I.Estudios

Artículo2:

“PREDICCIÓN DE SISTEMAS CAÓTICOS CON REDES NEURONALES: UN ESTUDIO COMPARATIVO DE LOS MODELOS DE PERCEPTRÓN MULTICAPA Y FUNCIONES DE BASE RADIAL” 

AUTOR: Ingeniero Mauricio Paletta.

 

RESUMEN:

La predicción de sistemas caóticos ha sido y sigue siendo un tema de mucho interés científico. Esto gracias a los beneficios que se pueden obtener al conocer comportamientos futuros de este tipo de sistemas, en base a data conocida del pasado. Sin embargo, la búsqueda de estrategias de solución con márgenes de error aceptables, basado en la diferencia entre los valores predichos versus los reales, presenta niveles de complejidad que deben ser tratados convenientemente. Basta citar, por ejemplo, problemas específicos como la predicción del clima, un terremoto, la bolsa de valores, para darse cuenta el beneficio que significaría el tener una buena estrategia automatizada de predicción. Ahora bien, al estar este tipo de problemas relacionados con manejo de conocimiento, la mayoría de los intentos de obtener una herramienta de predicción con resultados aceptables, están relacionados con técnicas heurísticas. En este sentido, las Redes Neuronales son una de las técnicas heurísticas más utilizadas para este fin, específicamente mediante la configuración de los modelos Perceptrón Multicapa y Funciones de Base Radial. Cabe preguntarse entonces, ¿cuál de estos modelos es el más idóneo para abordar este tipo de problemas? ¿Se puede garantizar una herramienta de predicción con márgenes de error reducidos al utilizar este tipo de técnica? En este artículo se presenta un estudio comparativo de los modelos de Redes Neuronales antes indicados, dando respuesta a las dos preguntas anteriores así como también el aporte de conclusiones que sirven de ayuda al mundo científico a la hora de abordar un problema específico de predicción con este tipo de técnica.

 

Palabras claves: Predicción, Redes Neuronales, Perceptrón Multicapa, Función de Base Radial.

 

 

 

 

 

 

PREDICTING CHAOTIC SYSTEMS WITH NEURAL NETWORKS: A COMPARATIVE STUDY OF MULTI-LAYER PERCEPTRON AND RADIAL BASED FUNCTIONS MODEL

 

ABSTRACT:

The prediction of chaotic systems has been and continues to be a subject with great scientific interest. This is because the benefits that can be obtained knowing the future behaviors of this kind of systems based on previous known data. However, the search for solution strategies with an acceptable error margin presents some levels of complexity that must be treated conveniently, based on the difference between the predicted values and the real values. Enough is to say, for instance, specific problems like climate and seismic predictions and the stock market, to realize of the benefit that would mean to have a good strategy based on prediction. Since these problems are related to managing knowledge, most attempts to obtain a predictive tool with acceptable results are related to technical heuristics. In this regard, Neural Networks is one of the most commonly used, specifically by configuring Multi-layer Perceptron and Radial Based Functions models. We must ask ourselves then: Which one of these models is most appropriate to solve this kind of problems? Can we guarantee a tool of prediction with low error margins using this kind of technique? This article presents a comparative study of patterns of Neural Networks above, responding to the previous two questions as well as providing conclusions that are intended to assist the scientific world to address a specific prediction problem with this technique.

Keywords: Prediction, Neural Networks, Multi-layer Perceptron, Radial Based Function.