Redes neurais artificiais paraconsistentes aplicadas no estudo de fraudes conta

de clientes acessadas via _internet_

Valdemir Silva Souza1,3, Jair Minoro Abe 3, Jos Demsio Simes da Silva1,2
1
UBC-Universidade Braz Cubas, Mogi das Cruzes, SP
Laboratrio Associado de Computao e Matemtica Aplicada
Instituto Nacional de Pesquisas Espaciais (INPE) So Jos dos Campos, SP
3
Instituto de Estudos Avanados da USP, So Paulo, SP
E-mails: valdemir.silva@terra.com.br, jairabe@uol.com.br, demisio@lac.inpe.br
2

Resumo. Este artigo descreve uma abordagem

para deteco de fraudes baseada em redes neurais
paraconsistentes. A Lgica Paraconsistente descreve as
aes lgicas das Redes Neurais que so os conjuntos de
modelos Artificiais de Neurnios Paraconsistentes
utilizados no treinamento ou aprendizado de padres.
Nesse trabalho ela revisada e os elementos de
processamentos, entradas e sadas da rede so descritos.
Os resultados apresentados so oriundos de uma rede
neural paraconsistente implementada para detectar fraudes
em um banco de dados disponvel. Esses resultados
mostram a viabilidade da usabilidade e aplicabilidade do
raciocnio paraconsistente em tomada de deciso.
1 Introduo
Segundo o dicionrio Aurlio "fraude: o abuso de
confiana", para ampliar essa definio o termo Engenharia
Social [2] utilizado para descrever um mtodo de ataque,
onde algum faz uso da persuaso, muitas vezes abusando
da ingenuidade ou confiana do usurio, para obter
informaes que podem ser utilizados para ter acesso no
autorizado a computadores ou informaes. No que se
refere _internet_, o Comrcio Eletrnico e o internet
banking, os ataques envolvem vrias tcnicas inclusive as
de engenharia social, algumas destas abordagens so
descritas nas seguintes situaes:
1-) O usurio pode ser persuadido a acessar um endereo
(stio) de Comrcio Eletrnico ou de _internet banking_,
atravs de um _link_ contido em uma mensagem
eletrnica (e-mail) ou pgina de terceiros. Este _link_
pode direcionar o usurio para uma pgina falsificada,
semelhante ao stio que o usurio realmente deseja acessar.
Assim, o atacante pode monitorar as aes do usurio e
obter os dados relevantes para a fraude.
2-) O usurio recebe e-mails que contm pginas
_web_ com aparncia semelhante aos das pginas de
vrios bancos, inclusive ao que o usurio possui conta. Com

falsas informaes sobre promoes de produtos ou novos

cadastros, o usurio persuadido a digitar seus dados que
so remetidos para endereos eletrnicos diferentes do
desejado.
3-) O usurio recebe um e-mail, cujo remetente pode ser
um suposto gerente, funcionrio, ou at uma pessoa
conhecida, sendo que esse e-mail tem um programa
anexado. Com o propsito de obter o acesso mais rpido a
um stio de Comrcio Eletrnico ou _internet banking_,
esse programa conhecido como cavalo de tria, tem o
objetivo de monitorar as aes do usurio emitindo os
dados pessoais referentes aos nmeros de cartes de
crdito, senhas e contas do usurio. E isso pode ser feito
atravs da digitao, onde o programa envia as teclas
digitadas na entrada dos stios que geralmente o ambiente
de autenticao do usurio; a posio do cursor na tela, pois
muitos stios de _internet banking_ utilizam do teclado
virtual para impedir a fraude.
4-) O seqestro relmpago ou a clonagem de cartes,
embora no sendo termos da engenharia social, definem
outro tipo de crime, onde o princpio a inteno de fraudar
a conta do cliente.
As respostas dos stios mediante s ameaas descritas que
comprometem segurana do Comrcio Eletrnico e
_internet banking_ so dadas atravs de informaes
contra fraudes em meios de comunicaes ou nos prprios
stios, incluindo alguns dispositivos para entradas de
informaes do usurio (endereo, frases, uma carteira de
nmeros de posse do usurio que so exigidos a cada
acesso), como citado o teclado virtual e softwares que
podem descobrir os perfis do cliente aps a execuo da
fraude e uma reclamao do cliente. Esses softwares so
executados, se as transaes efetivadas estiverem fora do
perfil do cliente, comprova-se a fraude, e da, pode-se haver
o ressarcimento dos valores fraudados.
Acredita-se que seja possvel implementar tecnologias
para comparar os dados em tempo real do cliente com os
dados gerados na formao do perfil em um determinado

