Orientador: Fernando Antônio Campos GomideDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Sistemas evolutivos e processamento de dados de alta dimensão são de grande importância prática, atualmente sob intensa investigação. Esta dissertação introduz um neuro classificador evolutivo, avalia seu desempenho usando dados de alta dimensão e compara seu desempenho com classificadores evolutivos e clássicos representativos do estado da arte na área. O neuro classificador processa fluxos de dados continuamente e determina a estrutura de uma rede neural artificial e seus respectivos pesos sinápticos. Os resultados de simulação sugerem que o algoritmo proposto é competitivo quando comparado com os modelos evolutivos analisados nesta dissertação. Ele supera, em termos de taxa de classificação, todos os modelos na maioria dos conjuntos de dados considerados. Ainda, o neuro classificador requer um menor tempo de processamento por amostra entre os classificadores evolutivos e os clássicos não evolutivosAbstract: Evolving systems and high dimensional stream data processing algorithms are of enormous practical importance, and currently are under intensive investigation. This dissertation in- troduces an evolving neural classifying approach, evaluates its performance using high dimensional data, and compare its performance with evolving and classic classifier algorithms representative of the state of the art. The evolving neural classifier works in one-pass mode to find the neural network structure and its weights using high dimensional stream data. The results achieved by the proposed approach suggests that it is competitive with the evolving models addressed in this dissertation. It outperforms in classification rate all of them in most of the datasets considered. Also, the approach requires the lowest per sample processing time amongst the evolving and classic batch classifiersMestradoAutomaçãoMestre em Engenharia Elétrica156374/2014-5CNPQ