Resumen

La predicción a varios pasos de una serie temporal caótica es una tarea difícil que ha atraído un interés creciente en los últimos años. El interés en este trabajo es el desarrollo de modelos de redes neuronales no lineales con el propósito de construir predicciones de series temporales caóticas a varios pasos. En la literatura hay una amplia gama de enfoques diferentes, pero su éxito depende del rendimiento predictivo de los métodos individuales. También, los modelos neuronales más populares se basan en las redes neuronales feed forward estadísticas y tradicionales. Sin embargo, se ha observado que este tipo de modelo neuronal puede presentar algunas desventajas cuando se requiere una predicción a largo plazo. En este documento se desarrolla un modelo de red neuronal recurrente con retardos temporales enfocado (FTLRNN) con memoria gamma para diferentes horizontes de predicción. Se observa que este predictor tiene un rendimiento notablemente bueno tanto para predicciones a corto plazo como a medio plazo. Para series temporales caóticas generadas por ecuaciones diferenciales parciales acopladas

• Materias:Algoritmo genético Agrupamiento difuso Memoria gamma Controlador Neuro-Fuzzy
• Subjects:Genetic algorithm Fuzzy clustering Gamma memory Neuro-Fuzzy Controller
• Palabras claves:Multietapa; Series temporales caóticas; Modelos de redes neuronales; FTLRNN; Predicción; Largo plazo
• Keywords:Multistep; Chaotic time series; Neural network models; FTLRNN; Prediction; Long term