Redes neurais artificiais (RNAs) têm sido amplamente empregadas nas últimas décadas em diversas áreas do conhecimento humano para classificação, previsão e reconhecimento de padrões. As RNAs são investigadas principalmente na aproximação de funções em modelos numéricos, devido às suas propriedades de autoaprendizado, adaptabilidade, tolerância a falhas, não linearidade e antecipação do mapeamento entrada-saída. O estado da arte na identificação e controle de sistemas dinâmicos emprega métodos de computação suave, decisões inteligentes baseadas em ambientes de incerteza, inteligência artificial e cognitiva, e técnicas de aprendizagem com redes neurais. Entretanto, problemas envolvendo situações contraditórias podem ser um desafio para as RNAs. A lógica paraconsistente (LP) é uma ferramenta poderosa para lidar com incertezas e informações contraditórias, representando uma alternativa potencialmente robusta à RNA clássica. A lógica paraconsistente anotada evidencial ??, ou de lógica paraconsistente anotada com anotação de dois valores (LPA2v), uma variante da LP, tem sido empregada em sistemas especialistas que consideram informações incertas na tomada de decisão. Redes neurais artificiais paraconsistentes (RNAP), baseadas em LPA2v, são aplicadas principalmente na classificação de padrões, porém utilizando limiares e fatores de tolerância ao invés de pesos, sendo ainda um tema não explorado na identificação e controle de sistemas dinâmicos. O objetivo desta tese é desenvolveruma nova abordagem de rede neural paraconsistente (RNP), com função de ativação LPA2v treinável, como contribuição original ao estado da arte na identificação e controle de sistemas dinâmicos. Um pêndulo invertido rotativo (PIR) é utilizado para a validação dos resultados. Esta tese apresenta ainda o arcabouço matemático para análise e projeto de redes neurais paraconsistentes de aprendizado supervisionado.

Artificial neural networks (ANNs) have been widely used in the last decades in several areas of human knowledge for classification, prediction, and pattern recognition. ANNs are investigated mainly in the approximation of functions in numerical models, due to their properties of self-learning, adaptability, fault tolerance, non-linearity, and anticipation of input-output mapping. The state of the art in the identification and control of dynamic systems employs soft computing methods, intelligent decisions based on uncertainty environments, artificial and cognitive intelligence, and neural network learning techniques. However, problems involving contradictory situations can be a challenge for ANNs. Paraconsistent logic (PL) is a powerful tool for dealing with uncertainties and contradictory information, representing a potentially robust alternative to classical ANN. The paraconsistent annotated evidential Logic ??, or paraconsistent annotated logic with annotation of two values (PAL2v), a variant of PL, has been used in expert systems that consider uncertain information in decision making. Paraconsistent artificial neural networks (PANN), based on PAL2v, are mainly applied in pattern classification, but using thresholds and tolerance factors instead of weights, being still an unexplored topic in the identification and control of dynamical systems. The objective of this thesis is to propose a novel paraconsistent neural network (PNN) approach, with a trainable non-linear PAL2v activation function, as an original contribution to the state of the art in the identification and control of dynamical systems. A rotary inverted pendulum (RIP) system is used for validation of results. This thesis also describes the mathematical framework for the analysis and design of paraconsistent neural networks of supervised learning.