Dados envolvendo séries temporais estão largamente presentes em nosso cotidiano, seja na forma de ondas de áudio, em sensores de instrumentos médicos, no movimento de pessoas e animais, ou em inúmeras outras. Considerando as diversas aplicações que podem ser desenvolvidas por meio desses, a classificação de séries temporais busca discriminar os padrões observados a partir de generalizações feitas sobre um conjunto finito de exemplos de treinamento. Este conjunto pode ter sido apresentado inteiramente durante uma fase prévia de desenvolvimento, ou obtido iterativamente no ambiente de execução, incrementando o conhecimento já existente. Inúmeras abordagens estão disponíveis na literatura para realizar esta tarefa e muitas vezes conseguem alcançar satisfatórias taxas de reconhecimento. Infelizmente, poucas conseguem se adequar a ambientes dinâmicos, onde novas amostras e classes são apresentadas a todo momento, e ainda conseguem manter características importantes, como operações de treinamento e classificação em tempo real.Neste trabalho é apresentada uma nova forma de classificação de séries temporais. A metodologia, baseada na rede neural sem peso WiSARD, alcança todos esses objetivos por meio de uma abordagem que identifica aleatoriamente as principais características dos sinais apresentados, ao mesmo tempo que não prejudica as características do modelo neural utilizado. Para avaliar a eficácia do modelo proposto, cinco outros modelos e cinco bases de dados envolvendo três tipos diferentes de dados foram utilizados. Ao final dos experimentos, os resultados do modelo proposto são também comparados com os melhores resultados encontrados na literatura, na qual o modelo proposto, além de apresentar todas as características desejadas, também apresenta muitos resultados equiparáveis.
.png)
.png)
