ANÁLISIS DE SERIES TEMPORALES MEDIANTE REDES NEURONALES. EJEMPLOS CON MATLAB PDF Download
Are you looking for read ebook online? Search for your book and save it on your Kindle device, PC, phones or tablets. Download ANÁLISIS DE SERIES TEMPORALES MEDIANTE REDES NEURONALES. EJEMPLOS CON MATLAB PDF full book. Access full book title ANÁLISIS DE SERIES TEMPORALES MEDIANTE REDES NEURONALES. EJEMPLOS CON MATLAB by CESAR PEREZ LOPEZ. Download full books in PDF and EPUB format.
Author: CESAR PEREZ LOPEZ Publisher: CESAR PEREZ ISBN: Category : Mathematics Languages : es Pages : 307
Book Description
MATLAB cuenta con la herramienta Deep Learning Toolbox que proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar clasificación, regresión, agrupamiento, reducción de dimensionalidad, pronóstico de series temporales y modelado y control de sistemas dinámicos. Las redes neuronales dinámicas son adecuadas para la predicción de series temporales. Puede utilizar la app Neural Net Time Series para resolver diferentes tipos de problemas de series temporales. Generalmente es mejor comenzar con la GUI y luego usarla para generar automáticamente scripts de línea de comandos. Antes de utilizar cualquiera de los métodos, el primer paso es definir el problema seleccionando un conjunto de datos. Cada GUI tiene acceso a muchos conjuntos de datos de muestra que puede utilizar para experimentar con la caja de herramientas. Si tiene un problema específico que desea resolver, puede cargar sus propios datos en el espacio de trabajo. Con MATLAB es posible resolver tres tipos diferentes de problemas de series temporales. En el primer tipo de problema de series de tiempo, se busca predecir valores futuros de una serie de tiempo y(t) a partir de valores pasados de esa serie de tiempo y valores pasados de una segunda serie de tiempo x(t). Esta forma de predicción se denomina red autorregresiva no lineal con entrada exógena (externa), o NARX. En el segundo tipo de problema de series temporales, sólo hay una serie involucrada. Los valores futuros de una serie temporal y(t) se predicen sólo a partir de valores pasados de esa serie. Esta forma de predicción se llama autorregresiva no lineal o NAR. El tercer problema de series de tiempo es similar al primer tipo, en el sentido de que están involucradas dos series, una serie de entrada (predictores) x(t) y una serie de salida (respuestas) y(t). Este libro desarrolla los métodos de predicción con series temporales a través de redes neuronales con MATLAB.
Author: CESAR PEREZ LOPEZ Publisher: CESAR PEREZ ISBN: Category : Mathematics Languages : es Pages : 307
Book Description
MATLAB cuenta con la herramienta Deep Learning Toolbox que proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar clasificación, regresión, agrupamiento, reducción de dimensionalidad, pronóstico de series temporales y modelado y control de sistemas dinámicos. Las redes neuronales dinámicas son adecuadas para la predicción de series temporales. Puede utilizar la app Neural Net Time Series para resolver diferentes tipos de problemas de series temporales. Generalmente es mejor comenzar con la GUI y luego usarla para generar automáticamente scripts de línea de comandos. Antes de utilizar cualquiera de los métodos, el primer paso es definir el problema seleccionando un conjunto de datos. Cada GUI tiene acceso a muchos conjuntos de datos de muestra que puede utilizar para experimentar con la caja de herramientas. Si tiene un problema específico que desea resolver, puede cargar sus propios datos en el espacio de trabajo. Con MATLAB es posible resolver tres tipos diferentes de problemas de series temporales. En el primer tipo de problema de series de tiempo, se busca predecir valores futuros de una serie de tiempo y(t) a partir de valores pasados de esa serie de tiempo y valores pasados de una segunda serie de tiempo x(t). Esta forma de predicción se denomina red autorregresiva no lineal con entrada exógena (externa), o NARX. En el segundo tipo de problema de series temporales, sólo hay una serie involucrada. Los valores futuros de una serie temporal y(t) se predicen sólo a partir de valores pasados de esa serie. Esta forma de predicción se llama autorregresiva no lineal o NAR. El tercer problema de series de tiempo es similar al primer tipo, en el sentido de que están involucradas dos series, una serie de entrada (predictores) x(t) y una serie de salida (respuestas) y(t). Este libro desarrolla los métodos de predicción con series temporales a través de redes neuronales con MATLAB.
