Las herramientas de identificación de sistemas y previsión de series temporales permiten diseñar modelos matemáticos basados en datos numéricos. El problema esencial en estos casos es determinar el modelo matemático adecuado. Este artículo presenta el diseño de una red neuronal de función de base radial (RN-RBF) para la predicción de series temporales. Cuando se utiliza la RN-RBF para predecir sistemas no lineales, resulta difícil determinar un conjunto adecuado de centros y valores atípicos para las funciones de activación gaussianas con el fin de obtener una buena estructura. En este trabajo, la configuración del RN-RBF se basa en un enfoque híbrido basado en el método de agrupación de datos de Gustafson-Kessel y en un procedimiento de optimización mediante evolución diferencial. El diseño del RN-RBF se valida para la predicción anticipada de los precios de la pulpa de eucalipto y de los troncos de aserradero para ilustrar la eficacia del enfoque híbrido propuesto. Además, en este artículo se presenta y discute el rendimiento del diseño RN-RBF basado en los resultados de la predicción.
1. INTRODUCCIÓN
La identificación de sistemas no lineales es un área de investigación relevante en diversos campos del conocimiento. Uno de los objetivos de la identificación de sistemas es obtener un modelo matemático de un sistema dinámico desconocido, con el fin de predecir y/o comprender el comportamiento de dicho sistema dinámico.
La representación dinámica de un sistema dinámico es esencial para el desarrollo de sistemas computacionales de identificación y predicción del comportamiento dinámico de sistemas complejos. Las técnicas clásicas de predicción de series temporales Holt, Winters, Holt-Winters, modelos Auto-Regresivos (AR), Box-Jenkins, Auto-Regresivo Generalizado Condicionalmente Heteroscedástico (GARCH), entre otras suelen implementarse considerando la hipótesis de un "buen" conocimiento de la dinámica de la serie temporal y la posible presencia de características de tendencia, estacionalidad y nivel (MORETTIN; TOLOI, 1987; BOX et al., 1994; JENKINS, 1994; BERENSON; LEVINE, 1999). Sin embargo, estas técnicas no suelen generar resultados satisfactorios cuando se aplican a sistemas dinámicos no lineales y/o con comportamiento caótico, que se modelizan como procesos lineales (KANTZ; SCHREIBER, 1997).
La teoría y la práctica de la identificación de sistemas lineales están bien establecidas en la literatura (LJUNG, 1987), sin embargo, el uso de modelos matemáticos lineales para representar sistemas no lineales es limitado, ya que dichas representaciones no pueden reproducir el comportamiento dinámico,
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
La metodología y el modelo para el cálculo de inventarios en proceso en las condiciones de la producción metalúrgica
Artículo:
Optimización de los horarios escolares mediante un modelo matemático, búsqueda local y procedimientos de búsqueda local iterada
Video:
Destilación y diseño en Aspen
Artículo:
Estudio experimental del método de suministro de aire y eliminación de gases en un modelo de horno para la producción de ferroaleaciones
Artículo:
Estudio de simulación numérica sobre la influencia del estabilizador de corriente en el campo de flujo de la artesa de fundición
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.