Resumen

En la literatura se ha utilizado con éxito una red neuronal difusa de autoconstrucción (SCFNN) para la predicción de series temporales caóticas. En este trabajo, proponemos la estrategia de añadir una ruta recurrente en cada nodo de la capa oculta de la SCFNN, lo que da lugar a una red neuronal difusa recurrente de autoconstrucción (SCRFNN). Esta novedosa red no aumenta la complejidad en la inferencia difusa ni en el proceso de aprendizaje. En concreto, el aprendizaje de la estructura se basa en la partición del espacio de entrada, y el aprendizaje de los parámetros se basa en el método de descenso de gradiente supervisado utilizando una ley de adaptación delta. Esta novedosa red también puede aplicarse a la predicción de series temporales caóticas, incluidas las series temporales logísticas y de Henon. Además, presenta una convergencia más rápida y una mayor precisión de predicción.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Red neuronal difusa de autoconstrucción; predicción de series temporales caóticas; camino recurrente; capa oculta; red neuronal difusa recurrente de autoconstrucción; aprendizaje de estructuras.
• Keywords:Self-constructing fuzzy neural network; chaotic time series prediction; recurrent path; hidden layer; self-constructing recurrent fuzzy neural network; structure learning