Entrenamiento supervisado de redes neuronales de impulsos

• Lucas, Sergio ^[1] ; Portillo, Eva ^[1] ; Zubizarreta, Asier ^[1] ; Cabanes, Itziar ^[1]
  1. [1] Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Leioa, España

     
• Localización: XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja) / coord. por Carlos Balaguer Bernaldo de Quirós, José Manuel Andújar Márquez, Ramón Costa Castelló, C. Ocampo-Martínez, Juan Jesús Fernández Lozano, Matilde Santos Peñas, José Simó, Montserrat Gil Martínez, José Luis Calvo Rolle, Raúl Marín, Eduardo Rocón de Lima, Elisabet Estévez Estévez, Pedro Jesús Cabrera Santana, David Muñoz de la Peña Sequedo, José Luis Guzmán Sánchez, José Luis Pitarch Pérez, Óscar Reinoso García, Óscar Déniz Suárez, Emilio Jiménez Macías, Vanesa Loureiro-Vázquez, 2022, ISBN 978-84-9749-841-8, págs. 216-223
• Idioma: español
• Títulos paralelos:
  • Supervised training for spiking neural network
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo se explora una nueva estrategia de entrenamiento supervisado con Redes Neuronales de Impulsos (Spiking Neural Network, SNN) para forecasting en series temporales. En la actualidad, la inmensa mayoría de los trabajos en SNN se centran principalmente en problemas de clasificación, muy especialmente de imágenes. En este sentido, el trabajo aquí presentado es uno de los primeros trabajos en aplicar SNN para forecasting de series temporales, siendo los resultados muy prometedores. Para validar la metodología se han empleado dos bases de datos: información bursátil de IBM, y señales EEG. Entre los resultados, se demuestra que el rendimiento de la SNN depende, como cabía esperar, de la dinámica de la señal o serie temporal a predecir.

  • English

    This article proposes a new supervised training strategy with Spiking Neural Networks (SNN) for time series forecasting. Currently, the vast majority of work on SNN is focused on classification tasks, especially image classification. In this sense, this paper is one of the first works to apply SNN for time series forecasting, whose results are very promising. Two benchmark datasets have been used to validate the methodology: IBM stock market information and EEG signals. Among the results, it is shown that the performance of SNN depends, as expected, on the dynamic of the signal or time series to be forecast.