Libro de resúmenes - Facultad de Ciencias Exactas, Físicas y ...

I JORNADA DE DIFUSIÓN DE INVESTIGACIÓN Y EXTENSIÓN EN INGENIERÍA QUÍMICA FCEFyN – UNC“Ideas y perspectivas para construir futuros distintos”5 de Mayo de 2010MODELO AUTO REGRESIVO NO LINEAL BASADO EN REDES NEURONALESMULTICAPA PARA PRONÓSTICO DE SERIES TEMPORALESJulián A. Pucheta 1 , Cristian Rodríguez Rivero 1 , M. Herrera 2 , C. Salas 2 , D. Patiño 3 , B.Kuchen 31Departamento de Ingeniería Electrónica de la FCEFyN-UNC, Córdoba, Argentina.Ce: julian.pucheta@gmail.com, cristian.rodriguezrivero@gmail.com2Departamento de Ingeniería Eléctrica, Facultad de Ciencias y Tecnologías Aplicadas,Universidad Nacional de Catamarca, Catamarca, Argentina. Ce:calberto.salas@gmail.com3Instituto de Automática Inaut-Facultad de Ingeniería, Universidad Nacional de SanJuan, San Juan, Argentina. dpatino@unsj.edu.ar, bkuchen@unsj.edu.arPalabras clave: Redes neuronales, pronóstico de series temporales, parámetro de Hurst, ecuación Mackey-Glass.Se presenta un modelo auto-regresivo no lineal (ARN) basado en redes neuronales para elpronóstico de series temporales. La regla de aprendizaje para ajustar los parámetros de lared neuronal (RN) está basado en el método Levenberg-Marquardt en función de la mayor omenor dependencia estocástica de la serie temporal evaluado por el parámetro de Hurst H,se propone una ley heurística que ajusta en tiempo real el proceso de aprendizaje y modificala topología de la red neuronal. El vector de entrada del modelo de la RN son los valores de laserie de tiempo después de aplicar un operador de retardo, de manera que la salida de la RNtienda a aproximarse a los valores actuales de la serie. Esta aproximación es experimentadasobre una serie de tiempo obtenida de la solución de la ecuación diferencial de retardo deMackey-Glass (MG) en un intervalo de tiempo. Se definen cinco parámetros para la ecuaciónde MG. El desempeño de éste esquema se muestra a través del pronóstico de 18 valores deuna hipotética serie temporal para cuatro series temporales de 102 datos cada una. Al final decada serie, el pronóstico fue simulado mediante el método Monte Carlo con un ensamble de50 realizaciones. El principal resultado muestra un buen desempeño del sistema depredicción de series de tiempo aplicado a partir de las ecuaciones de varias de MG, debido ala rugosidad similar entre el original y la serie estocástica pronosticada, evaluada por H y He,respectivamente. Este hecho nos anima a aplicar el enfoque propuesto para series de tiempocuando las observaciones meteorológicas son tomadas desde un solo punto.Resumen presentado en el Primer Workshop Chileno de Reconocimiento de Patrones: Teoríay Aplicaciones (CWPR 2009).73