intervalo de tempo, desde que no haja um

comprometimento nos custos existentes de acesso ao stio
do usurio. Esses sistemas podem ser desenvolvidos
utilizando diferentes tcnicas de identificao de padres.
Neste trabalho descrito o desenvolvimento de um
modelo de sistema baseado em Redes Neurais Artificiais
Paraconsistentes [5]. Para durante uma transao via
_internet_, realizar uma verificao dos dados do cliente
em tempo real, permitindo a comparao com os dados a
partir do perfil gerado de seu histrico, minerados em um
determinado intervalo de tempo configurado pelo usurio
do aplicativo.
Os resultados encontrados (seo, 5)
demonstram a eficincia das redes neurais artificiais
paraconsistentes na identificao de possveis fraudes
conta de clientes em uma determinada transao via stio do
usurio.
Portanto, um aplicativo desenvolvido com tal tcnica pode
se antecipar descoberta de uma possvel tentativa de
fraude, atravs da descoberta e reconhecimento de padres
do perfil do cliente, auxiliando nos processos de tomada de
deciso.

2 Lgica Paraconsistente
Seja T uma teoria fundada sobre uma lgica L. Suponhase que a linguagem de T e de L contenha um smbolo para a
negao . Se houver mais de uma negao, uma delas deve
ser escolhida, pelas suas caractersticas lgico formais. A
teoria T inconsistente se possuir teoremas contraditrios,
isto , um a negao do outro, caso contrrio, T
consistente. A teoria T trivial se todas as frmulas da
lgica L ou todas as frmulas fechadas de L forem
teoremas de T; caso contrrio, T no-trivial.
Analogamente, a mesma definio aplica-se a sistemas de
proposies, conjunto de informaes, etc. (levando-se em
conta, naturalmente, o conjunto de suas conseqncias). Na
lgica clssica e em muitas categorias de lgica, a
consistncia desempenha papel importante. Com efeito, em
alguns sistemas lgicos usuais, uma teoria T trivial, ento
T ser inconsistente reciprocamente, em outras palavras,
lgica como essas no separam os conceitos de
inconsistncias e de trivialidade. Uma lgica L chama-se
Paraconsistente se puder servir de base para teorias
inconsistentes, mas no-triviais, ou como diz, uma lgica
paraconsistente tem a capacidade de manipular sistemas
inconsistentes de informes sem torna-se trivial.
Uma das interpretaes vlidas da lgica paraconsistente
tem-se nas seguintes frmulas lgicas e modelos
matemticos descritos como:
Seja um conjunto de valores discretos, = < ||, > um
reticulado finito, onde, || = [0,1] x [0,1] e {((1, 1), (2,
2)) ([0,1] x [0,1]) | 1 2 e 1 2 };
sendo que a ordem usual dos nmeros |R.

