Efecto de autocorrelación en el modelado de series temporales
La persistencia es una de las características más comunes de las series temporales correspondientes a fenómenos reales. En este trabajo se investiga el proceso de aprendizaje de dinámicas persistentes usando redes neuronales. Se muestra que para series temporales caóticas la red puede quedar atrapad...
Guardado en:
| Autores principales: | , , |
|---|---|
| Lenguaje: | Español |
| Publicado: |
1996
|
| Acceso en línea: | https://hdl.handle.net/20.500.12110/afa_v08_n01_p267 |
| Aporte de: |
| Sumario: | La persistencia es una de las características más comunes de las series temporales correspondientes a fenómenos reales. En este trabajo se investiga el proceso de aprendizaje de dinámicas persistentes usando redes neuronales. Se muestra que para series temporales caóticas la red puede quedar atrapada en un mínimo local de la función error durante largos períodos de aprendizaje, lo que está relacionado con la autocorrelación de la misma. Notablemente, en estos casos la transición hacia la fase en donde la red aprende la dinámica de la serie es bastante abrupta. En cambio, para el caso en que la dinámica persistente es ruidosa el proceso de entrenamiento es suave |
|---|