Entrenamiento de redes neuronales recurrentes usando la dimensión de encaje en el espacio de las fases

Contenido principal del artículo

Nelly Patricia Perugachi Cahueñas
Mariela Micaela Moreno Palacios
Arquímides Xavier Haro Velasteguí

Resumen

Se propone un método usando Redes Neuronales Recurrentes para la predicción de datos caóticos, aplicando la Teoría del Caos, para estudiar el comportamiento dinámico de los datos en el espacio multidimensional de las fases, establecer la correlación de los mismos y determinar la dimensión de encaje como base para el entrenamiento de las redes neuronales, así como determinar las características dinámicas del sistema calculando los coeficientes de Lyapunov y la entropía de Kolmorov-Siani, que nos indican el grado de desorden que tiene el sistema, para proyectar la precisión de la predicción. Se usan datos de contaminantes PM2.5 tomados en el centro Histórico de la ciudad de Quito, en intervalos de una hora, entre los años 2005 a 2019. Los resultados determinan que las series de datos corresponden a un sistema caótico (más de un coeficiente positivo de Lyapunov), por lo que se justifica la aplicación de la Teoría del Caos en el análisis de los mismos, dando buenos resultados en las predicciones aplicando los métodos de redes neuronales recurrentes de Elman y Jordan, al comparar las series predichas se demuestran que no presentan diferencias significativas entre ellas, ni con los datos medidos, usando el método de varianza con 0,05 de significancia,  el error cuadrático porcentual respecto al rango de variación de los datos es aproximadamente del 5 % en ambos casos. Objetivos: Proponer un método que ayude al entrenamiento de las redes neuronales usando la Teoría del caos, mediante la implementación de la dimensión de encaje en el espacio de las fases.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Perugachi Cahueñas, N. P., Moreno Palacios, M. M., & Haro Velasteguí, A. X. (2022). Entrenamiento de redes neuronales recurrentes usando la dimensión de encaje en el espacio de las fases. ConcienciaDigital, 5(3.1), 254-274. https://doi.org/10.33262/concienciadigital.v5i3.1.2252
Sección
Artículos