Seja P, o conjunto dos smbolos proposicionais, P =

{}, onde grau descrena e grau de crena, tendo
F um conjunto de frmulas F {A
(B
A), A&B
A,
A&B
B ...} da lgica L. Uma interpretao I para
lgica paraconsistente [4] uma funo I:P
| |. Pode-se
atribuir uma valorao V, dada a VI:F
{0,1} assim
definida:
Se P e ||, ento:
1. VI() = 1
I() ;
2. VI() = 0
no o caso que I() ;
Pela condio acima nota-se que VI() = 1 se e somente
se I() > , ou seja, verdadeira, segundo a valorao
da interpretao que dada a , for maior ou igual ao
com respeito proposio ela falsa [5].
Pode-se mostrar que h interpretaes I e as
proposies , tais que VI()=1 e VI()=1, ou seja,
tem-se contradies verdadeiras nesta lgica. Sendo a
valorao da interpretao de (1, 2), onde (2, 1) e
~ (2, 1). Assim, de forma intuitiva, se considerar
proposies do tipo (0,5;0,5). A sua negao (0,5; 0,5)
equivale a ~(0,5; 0,5) que tambm (0,5; 0,5). Ora, se
(0,5; 0,5) for verdadeira, ento claro que sua negao
tambm verdadeira. Se ela falsa, sua negao tambm
falsa.
Uma representao mais intuitiva relacionada ao contexto
desse trabalho, se verifica com os seguintes exemplos:
 Verdade (1,0;0,0)
O cliente efetivou a transao desejada, com grau de crena
total e descrena nula.
Conclui-se: O cliente consegue efetivar a transao com
sucesso.
 Falsidade (0,0;1,0)
O cliente efetivou a transao desejada, com grau
de
crena nulo e grau de descrena total.
Conclui-se: Por um motivo qualquer o cliente no
conseguiu efetivar a transao. Problemas no acesso ao
sistema do usurio, senha errada, erro na leitura do
carto, entre outros.
 Inconsistncia (1,0;1,0)
O cliente efetivou a transao desejada, com grau de crena
total e descrena total.
Conclui-se: Houve a tentativa de efetivao da transao
com valores contraditrios ao perfil do cliente.
 Indeterminao (0,0;0,0)
O cliente efetivou a transao desejada, com grau de crena
nulo e descrena nulo.
Conclui-se: No se sabe, se houve a efetivao da
transao, pois a LP no identificou o valor com o perfil
do cliente, por motivo de excesso de informao que so:
valores idnticos ao perfil do cliente ou falta de

informao, que so os valores totalmente fora do perfil do

cliente.

3 Redes

Neurais

Artificiais

Paraconsistentes
As arquiteturas conexionistas [6] so direcionadas para
aprimorar fatores relevantes nos estudos das Redes Neurais
das caractersticas que diferem o crebro do computador.
Por exemplo, o crebro funciona com neurnios que, apesar
de lentos quando comparados aos dispositivos digitais dos
computadores, executam tarefas extremamente complexas,
tais como: anlise de processamento paralelo; interpretao
de uma cena visual; compreenso de uma frase; ou a
interpretao de um som relacionado a uma imagem visual.
Todas essas tarefas so executadas pelo crebro em um
tempo muito curto.
O modelo de Rede Neural Artificial Paraconsistente
(RNAP)[5] tem a finalidade de possibilitar a construo de
unidades artificiais utilizando modelos mais prximos dos
neurnios biolgicos, efetivando assim a anlise e
resultados semelhantes aos efetuados pelo crebro humano.
As Redes Neurais [9] com a lgica fuzzy [8], utilizam
conjuntos de pesos de valores diversos que multiplicam as
entradas recebidas.
Uma RNAP utiliza a Equao Estrutural Bsica (EEB),
descrita como:
Grau _ crena Grau _ descrena + 1
Grau _ result =
2
Essa equao computa os sinais dos graus de evidncias
valorados no intervalo fechado de nmeros reais [0,1]. Os
cdigos so transmitidos por valores equacionados pela
EEB atravs de clulas (mtodos) implementadas e
descritas com a Lgica Paraconsistente.
Quando o valor do grau de crena 1 considera-se uma
confirmao da proposio ou do padro aplicado na
entrada; se o grau de crena 0 (zero) considera-se uma
negao lgica da proposio ou do padro aplicado na
entrada, ou se o grau de crena (meio) considera-se
uma indefinio lgica da proposio ou do padro
aplicado na entrada.
As equaes da RNAP so muito simples porque as
Clulas Neurais Artificiais Paraconsistentes (CNAPs), que
so os fundamentos lgicos da rede paraconsistente,
utilizam a EEB para equacionar os sinais e, a partir do
resultado obtido, tomam decises e as transmitem em forma
de graus resultantes outras CNAPs. Utilizando-se de
clulas com estas caractersticas forma-se as Unidades
Neurais Artificiais Paraconsistentes (UNAPs), que so
consideradas como Para-Perceptrons simples quando
houver apenas uma Clula de Conexo Analtica
(CNAPCa)
e
uma
Clula
de
Aprendizagem,

