Contribuições ao Problema de Predição Recursiva Usando Redes Neurais

José Maria Pires de Menezes Júnior

ISBN 10: 620218342X / ISBN 13: 9786202183420

Published by Novas Edições Acadêmicas Mär 2018, 2018

About this Item

Neuware -Nesta trabalho aborda-se o problema de predição recursiva de séries temporais univariadas, também chamado de predição de longo prazo, usando redes neurais recorrentes. Este tipo de problema surge, com frequência, em tarefas de modelagem e predição de sistemas dinâmicos não-lineares, principalmente os que produzem sinais de natureza caótica, em que se observa a presença de dependência temporal (memória) de longa duração. Isto posto, para tratar o problema de predição recursiva, extensões do modelo neural NARX (Nonlinear AutoRegressive model with eXogenous inputs) são propostas nesta tese. Estas extensões resultam da tentativa de incorporar à rede NARX diferentes estratégias de modelagem da informação temporal, tanto de curto quanto de longo prazo. Dentre estas estratégias, destacam-se: (i) predição (simultânea) de vários passos à frente, também chamada de predição MIMO (multiinput, multi-output model), (ii) predição via projeções aleatórias dinâmicas, tal como na rede ESN (echo state network), (iii) predição via projeções aleatórias estáticas, tal como na rede ELM (extreme learning machine), e (iv) predição via modelos recorrentes híbridos baseados nas redes NARX e ELMAN.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 192 pp. Portugiesisch.

Seller Inventory # 9786202183420

Bibliographic Details

• Title: Contribuições ao Problema de Predição Recursiva Usando Redes Neurais
• Publisher: Novas Edições Acadêmicas Mär 2018
• Publication Date: 2018
• Language: Portuguese
• ISBN 10: 620218342X
• ISBN 13: 9786202183420
• Binding: Taschenbuch
• Condition: Neu
• Dimensions: 220W x 150H x 12D millimeters 220 millimeters width by 150 millimeters height by 12 millimeters depth
• Weight: 304 grams

About this title

Synopsis

Nesta trabalho aborda-se o problema de predição recursiva de séries temporais univariadas, também chamado de predição de longo prazo, usando redes neurais recorrentes. Este tipo de problema surge, com frequência, em tarefas de modelagem e predição de sistemas dinâmicos não-lineares, principalmente os que produzem sinais de natureza caótica, em que se observa a presença de dependência temporal (memória) de longa duração. Isto posto, para tratar o problema de predição recursiva, extensões do modelo neural NARX (Nonlinear AutoRegressive model with eXogenous inputs) são propostas nesta tese. Estas extensões resultam da tentativa de incorporar à rede NARX diferentes estratégias de modelagem da informação temporal, tanto de curto quanto de longo prazo. Dentre estas estratégias, (i) predição (simultânea) de vários passos à frente, também chamada de predição MIMO (multiinput, multi-output model), (ii) predição via projeções aleatórias dinâmicas, tal como na rede ESN (echo state network), (iii) predição via projeções aleatórias estáticas, tal como na rede ELM (extreme learning machine), e (iv) predição via modelos recorrentes híbridos baseados nas redes NARX e ELMAN.