Efecto de autocorrelación en el modelado de series temporales

Mostrar todas las versiones(2)

La persistencia es una de las características más comunes de las series temporales correspondientes a fenómenos reales. En este trabajo se investiga el proceso de aprendizaje de dinámicas persistentes usando redes neuronales. Se muestra que para series temporales caóticas la red puede quedar atrapad...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Navone, Hugo Daniel, Ceccatto, Hermenegildo Alejandro Ramón, Waelbroeck, Henri
Formato: Artículo publishedVersion
Lenguaje:Español
Publicado: Asociación Física Argentina 1996
Acceso en línea:https://hdl.handle.net/20.500.12110/afa_v08_n01_p267
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id afa:afa_v08_n01_p267
record_format dspace
spelling afa:afa_v08_n01_p2672025-03-11T11:28:54Z Efecto de autocorrelación en el modelado de series temporales An. (Asoc. Fís. Argent., En línea) 1996;01(08):267-270 Navone, Hugo Daniel Ceccatto, Hermenegildo Alejandro Ramón Waelbroeck, Henri La persistencia es una de las características más comunes de las series temporales correspondientes a fenómenos reales. En este trabajo se investiga el proceso de aprendizaje de dinámicas persistentes usando redes neuronales. Se muestra que para series temporales caóticas la red puede quedar atrapada en un mínimo local de la función error durante largos períodos de aprendizaje, lo que está relacionado con la autocorrelación de la misma. Notablemente, en estos casos la transición hacia la fase en donde la red aprende la dinámica de la serie es bastante abrupta. En cambio, para el caso en que la dinámica persistente es ruidosa el proceso de entrenamiento es suave Persistence is one of the most common characteristics of real-world time series. In this work we investigate the process of learning persistent dynamics by neural networks. We show that for chaotic times series the network can get stuck for long training periods in a trivial minimum of the error function related to the long-term autocorrelation in the series. Remarkably, in these cases the transition to the trained phase is quite abrupt. On the contrary, for persistent noisy dynamics the training process is smooth Fil: Navone, Hugo Daniel. Universidad Nacional de Rosario - CONICET. Instituto de Física de Rosario (IFIR). Santa Fe. Argentina Fil: Ceccatto, Hermenegildo Alejandro Ramón. Universidad Nacional de Rosario - CONICET. Instituto de Física de Rosario (IFIR). Santa Fe. Argentina Fil: Waelbroeck, Henri. Universidad Nacional Autónoma de México. Instituto de Ciencias Nucleares. México, D. F. México Asociación Física Argentina 1996 info:ar-repo/semantics/artículo info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/afa_v08_n01_p267
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv spa
description La persistencia es una de las características más comunes de las series temporales correspondientes a fenómenos reales. En este trabajo se investiga el proceso de aprendizaje de dinámicas persistentes usando redes neuronales. Se muestra que para series temporales caóticas la red puede quedar atrapada en un mínimo local de la función error durante largos períodos de aprendizaje, lo que está relacionado con la autocorrelación de la misma. Notablemente, en estos casos la transición hacia la fase en donde la red aprende la dinámica de la serie es bastante abrupta. En cambio, para el caso en que la dinámica persistente es ruidosa el proceso de entrenamiento es suave
format Artículo
Artículo
publishedVersion
author Navone, Hugo Daniel
Ceccatto, Hermenegildo Alejandro Ramón
Waelbroeck, Henri
spellingShingle Navone, Hugo Daniel
Ceccatto, Hermenegildo Alejandro Ramón
Waelbroeck, Henri
Efecto de autocorrelación en el modelado de series temporales
author_facet Navone, Hugo Daniel
Ceccatto, Hermenegildo Alejandro Ramón
Waelbroeck, Henri
author_sort Navone, Hugo Daniel
title Efecto de autocorrelación en el modelado de series temporales
title_short Efecto de autocorrelación en el modelado de series temporales
title_full Efecto de autocorrelación en el modelado de series temporales
title_fullStr Efecto de autocorrelación en el modelado de series temporales
title_full_unstemmed Efecto de autocorrelación en el modelado de series temporales
title_sort efecto de autocorrelación en el modelado de series temporales
publisher Asociación Física Argentina
publishDate 1996
url https://hdl.handle.net/20.500.12110/afa_v08_n01_p267
work_keys_str_mv AT navonehugodaniel efectodeautocorrelacionenelmodeladodeseriestemporales
AT ceccattohermenegildoalejandroramon efectodeautocorrelacionenelmodeladodeseriestemporales
AT waelbroeckhenri efectodeautocorrelacionenelmodeladodeseriestemporales
_version_ 1831980506230554624

Ejemplares similares