Desaprendizagem e Memorizao (CNAPAdm). Por sua

vez, conjuntos de UNAPs formam Sistemas Neurais
Artificiais Paraconsistentes (SNAPs), onde estes conjuntos
formam uma RNAP.
sabido [5], que as conexes entre os objetos da rede
neural paraconsistente no obedecem a nenhuma hierarquia
definida, onde a aleatoriedade das interligaes desses
objetos podem surgir em qualquer instncia da RNAP.
A figura 3.1 descreve um neurnio artificial
paraconsistente anlogo a um neurnio biolgico
denominado como Para-Perceptrom Simples [5].
CNAP de Conexo Analtica

Neurnio Biolgico
gDc

gC

Sinapses
ftTC
CNAPCa

S2=Sct

ftTCt

Corpo Celular ou
Soma
gCr

CNAP de Aprendizagem

gC
C

ftA
CNAPAdm
ftDa

Sinapses

Neurnios com soma, ncleo, dendritos,

gCr

axnio e sinpses

Figura 3.1 Modelo de Para-Perceptrom simples anlogo a um

neurnio biolgico

As interligaes que recebem o nome de conexes

sinpticas entre os Para-Perceptrons, formam uma
complexa rede por onde trafegam sinais representativos de
proposies ou padres que aps as anlises
paraconsistentes, so convertidos em sinais resultantes, que
so as sadas resultantes desses objetos paraconsistentes que
podem representar os graus de evidncias favorveis ou
contrrias como resposta da RNAP. Os algoritmos 3.2 e 3.3
descrevem as clulas CNAPCa e CNAPAdm. Os clculos
representam as valorizaes das proposies lgicas (seo,
2) contidas nas frmulas da Lgica Paraconsistente.

3.1 Algoritmo
CNAPCa

representativo

da

Essa clula tem a funo de fazer a interligao entre as

clulas da RNAP, associando graus de crena conforme o
objetivo da anlise. O resultado dessa anlise um fator de
crena nico, obtido pela equao estrutural bsica, que
ser uma entrada para CNAPAdm.

1- gCr;

Entradas:
1-gC (grau de crena);
2-gDcCo (grau de descrena complementado);

4 Sistema de Anlise de Perfil

Entradas dos Fatores Externos:

1-ftTc (fator de tolerncia a certeza);
2-ftTCt (fator de tolerncia a contradio);
Clculos:
1- gDcCo = 1 gC;
2- Gc (grau de certeza) = gC - gDc;
3- Gct (grau de contradio) = gC + gDc 1;
4- EEB = (Gc + 1) /2 (equao estrutural bsica);
Sadas:
1-Se |Gc| > ftTc, ento gCr (grau de crena resultante) =
EEB e gCr = 0;
2-Se |Gct| > ftTCt e |Gct| > | Gc| ento gCr = EEB e
gCr = |Gct|;
3-Caso contrrio, gCr = 1/2 e gCr = 0;

