Predição não-linear de series temporais usando redes neurais RBF por decomposição em componentes principais

• Main Author: Castro, Maria Cristina Felippetto de
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Language: Portuguese
• Published: [s.n.] 2001
• Subjects: Teoria da previsão; Análise de séries temporais; Redes neurais (Computação); Telecomunicações; Análise de componentes principais
• Online Access: CASTRO, Maria Cristina Felippetto de. Predição não-linear de series temporais usando redes neurais RBF por decomposição em componentes principais. 2001. 186p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/260700>. Acesso em: 27 jul. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/260700

Orientador : Dalton Soares Arantes === Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação === Made available in DSpace on 2018-07-28T02:23:38Z (GMT). No. of bitstreams: 1 Castro_MariaCristinaFelippettode_D.pdf: 7036136 bytes, checksum: ac2626550f2acae380f0cad07f5982ee (MD5) Previous issue date: 2001 === Resumo: Esta tese apresenta uma nova técnica de predição não-linear de séries temporais através de redes neurais artificiais do tipo Radial Basis Function, com atribuição dos centros Gaussianos das funções de base radial por decomposição do espaço de dados em sub-espaços. A decomposição em sub-espaços - ou decomposição em componentes principais - é baseada na Transformada Karhunen-Loeve. A predição obtida através da parametrização da rede neural via decomposição em sub-espaços resulta em um menor erro de predição e requer o conhecimento de um menor número de amostras prévias do que as técnicas de predição convencionais. Adicionalmente é apresentada uma possível solução para o problema de adaptar dinamicamente a arquitetura da rede neural às não­estacionariedades presentes em muitas séries temporais === Abstract: This thesis proposes a new technique for non-linear time series forecasting based upon Radial Basis Function Neural Networks and the Karhunen-Loeve Transform. A significant performance improvement is obtained with the novel technique in comparison with usual prediction methods. By obtaining the neural network centers from the data set sub-spaces - or data set principal components - the new method yields lower prediction error and requires less previous known samples than the usual technique that applies the own training set vectors to the centers. Additionally we present a possible solution to the problem of dynamically adapting the neural network architecture to the time-varying series statistics === Doutorado === Doutor em Engenharia Elétrica