Spelling suggestions: "subject:"serie dde tiempo"" "subject:"serie dee tiempo""
1 |
Mapas Temporales Mediante Redes Neuronales Auto-OrganizativasHernández Cárcamo, Rodrigo Enrico January 2008 (has links)
En problemas del mundo real la información posee frecuentemente fuertes dependencias
temporales y una sola muestra no es suficientemente explicativa para captar la dinámica
subyacente. Las redes neuronales han demostrado una alta efectividad tanto en problemas
lineales como no- lineales. El modelo Merge Neural Gas (MNG) es un poderosos
algoritmo no supervisado para el procesamiento de secuencias temporales, su estabilidad
y convergencia lo hacen una herramienta atractiva y simple. Las memorias Gamma
constituyen un poderoso filtro que posee la eficiencia de los filtros de Respuesta Infinita
al Impulso (IIR), la estabilidad y fácil entrenamiento como los filtros de Respuesta Finita
al Impulso (FIR). Su principal característica reside en poder controlar la profundidad de la
memoria y la resolución del filtrado.
El presente trabajo propone un nuevo modelo de contextos que puede ser combinado
con distintos esquemas de cuantización estáticos como mapas auto-organizativos o Gas
Neuronal, cuyas reglas de entrenamiento se deriva de la minimización de un funcional
de cuantización temporal, permitiendo así el procesamiento de secuencias temporales. El
modelo de contextos se basa en memorias Gamma, las cuales además de capturar la
dinámica de la serie entregan al algoritmo propiedades fundamentales de los filtros IIR y
FIR. Puesto que las memorias Gamma se construyen recursivamente, el modelo propuesto
puede controlar la memoria temporal ajustando la cantidad de contextos utilizados. Para
cuantificar la calidad de la cuantización temporal se utilizó el Error de cuantización Temporal
(TQE) y mediante el uso de planos de recurrencia se evaluó la capacidad del algoritmo para
reconstruir una aproximación del espacio de estado.
El nuevo modelo generaliza a MNG, haciendo de éste un caso particular del modelo
propuesto cuando sólo se utiliza un contexto. Esto no sólo permite reutilizar las propiedades
ya estudiadas para MNG, sino que le entrega un nuevo marco teórico. Diversas bases de
datos benchmark y de la vida real han sido utilizadas a fin de estudiar experimentalmente
las propiedades de Gamma NG. Distintos atractores caóticos permiten demostrar cómo el
aumento del número de contextos mejora la reconstrucción de espacio de estado realizado
por el modelo de contextos, justificándose así la una de las superioridades de Gamma NG
por sobre MNG. En el atractor de Lorenz la reconstrucción de espacio de estado arrojó
un error E=0,0138 para Gamma NG y E=0.0199 para MNG. En tareas de clasificación el
porcentaje de acierto fue de 92,45 % para Gamma NG y 89,81 % para MNG.
El modelo de contextos Gamma resulta ser una herramienta que puede ser combinada
con distintos esquemas convencionales de cuantización el cual mediante una simple regla
de recurrencia basada en memorias Gamma permite evitar el uso de ventanas de tiempo
mejorando el procesamiento de secuencias gracias a una mejor reconstrucción de espacio
de estado.
|
Page generated in 0.074 seconds