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
Título: | Efecto de autocorrelación en el modelado de series temporales |
Autor: | Navone, Hugo Daniel; Ceccatto, Hermenegildo Alejandro; Waelbroeck, Henri |
Fecha: | 1996 |
Título revista: | Anales AFA |
Editor: | Asociación Física Argentina |
Handle: | http://hdl.handle.net/20.500.12110/afa_v08_n01_p267 |
Ciudad: | Villa Martelli, Buenos Aires |
Idioma: | Español |
Año: | 1996 |
Volumen: | 08 |
Número: | 01 |
Título revista abreviado: | An. (Asoc. Fís. Argent., En línea) |
ISSN: | 1850-1168 |
Formato: | |
PDF: | https://bibliotecadigital.exactas.uba.ar/download/afa/afa_v08_n01_p267.pdf |
Registro: | https://bibliotecadigital.exactas.uba.ar/collection/afa/document/afa_v08_n01_p267 |