Aproximación de Funciones y Modelos Predictivos Basados en Redes Neuronales Artificiales
Las Redes Neuronales Artificiales (RNA), presentan características de procesamiento de información y cálculo que les otorgan ventajas sobre otros sistemas. En líneas generales, puede decirse que las RNA constituyen sistemas de computación paralelos, distribuidos y adaptativos. Una de las caracter...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Libro book acceptedVersion |
| Lenguaje: | Español |
| Publicado: |
EDUCO
2007
|
| Materias: | |
| Acceso en línea: | https://rdi.uncoma.edu.ar/handle/uncomaid/18819 |
| Aporte de: |
| Sumario: | Las Redes Neuronales Artificiales (RNA), presentan características de procesamiento de
información y cálculo que les otorgan ventajas sobre otros sistemas. En líneas generales, puede decirse
que las RNA constituyen sistemas de computación paralelos, distribuidos y adaptativos. Una de las
características distintivas de las RNA es su capacidad para aprender de ejemplos, los cuales pueden
provenir de modelos y datos históricos disponibles de un problema determinado.
En este trabajo, se examinan las principales configuraciones topológicas de las redes MLP,
Adaline, RBF y Elman, empleadas para aproximar funciones y analizar y predecir valores futuros.
Asimismo, se muestran algunas limitaciones que presentan estos modelos neuronales tradicionales y
cómo algunas de ellas pueden ser resueltas mediante modelos y algoritmos combinados, que requieren
mayor elaboración, pero que mejoran el rendimiento global de la red. |
|---|