3.2
Algoritmo
CNAPAdm

representativo

da

Essa clula tem a funo de aprender aps um

treinamento um padro utilizando o mtodo de anlise
paraconsistente aplicado atravs do algoritmo descrito
abaixo:
Entradas:
1-gC;
Entradas dos Fatores Externos:
1-ftA (fator de Aprendizagem);
2-ftDa (fator de Desaprendizagem);
Clculos:
1- Se ftA = 0 ento
2Se ftDa <> 0 ento
3gDcCo = 1 -gC
4gCr = (1 -gDcCo) - (gC -1/2)*ftDa
5Se (gCr = 1/2)
6Desaprendeu
7ftA = Valor nativo ftA
8Seno
9volta ao passo (6)
10fim-Se
11- fim-Se
10- Seno
11gDcCo = 1 -gC
12gCr = (1 -gDcCo) - (gCr -gC)*fta
13Se (gCr = gC)
14Aprendeu
15ftA = 0
16fim-Se
17- fim-Seno
18- fim-Se

O Sistema de Anlise de Perfil tem como objetivo

comprovar uma forma de analisar o perfil de um cliente, de
um histrico disponibilizado em uma base de dados SQL
Server, que possui informaes de vrios clientes num
intervalo de tempo determinado.
A Figura 4.1 mostra uma rede neural artificial
paraconsistente de reconhecimento de padro (RNAPRp).
O primeiro objeto da RNAP o Sistema Neural Artificial
Paraconsistente de Reconhecimento de Padro do Histrico
(SNAPRpHist), que possui algumas entradas como fatores
externos e uma entrada grau de crena (gCB), esses valores
so discretizados os graus de descrenas so
complementares ao de crena. Esses dados representados
numa matriz de valores reais no intervalo fechado [0,1],
utilizado para treinar a RNAPRp a aprender [7] e
memorizar os valores do perfil do cliente; O segundo
objeto define o Sistema Neural Artificial Paraconsistente de
Conexo Analtica (SNAPCa), treina-se a RNAP para
aprender os valores de entrada em tempo real, com o grau
de crena e utilizando o algoritmo do mtodo dos mnimos
quadrados [1] externo rede calcula o grau de descrena.
Juntamente com o valor do grau de crena do histrico do
perfil aprendido (gCB), so feitas as conexes analticas
que definem as ligaes sinpticas e o reconhecimento de
padro; O terceiro objeto define o Sistema Neural Artificial
Paraconsistente de Descoberta de Evidncias Favorveis e
Contrrias (SNAPDeEv), nesse sistema os valores de sadas
tratam de identificar a valorizao dos dados memorizados
e aprendidos na maximizao evidncia favorvel e
minimizao evidncia contrria.
As sadas do SNAPDeEv so as entradas para as Clulas
Neurais Artificiais Paraconsistentes Bsicas (CNAPb), essa
clula a base de todas as outras, pois utiliza o algoritmo
Para-Analisador [5]. Nesse trabalho utiliza-o numa
representao simplificada do reticulado de 12 regies da
lgica paraconsistente [4].
Os valores externos utilizados nas anlises do perfil do
cliente so configurados externamente rede. Esses valores
[0,1]
so
determinados
pelo
usurio,
onde
consequentemente suas alteraes alteram o comportamento
da RNAP. Pois esses valores definem uma faixa de
aceitao na anlise e tomada de deciso. Assim, a figura
4.1 tem-se: o ftTc, fator de tolerncia a certeza; o ftTCt,
fator de tolerncia a contradio; o ftCt, fator de
contradio; ftTd, fator de tolerncia a contradio; ftRp,
fator de reconhecimento de padro; o ftA, fator de
aprendizagem; ftDa, fator de desaprendizagem e ftM, fator
de memorizao, onde todos esses fatores so valorizados
num intervalo fechado [0,1] dos nmeros reais.

