PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL

Se indica cómo manejar una gran base de datos consistente de series temporales no lineales, aplicando distintas técnicas de modelamiento no lineal a estas series. Aunque no existen guías explícitas de manipulación de series temporales no lineales en la profusa bibliografía actual, existen diferentes...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Salini Calderón,Giovanni
Lenguaje:	Spanish / Castilian
Publicado:	Universidad de Tarapacá. 2010
Materias:	Series temporales no lineales redes neuronales artificiales pronóstico dinámica no lineal fenómeno del niño (ENSO) AMI FNN
Acceso en línea:	http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052010000300006
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:scielo:S0718-33052010000300006
record_format	dspace
spelling	oai:scielo:S0718-330520100003000062011-03-11PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEALSalini Calderón,Giovanni Series temporales no lineales redes neuronales artificiales pronóstico dinámica no lineal fenómeno del niño (ENSO) AMI FNN Se indica cómo manejar una gran base de datos consistente de series temporales no lineales, aplicando distintas técnicas de modelamiento no lineal a estas series. Aunque no existen guías explícitas de manipulación de series temporales no lineales en la profusa bibliografía actual, existen diferentes enfoques que pueden ser tomados en cuenta. Para ello se estudió una base de datos mensual correspondiente a datos del Fenómeno del Niño (ENSO), entre los años 1866 y 2006. Se explica cómo debe manipularse esta base de datos que poseen características de no linealidad, la cual será usada para hacer pronósticos varios pasos en adelante. Se aplicaron dos test estándar: Información Mutua Promedio (AMI) y Falsos Vecinos más Cercanos (FNN). Se obtuvo el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar valores hacia el futuro. Luego, se diseñaron varios modelos de redes neuronales artificiales (RNA), con diferentes reglas de aprendizajes, funciones de transferencia, elementos de procesamiento (o neuronas) en la capa escondida, etc., que permitieron hacer pronóstico de hasta 20 pasos en adelante. Las mejores redes correspondieron a aquellas que poseían como regla de aprendizaje la Regla Delta y la Regla Extendida, con función de transferencia sigmoide y tangente hiperbólica. El tipo de RNA usada fue una de multicapas alimentada hacia adelante y entrenada mediante la técnica de propagación hacia atrás. Se probaron redes con una, dos capas ocultas y sin ninguna capa. El mejor modelo que se obtuvo resultó ser uno consistente de una capa oculta.info:eu-repo/semantics/openAccessUniversidad de Tarapacá.Ingeniare. Revista chilena de ingeniería v.18 n.3 20102010-12-01text/htmlhttp://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052010000300006es10.4067/S0718-33052010000300006
institution	Scielo Chile
collection	Scielo Chile
language	Spanish / Castilian
topic	Series temporales no lineales redes neuronales artificiales pronóstico dinámica no lineal fenómeno del niño (ENSO) AMI FNN
spellingShingle	Series temporales no lineales redes neuronales artificiales pronóstico dinámica no lineal fenómeno del niño (ENSO) AMI FNN Salini Calderón,Giovanni PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
description	Se indica cómo manejar una gran base de datos consistente de series temporales no lineales, aplicando distintas técnicas de modelamiento no lineal a estas series. Aunque no existen guías explícitas de manipulación de series temporales no lineales en la profusa bibliografía actual, existen diferentes enfoques que pueden ser tomados en cuenta. Para ello se estudió una base de datos mensual correspondiente a datos del Fenómeno del Niño (ENSO), entre los años 1866 y 2006. Se explica cómo debe manipularse esta base de datos que poseen características de no linealidad, la cual será usada para hacer pronósticos varios pasos en adelante. Se aplicaron dos test estándar: Información Mutua Promedio (AMI) y Falsos Vecinos más Cercanos (FNN). Se obtuvo el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar valores hacia el futuro. Luego, se diseñaron varios modelos de redes neuronales artificiales (RNA), con diferentes reglas de aprendizajes, funciones de transferencia, elementos de procesamiento (o neuronas) en la capa escondida, etc., que permitieron hacer pronóstico de hasta 20 pasos en adelante. Las mejores redes correspondieron a aquellas que poseían como regla de aprendizaje la Regla Delta y la Regla Extendida, con función de transferencia sigmoide y tangente hiperbólica. El tipo de RNA usada fue una de multicapas alimentada hacia adelante y entrenada mediante la técnica de propagación hacia atrás. Se probaron redes con una, dos capas ocultas y sin ninguna capa. El mejor modelo que se obtuvo resultó ser uno consistente de una capa oculta.
author	Salini Calderón,Giovanni
author_facet	Salini Calderón,Giovanni
author_sort	Salini Calderón,Giovanni
title	PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
title_short	PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
title_full	PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
title_fullStr	PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
title_full_unstemmed	PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
title_sort	pronosticando el índice enso varios pasos en adelante mediante técnicas de modelamiento no lineal
publisher	Universidad de Tarapacá.
publishDate	2010
url	http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052010000300006
work_keys_str_mv	AT salinicalderongiovanni pronosticandoelindiceensovariospasosenadelantemediantetecnicasdemodelamientonolineal
_version_	1714203386412269568

PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL

Ejemplares similares