Predicción de series temporales con redes neuronales de funciones radiales y técnicas de descomposición matricial

• Autores: Moisés Salmerón Campos
• Directores de la Tesis: Julio Ortega Lopera (dir. tes.), Carlos García Puntonet (dir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2001
• Idioma: español
• Tribunal Calificador de la Tesis: Francisco José Pelayo Valle (presid.), María Carmen Carrión Pérez (secret.), María Reyneri Leonardo (voc.), Gonzalo Joya Caparrós (voc.), Consolación Gil Montoya (voc.)
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
    • Análisis numérico
      • Matrices
    • Estadística
      • Series temporales
  • Ciencias tecnológicas
    • Tecnología de los ordenadores
      • Arquitectura de ordenadores
• Texto completo no disponible (Saber más ...)
• Resumen

  • 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