Sadas:
4

Figura 4.1 Modelo de Rede Neural Artificial Paraconsistente de Reconhecimento de Padres.

Objetos_Eventos

5 Resultados
Os dados utilizados na anlise so oriundos da
minerao de dados de uma base de dados SQL Server,
que se encontra no ambiente de desenvolvimento do
usurio do aplicativo. Essas informaes so fictcios, mas
foram elaborados com a lgica de uma exaustiva anlise de
dados reais.
O resultado dessa pesquisa foi a gerao de um arquivo
com algumas colunas (que formam tuplas) relevantes a
anlise do perfil do cliente explicitadas na tabela abaixo
em: Nmeros de Agncias, Contas, IPs, Transaes,
Horrios, Datas, Valores.
Ag

Conta

IP

Trs

Hora

Data

Valor

0262

457244

1234566789

1234

170412 0701

254.89

0262

457244

1234566789

1234

170607 0701

606.71

0262

457244

1234566789

1234

130806 0706

96.93

Tabela 5.1 Dados originais do ambiente de busca

Os dados da tabela 5.1 representam as caractersticas do
conjunto de informaes do perfil do cliente que sero
analisados pelo aplicativo. Mas, especificamente os dados
dessa tabela representam o perfil extrado de uma linha do
tempo com dimenso em um intervalo de 6 (seis) meses de
aes nas efetivaes das transaes de transferncias entre
contas de uma mesma instituio financeira.

SNAPRpHist

SNAPCa e

Total

SNAPDeEv

RNAP

CNAPs

6x7= 42

17x7= 119

162

UNAPs

1x7= 7

1x7=

14

Para-Perceptrons

1x7= 7

3x7= 21

28

Sinpticas

1x7= 7

7x7= 49

56

Tabela 5.2 RNAP

Dados de apenas um sinal de entrada

A tabela 5.2 descreve os objetos citados na formao da

RNAPRp. Os valores descritos acima, referem-se aos
objetos e eventos gerados na RNAP para um vetor de sete
colunas (tabela 5.1) e apenas um sinal de entrada.
Objetos_Eventos

SNAPRpHist

SNAPCa e
SNAPDeEv

Total
RNAP

CNAPs

10.654.140

30.186.730

40.840.870

UNAPs

1.775.690

1.775.690

3.551.380

Para-Perceptrons

1.775.690

53.270.070

55.045.760

Sinpticas

1.775.690

12.429.830

14.205.520

Tabela5.3 - Dados de todos os sinais de entrada RNAP

para uma populao de 253.670 registros
Os clculos utilizados na Tabela 5.3 definem a seguinte
equao:

Obj _ event = Quant_ obj _ RNAP* Quant_ R _ aprenHist

Onde, Obj_event significa Objetos e eventos;
5

Quant_obj_RNAP significa quantidade de objetos na

RNAP (resultado Tabela 1) e Quant_R_aprenHist
significa quantidade de registros aprendido no histrico.
Descrio

Dados Iniciais

Dados Finais

Linha do Tempo

180 (dias)

Padro
Horrio

08:49:53h

18:43:55h

Padro
Data (MMDD)

0701

1206

Padro
Valor

R$ 75,39

R$ 904,68

Qtde Trasao Tempo Real

Quantidade Colunas Perfil

Quantidade Colunas Analisadas

Tabela 5.4 Dados referentes aos intervalos de busca

A Tabela 5.4 descreve os dados de anlise do perfil do
cliente, demonstrando uma anlise macro dos intervalos de
acessos utilizados na formao do perfil desse cliente. A
coluna das Descrio representa o entendimento e a
intuio das informaes contidas na anlise do perfil. A
coluna Dados Iniciais representa o inicio da anlise de
acordo com sua descrio e a coluna dos Dados Finais
representa o fim da anlise, ou seja, os valores finais dos
intervalos de processamento das anlises. De forma
intuitiva cr-se que as duas ltimas colunas so os
intervalos descritos no ambiente de anlise.
Torna-se de extrema importncia a compreenso dessa
tabela, pois essa ir direcionar de forma coerente a
visualizao da eficincia da utilizao da RNAP na
anlise e descoberta da possvel fraude.
Descrio