Author: Publisher: ISBN: Category : Languages : es Pages : 197
Book Description
En esta Tesis Doctoral se investiga el rendimiento de algoritmos para Redes Neuronales Artificiales (RNAs) en el contexto de aplicaciones relacionadas con la predicción de series temporales complicadas. Se postula un modelo basado en RBFs (Radial Basis Functions, Redes de Funciones Radiales) y en la descomposición ortogonal de matrices de datos formadas a partir de valores endógenos de series temporales,y se demuestra la capacidad del mismo para conseguir predicicones más precisas, con lo cual se puede ayudar a la mejora de acciones de control o de toma de decisiones en entornos industriales, sociales y económicos. El modelo descrito se denota por "NAPA-PRED" (Neural model with Automatic Parameer Adjustement for PREDiction; o Modelo Neuronal con Ajuste Automático de Parámetros para Predicción). Este modelo es capaz de determinar el número óptimo, así como la configuración o disposición temporal, de los retardos en los nodos de entrada.También es capaz de determinar el núemro óptimo (a efectos prácticos) de nodos o neuronas (RBFs) en la red neuronal artificial. También, se consigue una mejora adicional mediante la hibridación de este modelo con otras técnicas como el Análisis de Componentes Principales (PCA) para controlar el efecto de datos exógenos (externos a la serie), o la metodología estadística ARIMA para modelar y reducir el error de aproximación neuronal. Adicionalmente, se describe una nueva forma de paralelizar el esquema de descomposición matricial empleado, en lo que concierne a la transformación QR-cp, lo cual conduce a una ganancia de velocidad muy aceptable cuando se implementa el procedimiento sobre plataformas de cómputo relativamente asequible, como "clusters" de computadores personales. Las aplicaciones que se describen en las seccioens experimentales incluyen la predicicóna largo plazo de series temporales de comportamiento caótico, la mejora en la predicción del consumo en una red de distribución de aguas, o la predicción bursátil con datos de algunas compañías bancarias españolas.
Author: Raquel Flórez López Publisher: Netbiblo ISBN: 9788497452465 Category : Social Science Languages : es Pages : 156
Book Description
Los modelos de procesamiento inspirados en la naturaleza permiten tratar con información masiva, redundante e imprecisa, superando muchas limitaciones de las técnicas estadísticas tradicionales. Entre estos modelos destacan las redes neuronales artificiales, que emulan algunas de las características del cerebro y aprenden a resolver problemas a partir de ejemplos, lo que evita formalizar el conocimiento y facilita la resolución de problemas complejos, como la segmentación de clientes, el diagnóstico de insolvencias o la predicción de series temporales. Este libro introduce al lector en el estudio de los modelos de redes neuronales artificiales más exitosos. El análisis de su arquitectura, estimación, interpretación y evaluación constituye una aportación de particular utilidad para los investigadores y profesionales que deseen implementar en la práctica sus propias redes. El texto incluye, además, una aplicación real de diversos modelos neuronales y su comparación con técnicas estadísticas, que permite comprender la utilidad de este enfoque y sus aplicaciones prácticas.
Author: Maria Perez Marques Publisher: CreateSpace ISBN: 9781493787913 Category : Computers Languages : en Pages : 144
Book Description
Podemos definir una red neuronal como un conjunto de elementos de procesamiento de la información altamente interconectados, que son capaces de aprender con la información que se les proporciona. Las redes neuronales pueden aplicarse a gran número de problemas que pueden ir desde problemas complejos reales a modelos teóricos sofisticados como por ejemplo reconocimiento de imágenes, reconocimiento de voz, análisis y filtrado de señales, clasificación, discriminación, análisis financiero, predicción dinámica, etc. Este libro profundiza en los siguientes temas:Descripción de una red neuronal Función de salida y funciones de transferencia o activación Redes neuronales y ajuste de modelos de regresión Aprendizaje en las redes neuronales Funcionamiento de una red neuronal El algoritmo de aprendizaje retropropagación (back-propagation) Análisis discriminante a través del perceptrón Análisis de series temporales mediante redes neuronales Análisis de componentes principales con redes neuronales Clustering mediante redes neuronales Entornos de trabajo de SAS Enterprise Miner y SPSS Clementine (IBM SPSS Modeler)Redes neuronales con IBM SPSS ModelerRedes neuronales con SAS Enterprise MinerValoración de modelos de redes Comparación de modelos de redes con otros modelos
Author: CESAR PEREZ LOPEZ
Author: Germán Díaz Arias
Author: CESAR PEREZ LOPEZ
Author: 
Author: José Ignacio Santos Martín
Author: 
Author: Raquel Flórez López
Author: Alejandro Rabasa Dolado
Author: 
Author: Maria Perez Marques
Author: María Carolina Pantoja Rojas