Author: Publisher:
ISBN:
Category :
Languages : es
Pages : 170
Book Description
Predicción de series temporales mediante redes neuronales artificiales
Author: Predicción de series temporales con redes neuronales de funciones radiales y técnicas de descomposición matricial
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.
ANÁLISIS DE SERIES TEMPORALES MEDIANTE REDES NEURONALES. EJEMPLOS CON MATLAB
Author: CESAR PEREZ LOPEZPublisher: 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.
Predicción de series temporales financieras mediante redes neuronales
Author: Detección de caos en series temporales de contaminación
Author: Gimmy Nardo Sanjines TudelaPublisher:
ISBN:
Category :
Languages : es
Pages : 0
Book Description
Las Redes Neuronales Artificiales
Author: Raquel Flórez LópezPublisher: 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.
Predicción sobre series temporales no-lineales con redes neuronales y modelos ARIMA
Author: Alejandro Rabasa DoladoPublisher:
ISBN:
Category :
Languages : es
Pages : 16
Book Description
Técnicas de predicción con aplicaciones en Ingeniería
Author: Manuel R. ArahalPublisher: Universidad de Sevilla
ISBN: 9788447210602
Category : Technology & Engineering
Languages : es
Pages : 344
Book Description
Presenta técnicas de predicción con algoritmos originales desarrollados y aplicados, así como diversos ejemplos de aplicación extraídos de proyectos reales. Contiene una serie de aplicaciones de estas técnicas a diversos campos de la ingeniería: agrícola, industrial, organización y de control.
Redes Neuronales A Travs De Ejemplos. Aplicaciones Con Matlab
Author: Cesar Perez LopezPublisher: Createspace Independent Publishing Platform
ISBN: 9781978319974
Category :
Languages : es
Pages : 158
Book Description
Podemos definir una red neuronal como un conjunto de elementos de procesamiento de la informaci�n altamente interconectados, que son capaces de aprender con la informaci�n que se les alimenta. La principal caracter�stica de esta nueva tecnolog�a de redes neuronales es que puede aplicarse a gran n�mero de problemas que pueden ir desde problemas complejos reales a modelos te�ricos sofisticados como por ejemplo reconocimiento de im�genes, reconocimiento de voz, an�lisis y filtrado de se�ales, clasificaci�n, discriminaci�n, an�lisis financiero, predicci�n din�mica, etc. Las redes neuronales tratan de emular el sistema nervioso, de forma que son capaces de reproducir algunas de las principales tareas que desarrolla el cerebro humano, al reflejar las caracter�sticas fundamentales de comportamiento del mismo. Lo que realmente intentan modelizar las redes neuronales es una de las estructuras fisiol�gicas de soporte del cerebro, la neurona y los grupos estructurados e interconectados de varias de ellas, conocidos como redes de neuronas. De este modo, construyen sistemas que presentan un cierto grado de inteligencia. No obstante, debemos insistir en el hecho de que los sistemas neuronales artificiales, como cualquier otra herramienta construida por el hombre, tienen limitaciones y s�lo poseen un parecido superficial con sus contrapartidas biol�gicas. Las redes neuronales, en relaci�n con el procesamiento de informaci�n, heredan tres caracter�sticas b�sicas de las redes de neuronas biol�gicas: paralelismo masivo, respuesta no lineal de las neuronas frente a las entradas recibidas y procesamiento de informaci�n a trav�s de m�ltiples capas de neuronas.Una de las principales propiedades de estos modelos es su capacidad de aprender y generalizar a partir de ejemplos reales. Es decir, la red aprende a reconocer la relaci�n (que no deja de ser equivalente a estimar una dependencia funcional) que existe entre el conjunto de entradas proporcionadas como ejemplos y sus correspondientes salidas, de modo que, finalizado el aprendizaje, cuando a la red se le presenta una nueva entrada (aunque est� incompleta o posea alg�n error), en base a la relaci�n funcional establecida en el mismo, es capaz de generalizarla ofreciendo una salida. En consecuencia, podemos definir una red neuronal artificial como un sistema inteligente capaz, no s�lo de aprender, sino tambi�n de generalizar.En este libro se presentan ejemplos pr�cticos del trabajo con redes neuronales a trav�s de MATLAB. Se muestran aplicaciones sobre ajuste de modelos, reconocimiento de patrones, an�lisis cl�ster, predicci�n de series temporales, Big Data y redes neoronales, computaci�n paralela con redes nuronales y otros ejemplos similares
Applied Computer Sciences in Engineering
Author: Juan Carlos Figueroa-GarcíaPublisher: Springer Nature
ISBN: 3031206118
Category : Computers
Languages : en
Pages : 495
Book Description
This book constitutes the proceedings of the 9th Workshop on Engineering Applications on Applied Computer Sciences in Engineering, WEA 2022, which took place in Bogotá, Colombia, in November/December 2022. The 39 papers presented in this volume were carefully reviewed and selected from 143 submissions. They were organized in topical sections as follows: Artificial Intelligence; Optimization; Simulation; and Applications.