Dados Iniciais

Dados Finais

Populao (transao)

283.534

283.534

Tempo Aprendizagem

0:00:00h

1:58:00h

Tempo Memorizao

1:58:00h

2:00:00h

Reconhecimento de Padro

2:00:00h

2:00:00h

Tempo total processo

0:00:00h

2:00:00h

Tabela5.5 - Dados referentes a performance do Sistema de

Anlise do Perfil
A tabela 5.5, descreve o custo de aprendizagem e
memorizao dos perfis do cliente minerados do histrico
do cliente, maior que o custo de reconhecimento dos
perfis na RNAP, que instantneo, menor que 1 segundo.
Assim, o SNAPHistRp deve ser executado num
momento de menor acesso ao sitio do usurio do
aplicativo.

6 Concluso

A utilizao da Lgica Paraconsistente como elemento e

instrumento dos fundamentos lgicos da Rede Neural
Artificial Paraconsistente, foi comprovada em sua
utilizao na averiguao de possveis fraudes com dados
simulados de um stio do _internet banking_.
Comprovou-se que o desempenho no quesito velocidade de
processamento utilizando a RNAP em ambiente com dados
discretizados, se demonstrou eficiente, se considerar
tratamentos em tempo real no reconhecimento de padres a
perfis de clientes em sistemas estocstico e determinstico
com uma aprendizagem rpida, pois possuem valores
baixos para o fator externo de tolerncia a certeza.
Pde-se observar que em ambientes onde a necessidade
de resposta no seja em tempo real, tem-se como a RNAP
atuar numa forma de aprendizagem mais lenta de acordo
com o valor de tolerncia a aprendizagem definido
externamente for mais prximo de um, aferindo assim, uma
melhor interpretao, aprendizagem e reconhecimento dos
padres. Portanto, conclusivo a possibilidade de haver
um baixo custo computacional na utilizao da RNAP
nesse segmento de mercado e pesquisa na descoberta e
anlise de perfis e tomada de deciso.

7 Referncias
[1] Da Fonseca, Jairo Simon, entre outros; Estatstica
Aplicada; 1995. So Paulo, SP, Editora Atlas, 1995, pgs
141-154.
[2] Documentos, Cartilha de Segurana para Internet. NIC
BR Security Office; http://www.nbso.nic.br/docs/cartilha/
[3] Prado, Joo Carlos Almeida. Redes Neurais Artificiais
Paraconsistentes e sua utilizao para reconhecimento de
padres; Tese de Mestrado, So Paulo, SP, 2002, USP.
[4] Da Costa, Newton C. A., Abe, Jair Minoro e outros.
Lgica Paraconsistente Aplicada; So Paulo, SP, Editora
Atlas, 1999, pgs 21-117.
[5] Da Silva Filho, Joo Incio, Abe, Jair Minoro.
Fundamentos
das
Redes
Neurais
Artificiais
Paraconsistentes. So Paulo, SP, Editora VillaPress, 2001,
pgs 85-223, 247-257.
[6] Fialho, Francisco; Cincias da Cognio; So paulo,
SP, Editora Insular, 2001.
[7] Russel, Stuart e Norvig, Peter; Inteligncia Artificial,
So Paulo, SP, Editora Campus, 2004, pgs 447-559.
[8] Rezende, Solange Oliveira; Sistemas Inteligentes
Fundamentos e Aplicaes; So Paulo, SP, Editora
Manole, 2003, pgs 89-224.
[9] Haykin, Simon; Redes Neurais Princpios e Prtica;
Porto Alegre, RS, Editora Bookman, 2002, pgs 75-273.