Neste trabalho, investiga-se o desempenho do reservoir computing, por meio das echo state networks (ESNs), em problemas de processamento de sinais. Após uma breve revisão da literatura, exploram-se três aplicações. Inicia-se com o uso de uma ESN para mitigação de ruído branco sobre um sinal caótico. Apesar de simples, o problema de denoising é de interesse fundamental e surge nas mais diversas áreas de processamento de sinais. Em seguida, integra-se uma ESN como o receptor de um sistema de comunicação baseado em caos sujeito a condições não ideais. Estudam-se isoladamente os efeitos introduzidos por ruído branco e filtragem do canal antes de investigar ambos simultaneamente. Por fim, submete-se uma ESN ao problema de predição de sinais musicais. Isto é, dado uma nota, estimar qual seria a seguinte numa peça musical. Dessa forma, tangencia-se a questão de se uma rede neural é capaz de emular a criatividade humana. Nos dois primeiros estudos, emprega-se o mapa tenda inclinada para geração dos sinais caóticos por este possuir um único parâmetro que influencia diretamente em suas características espectrais de forma bem conhecida. O método de filtragem linear de Wiener é usado para comparação com os desempenhos obtidos por meio do uso de ESNs. No último problema abordado, empregam-se sinais contendo informações musicais oriundas de obras clássicas, salvas em arquivos no formato musical instrument digital interface (MIDI). Os resultados das simulações indicam que a escolha do mapa e de seus parâmetros, do tipo de codificação no caso da segunda aplicação, bem como dos parâmetros da ESN influenciam diretamente os desempenhos obtidos. Sobretudo, constata-se que o uso de ESN nas duas primeiras aplicações estudadas fornece desempenhos superiores aqueles obtidos usando-se o filtro de Wiener, o método de filtragem linear ótimo.

This thesis investigates the performance of reservoir computing, through the use of echo state networks (ESNs) in signal processing tasks. After a brief literature review, three different ESN applications are studied. In the first one, an ESN is used to attenuate additive white gaussian noise over a chaotic signal. Despite its simplicity, the so-called denoising task is very much relevant as it is found in a variety of different areas within signal processing. An ESN is then integrated as the receiver into a chaos-based communication system under non-ideal conditions. The effects of noise and channel filtering are studied separately before considering both simultaneously. Ultimately, an ESN is used to predict musical sequences. This means that, when a note from a piece of music is fed into the network, it must estimate which would be the following note. This way, the question of whether a neural network can emulate human musical creativity is slightly explored. In the first two applications the skew tent map is used to obtain the chaotic signals, since its spectral features are known and determined by its unique parameter. The Wiener linear filtering method is used as benchmark for evaluating the performance of the designed ESNs. In the last problem, classical musical pieces files available in the musical instrument digital interface format are utilized to generate the musical sequences used. The results achieved indicate that the choice of the map and its parameters, as well as the network parameters have a direct impact on the performance of the ESNs. They have outperformed the Wiener filter, the optimal linear filtering method, in both first and second tasks.