MENEZES JÚNIOR, J. M. P. Redes neurais dinâmicas para predição e modelagem não-linear de séries temporais. 2006. 116 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2006. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-04T16:59:05Z
No. of bitstreams: 1
2006_dis_jmpmenezesjúnior.pdf: 4137709 bytes, checksum: cdcbd51b8b430a0192d1be9541a4195b (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-06T14:35:37Z (GMT) No. of bitstreams: 1
2006_dis_jmpmenezesjúnior.pdf: 4137709 bytes, checksum: cdcbd51b8b430a0192d1be9541a4195b (MD5) / Made available in DSpace on 2016-04-06T14:35:37Z (GMT). No. of bitstreams: 1
2006_dis_jmpmenezesjúnior.pdf: 4137709 bytes, checksum: cdcbd51b8b430a0192d1be9541a4195b (MD5)
Previous issue date: 2006-07-14 / In this work, dynamic neural networks are evaluated as non-linear models for efficient prediction of complex time series. Among the evaluated architectures are the FTDNN networks, Elman and NARX. The predictive power of these networks are tested in prediction task a step ahead and multiple-steps-forward. To this end, the following time series are used: Series Laser chaotic Mackey-Glass chaotic series, and network traffic series of computers with self similar characteristics. The use of NARX network prediction time series is a contribution of this thesis. This network has a recurrent neural architecture originally used to identify input-output nonlinear systems. The input NARX network is formed by two sliding windows (sliding window time), one slipping over the other input signal and which slides on the output signal. When applied to chaotic time series prediction, the NARX network is usually designed as an autoregressive nonlinear model (NAR), eliminating the output delay window. In this paper, we propose a simple strategy, but effective to allow the network NARX fully explore the input time slots and output in order to improve its predictive ability. The results show that the proposed approach outperforms the performance presented by predictors based on FTDNN and Elman networks. / Neste trabalho, redes neurais dinâmicas são avaliadas como modelos não-lineares eficientes para predição de séries temporais complexas. Entre as arquiteturas avaliadas estão as redes FTDNN, Elman e NARX. A capacidade preditiva destas redes são testadas em tarefas de predição de um-passo-adiante e múltiplos-passos-adiante. Para este fim, são usadas as seguintes séries temporais: série laser caótico, série caótica Mackey-Glass, além de séries de tráfego de rede de computadores com características auto-similares. O uso da rede NARX em predição de séries temporais é uma contribuição desta dissertação. Esta rede possui uma arquitetura neural recorrente usada originalmente para identificação entrada-saída de sistemas não-lineares. A entrada da rede NARX é formada por duas janelas deslizantes (sliding time window), uma que desliza sobre o sinal de entrada e outra que desliza sobre sinal de saída. Quando aplicada para predição caótica de séries temporais, a rede NARX é projetada geralmente como um modelo autoregressivo nãolinear (NAR), eliminando a janela de atraso da saída. Neste trabalho, é proposta uma estratégia simples, porém eficiente, para permitir que a rede NARX explore inteiramente as janelas de tempo da entrada e da saída, 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.
Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/16090 |
Date | 14 July 2006 |
Creators | Menezes Júnior, José Maria Pires de |
Contributors | Barreto, Guilherme de Alencar |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0125 seconds