Citas

Abderrahim, N. W., Benmansour, F. Z., & Seddiki, O. (2014). A chaotic stream cipher based on symbolic dynamic description and synchronization. Nonlinear Dynamics, 78(1), 197–207. https://doi.org/10.1007/s11071-014-1432-z
Bochi, J., & Rams, M. (2016). The entropy of Lyapunov-optimizing measures of some matrix cocycles. Journal of Modern Dynamics, 10, 255–286. https://doi.org/10.3934/jmd.2016.10.255
Cruz, B., Martínez, S., Abed, R., Ábalo, G., Lorenzo, G., Matilde, M., & Lorenzo, M. G. (2007). Redes neuronales recurrentes para el análisis de secuencias Recurrente neurales / network for sequences analysis. Rcci, 1, 11.
Díaz, M. (2016). Redes neuronales recurrentes y series temporales. http://software-tecnico-libre.es/es/articulo-por-tema/todas-las-secciones/todos-los-temas/todos-los-articulos/redes-neuronales-recurrentes-y-series-de-tiempo
Domański, P. D., & Ławryńczuk, M. (2017). Assessment of predictive control performance using fractal measures. Nonlinear Dynamics, 89(2), 773–790. https://doi.org/10.1007/s11071-017-3484-3
Fernández, D. G. (2014). Reducción del ruido y predicción de series temporales de alta frecuencia mediante sistemas dinámicos no lineales y técnicas neurales. Banco Central Del Uruguay, (1688), 15. http://www.bcu.gub.uy/Estadisticas-e-Indicadores/Documentos de Trabajo/1.2014.pdf
Fowler, Andrew., & McGuinness, M. (2010). Chaos: An Introduction for Applied Mathematicians. (S. Nature, Ed.). New Zeland. https://books.google.com.ec/books?hl=es&lr=&id=SdzODwAAQBAJ&oi=fnd&pg=PR8&dq=Chaos+An+Introduction+for+Applied+Mathematicians,+Switzerland,+Springer&ots=rqAReTU6eR&sig=TPdrthtsZG9OCH0j--37iAzdPIc#v=onepage&q=Chaos An Introduction for Applied Mathematician
Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn & TensorFlow. https://www.oreilly.com/library/view/hands-on-machine-learning/9781491962282/
González, J. C., Tudurí, J. M., & Rul-lan, G. (2017). Análisis de Series Temporales Usando Redes Neuronales Recurrentes. https://www.apsl.net/blog/2017/06/14/analisis-de-series-temporales-usando-redes-neuronales-recurrentes/
Hegger, R., Kantz, H., & Schreiber, T. (1999). Practical implementation of nonlinear time series methods: The TISEAN package. Chaos, 9(2), 413–435. https://doi.org/10.1063/1.166424
Ivancevic, V. G., & Ivancevic, T. T. (2007). Introduction to Attractors and Chaos. In High-Dimensional Chaotic and Attractor Systems (pp. 1–151). Dordrecht: Springer Netherlands. https://doi.org/10.1007/978-1-4020-5456-3_1
Kocak, C., Dalar, A. Z., Cagcag Yolcu, O., Bas, E., & Egrioglu, E. (2020). A new fuzzy time series method based on an ARMA-type recurrent Pi-Sigma artificial neural network. Soft Computing, 24(11), 8243–8252. https://doi.org/10.1007/s00500-019-04506-1
Lewis, N. (2016). Deep time series forecasting with phyton. (C. I. P. Platform, Ed.). Retrieved from https://www.goodreads.com/book/show/33843624-deep-time-series-forecasting-with-python
Li, X., Peng, L., Yao, X., Cui, S., Hu, Y., You, C., & Chi, T. (2017). Long short-term memory neural network for air pollutant concentration predictions: Method development and evaluation. Environmental Pollution, 231, 997–1004. https://doi.org/10.1016/j.envpol.2017.08.114
López, Jesús., & Caicedo, E. (2009). Una aproximación práctica a las Redes Neuronales Artificiales. (P. E. U. del Valle, Ed.) (Primera). Universidad del Valle. https://www.researchgate.net/publication/303365431_Una_aproximacion_practica_a_las_Redes_Neuronales_Artificiales
Medvinsky, A. B., Nurieva, N. I., Rusakov, A. V., & Adamovich, B. V. (2017). Deterministic chaos and the problem of predictability in population dynamics. Biophysics (Russian Federation), 62(1), 92–108. https://doi.org/10.1134/S0006350917010122
Motter, A. E., & Campbell, D. K. (2013). Chaos at fifty. Physics Today, 66(5), 27–33. https://doi.org/10.1063/PT.3.1977
Pino-Vallejo, M., Tierra, A., Haro, A., & Perugachi, N. (2018). Prediction of concentrations of PM2.5 in downtown Quito using the chaos theory. AIP Conference Proceedings, 2003, 1–8. https://doi.org/10.1063/1.5050365
Rebala, G., Ravi, A., & Churiwala, S. (2019). An Introduction to Machine Learning. (Springer International Publishing, Ed.). l. https://books.google.com.ec/books/about/An_Introduction_to_Machine_Learning.html?id=gckwygEACAAJ&redir_esc=y
Rodríguez, A. (2015). Contaminación atmosférica y justicia ambiental en Quito. FLACSO. https://repositorio.flacsoandes.edu.ec/xmlui/handle/10469/8549
Stolz, I., & Keller, K. (2017). A general symbolic approach to Kolmogorov-Sinai entropy. Entropy, 19(12), 1–19. https://doi.org/10.3390/e19120675
Valentin, A. (2009). Y bolotin a tur, V. Yanovsky, chaos, concept, control and consnhuctive Use. (Caron, Ed.) (Springer C). Springer. https://www.researchgate.net/publication/281089929_YBolotinATurVYanovskyChaosConceptcontrol_and_Consnhuctive_UseSpringerISBN_978-3-642-00936-5
Zhou, S., Li, W., & Qiao, J. (2017). Prediction of PM2.5 concentration based on recurrent fuzzy neural network. Chinese Control Conference, CCC, 3920–3924. https://doi.org/10.23919/ChiCC.2017.8027970