificar padrões de distribuição de estômatos variando de acordo com diferentes condições ambientais; e (iv) o problema de identificação de autoria. Finalmente, essa mesma abordagem foi utilizada para analisar as sequências de números pseudo-aleatórios gerados pelo padrão ouro do k-mapa logístico no contexto do reconhecimento de padrões. A abordagem proposta permitiu explorar padrões e pseudoaleatoriedade extraídos de uma miríade de sistemas com resultados bem-sucedidos em termos de acerto e boa pseudo-aleatoriedade. Além disso, este trabalho trouxe consigo progressos significativos em aplicações de reconhecimento de padrões do mundo real de um amplo ramo de campos como criptografia, criptoanálise, biologia e ciência dos dados.

In this work, we demonstrate that patterns and randomness are close related, contrary to what intuitively is considered as opposite fields. We aimed for a pattern recognition approach that aims for two purposes: (i) to take advantages from the chaotic properties as a source of pseudo-randomness in order to measure pseudo-randomness and (ii) to extract patterns from spatio-temporal diagrams obtained from complex systems models as a pattern recognition method. This work has focused on different complex systems such as discrete dynamical systems, complex networks, cellular automata (CA), and their combinations. The first method was to explore the chaotic properties in a deep-zoom manner as a source of pseudo-randomness from chaotic dynamical systems such as the logistic map and the tent map. We observed that the patterns vanish and therefore pseudo-randomness is increased by removing k right digits from the original orbit sequences. Therefore, we found an interesting chaotic source to obtain pseudo-randomness number generators (PRNGs). A second method was proposed based on the embedding of cellular automata (CA) over a network topology, also called network automata, aiming to characterize networks from the intrinsic spatio-temporal dynamics of these networks. Various on-demand problems were explored such as (i) identifying online social networks; (ii) identifying organisms from distinct domains of life through their metabolic networks; (iii) classifying stomata distribution patterns varying according to different environmental conditions; and (iv) the authorship identification problem. Finally, this same approach was used to analyze the sequences of pseudo-random numbers generated by the gold standard k-logistic map in the context of pattern recognition. So far, the proposed pattern recognition approach based on non-linear systems allowed us to explored patterns and pseudo-randomness extracted from a myriad of systems with successful results in terms of accuracy and good pseudorandomness. The proposed method has made significant progress in real-world pattern recognition applications from a wide branch of fields such as Cryptography, Cryptanalysis, Biology and Data Science.