Predicción de Sistemas Dinámicos con Redes Neuronales Profundas

Existe una diversidad de series temporales que son objeto de estudio en múltiples disciplinas, por ejemplo en la meteorología, la geofísica, la biología, la medicina y la sociología. En esta Tesina se aborda el problema de predicción de series temporales caracterizadas por su naturaleza determinísti...

Descripción completa

Detalles Bibliográficos
Autor principal: Maino, Daniel  Gerardo
Otros Autores: Uzal, Lucas; Granitto, Pablo M.
Formato: bachelorThesis tesis de grado publishedVersion
Lenguaje:Español
Publicado: Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario 2014
Materias:
Aprendizaje Automatizado
Redes Neuronales Profundas
Predicción
Series Temporales
Sistemas Dinámicos
Acceso en línea:http://www.fceia.unr.edu.ar/lcc/t523/
http://hdl.handle.net/2133/3234
http://hdl.handle.net/2133/3234
Aporte de:
Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) de Universidad Nacional de Rosario
id I15-R121-2133-3234
record_format dspace
institution Universidad Nacional de Rosario
institution_str I-15
repository_str R-121
collection Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR)
language Español
orig_language_str_mv spa
topic Aprendizaje Automatizado
Redes Neuronales Profundas
Predicción
Series Temporales
Sistemas Dinámicos
spellingShingle Aprendizaje Automatizado
Redes Neuronales Profundas
Predicción
Series Temporales
Sistemas Dinámicos
Maino, Daniel  Gerardo
Predicción de Sistemas Dinámicos con Redes Neuronales Profundas
topic_facet Aprendizaje Automatizado
Redes Neuronales Profundas
Predicción
Series Temporales
Sistemas Dinámicos
description Existe una diversidad de series temporales que son objeto de estudio en múltiples disciplinas, por ejemplo en la meteorología, la geofísica, la biología, la medicina y la sociología. En esta Tesina se aborda el problema de predicción de series temporales caracterizadas por su naturaleza determinística no-lineal. Se presenta una técnica basada en redes neuronales profundas para la predicción de sistemas dinámicos a partir de una serie temporal. Se sabe que las arquitecturas profundas pueden ser mucho más eficientes a la hora de representar ciertas funciones. Por otro lado, recientemente se han publicado trabajos en los que se encuentra evidencia del beneficio en construir un modelo con salida-múltiple, de manera que este aprenda y preserve las dependencias entre los valores de la predicción. Se evalúa el rendimiento de arquitecturas profundas frente a las redes neuronales convencionales y a su vez el uso de salida-múltiple frente a las redes de salida-simple, en un modelo de predicción para múltiples horizontes. Los resultados muestran un mejor desempeño de las arquitecturas profundas sobre las series temporales consideradas.
author2 Uzal, Lucas; Granitto, Pablo M.
author_facet Uzal, Lucas; Granitto, Pablo M.
Maino, Daniel  Gerardo
format bachelorThesis
tesis de grado
publishedVersion
author Maino, Daniel  Gerardo
author_sort Maino, Daniel  Gerardo
title Predicción de Sistemas Dinámicos con Redes Neuronales Profundas
title_short Predicción de Sistemas Dinámicos con Redes Neuronales Profundas
title_full Predicción de Sistemas Dinámicos con Redes Neuronales Profundas
title_fullStr Predicción de Sistemas Dinámicos con Redes Neuronales Profundas
title_full_unstemmed Predicción de Sistemas Dinámicos con Redes Neuronales Profundas
title_sort predicción de sistemas dinámicos con redes neuronales profundas
publisher Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario
publishDate 2014
url http://www.fceia.unr.edu.ar/lcc/t523/
http://hdl.handle.net/2133/3234
http://hdl.handle.net/2133/3234
work_keys_str_mv AT mainodanielgerardo predicciondesistemasdinamicosconredesneuronalesprofundas
bdutipo_str Repositorios
_version_ 1764820413798416384

Ejemplares similares