Caracterização e classificação de padrões de dados numéricos utilizando a Lógica Paraconsistente Anotada e o conceito da contradição

Resumo

Este trabalho descreve o desenvolvimento de um modelo matemático computacional que utiliza a Lógica Paraconsistente Anotada - LPA e um conceito derivado dela, o efeito da contradição, para identificar padrões em dados numéricos para fins de classificação de padrões. A LPA admite princípios lógicos paraconsistentes e paracompletos, que permitem a manipulação de dados inconsistentes e contraditórios, e sua utilização permitiu a identificação e quantização do atributo relacionado à contradição. Para validação do modelo, foram utilizadas séries de espectroscopias Raman obtidas após exposição de proteínas, lipídios e ácidos nucléicos, coletados de amostras de células de tecido cutâneo previamente examinadas para detecção de lesões cancerígenas, identificadas como: carcinoma basal, melanoma e normal. Inicialmente foram identificados e quantizados os atributos relacionados à contradição, derivada e mediana obtidos das espectroscopias. Um processo de aprendizado de máquina com aproximadamente 31,6% de cada tipo de amostras detecta uma sequência de espectroscopias capaz de caracterizar e classificar o tipo de lesão por meio dos atributos escolhidos. Aproximadamente 68,4% das amostras são utilizadas para os testes de classificação. O modelo proposto identificou um segmento de espectroscopias onde a classificação das amostras de teste teve uma taxa de acerto de 76,92%. Como diferencial e inovação deste trabalho destaca-se a utilização dos princípios da LPA em um processo completo de treinamento, aprendizado e classificação de padrões para conjuntos de dados numéricos, com flexibilidade para escolher os atributos utilizados para a caracterização de padrões, e uma quantidade de amostras de cerca de um terço do total necessário para a caracterização.