RECONSTRUCCIÓN DE DINÁMICAS CAÓTICAS Y/O RUIDOSAS USANDO REDES NEURONALES

Abstract

Se muestra que las redes neuronales son capaces de aprender la ley dinámica de series temporales caóticas y/o ruidosas a partir de un número limitado de observaciones. La capacidad predictiva de las mismas supera la de los métodos convencionales tales como el algoritmo no-lineal wimplex, o los modelos autorregresivos lineales. Como ejemplos de aplicación a series caóticas se reconstruyen las dinámicas del mapa logístico -el cual presenta una autocorrelación despreciable- y del mapa de Lorenz -que posee una significativa autocorrelación-. A diferencia de lo sugerido recientemente en la literatura, en ambos casos las predicciones a corto plazo de las redes con arquitecturas adecuadas son mejores que las de los métodos mencionados. Finalmente, se presentan los resultados de la aplicación de redes neuronales en el análisis de series temporales reales ruidosas.