---

Nesta trabalho aborda-se o problema de predi‡Æo recursiva de séries temporais univariadas, também chamado de predi‡Æo de longo prazo, usando redes neurais recorrentes. Este tipo de problema surge, com frequência, em tarefas de modelagem e predi‡Æo de sistemas dinâmicos nÆo-lineares, principalmente os que produzem sinais de natureza caótica, em que se observa a presen‡a de dependência temporal (memória) de longa dura‡Æo. Isto posto, para tratar o problema de predi‡Æo recursiva, extensäes do modelo neural NARX (Nonlinear AutoRegressive model with eXogenous inputs) sÆo propostas nesta tese. Estas extensäes resultam da tentativa de incorporar à rede NARX diferentes estratégias de modelagem da informa‡Æo temporal, tanto de curto quanto de longo prazo. Dentre estas estratégias, destacam-se: (i) predi‡Æo (simultânea) de vários passos à frente, também chamada de predi‡Æo MIMO (multiinput, multi-output model), (ii) predi‡Æo via proje‡äes aleatórias dinâmicas, tal como na rede ESN (echo state network), (iii) predi‡Æo via proje‡äes aleatórias estáticas, tal como na rede ELM (extreme learning machine), e (iv) predi‡Æo via modelos recorrentes híbridos baseados nas redes NARX e ELMAN.

---

Possui gradua‡Æo em Engenharia Elétrica pela Universidade Federal do Ceará (2003), mestrado e doutorado em Engenharia de Teleinformática pela Universidade Federal do Ceará (2006 e 2012). Atualmente é professor adjunto do curso de gradua‡Æo e do programa de pós-gradua‡Æo em Engenharia Elétrica da Universidade Federal do Piauí.

---