Spelling suggestions: "subject:"modelagem dde tráfego"" "subject:"modelagem dde trafego""
1 |
Redes neurais dinÃmicas para prediÃÃo e modelagem nÃo-linear de sÃries temporais / Dynamic neural networks for nonlinear tools for time series prediction and modelingJosà Maria Pires de Menezes JÃnior 14 July 2006 (has links)
Neste trabalho, redes neurais dinÃmicas sÃo avaliadas como modelos nÃo-lineares eficientes para prediÃÃo de sÃries temporais complexas. Entre as arquiteturas avaliadas estÃo as redes FTDNN, Elman e NARX. A capacidade preditiva destas redes sÃo testadas em tarefas de prediÃÃo de um-passo-adiante e mÃltiplos-passos-adiante. Para este fim, sÃo usadas as seguintes sÃries temporais: sÃrie laser caÃtico, sÃrie caÃtica Mackey-Glass, alÃm de sÃries de trÃfego de rede de computadores com caracterÃsticas auto-similares. O uso da rede NARX em prediÃÃo de sÃries temporais à uma contribuiÃÃo desta dissertaÃÃo. Esta rede possui uma arquitetura neural recorrente usada originalmente para identificaÃÃo entrada-saÃda de sistemas nÃo-lineares. A entrada da rede NARX à formada por duas janelas deslizantes (sliding time window), uma que desliza sobre o sinal de entrada e outra que desliza sobre sinal de saÃda. Quando aplicada para prediÃÃo caÃtica de sÃries temporais, a rede NARX à projetada geralmente como um modelo autoregressivo nÃolinear (NAR), eliminando a janela de atraso da saÃda. Neste trabalho, à proposta uma estratÃgia simples, porÃm eficiente, para permitir que a rede NARX explore inteiramente as janelas de tempo da entrada e da saÃda, a fim de melhorar sua capacidade preditiva. Os resultados obtidos mostram que a abordagem proposta tem desempenho superior ao desempenho apresentado por preditores baseados nas redes FTDNN e Elman.
|
Page generated in 0.2861 seconds