Revista: | Journal of applied research and technology |
Base de datos: | PERIÓDICA |
Número de sistema: | 000399592 |
ISSN: | 1665-6423 |
Autores: | Alarcón Aquino, V1 García Treviño, E.S1 Rosas Romero, R1 Ramírez Cruz, J.F2 Guerrero Ojeda, L.G1 Rodriguez Asomoza, J1 |
Instituciones: | 1Universidad de las Américas, Centro de Investigación en Tecnología de la Información y Automatización, Cholula, Puebla. México 2Instituto Tecnológico de Apizaco, Departamento de Ciencias de la Computación, Apizaco, Tlaxcala. México |
Año: | 2005 |
Periodo: | Dic |
Volumen: | 3 |
Número: | 3 |
Paginación: | 211-219 |
País: | México |
Idioma: | Inglés |
Tipo de documento: | Artículo |
Enfoque: | Aplicado, descriptivo |
Resumen en español | En este artículo se presenta una red neuronal-wavelet basada en la minimización de la norma L1 para aprendizaje de series de tiempo caóticas. El método propuesto, el cuál se basa en un análisis multi-resolución, utiliza wavelets como funciones de activación en la capa oculta de la red neuronal-wavelet. Se propone utilizar la norma L1, en lugar de la tradicional norma L2, debido a que la norma L1 es superior a la norma L2 cuando la señal tiene distribuciones sesgadas o de colas pesadas. Se presenta una comparación del método propuesto con esquemas reportados previamente utilizando series de tiempo caóticas conocidas. Los resultados de simulación revelan que la red neuronal-wavelet basada en la norma L1 tiene una mejor eficiencia que la red neuronal con propagación hacia atrás y la red neuronal-wavelet basada en la tradicional norma L2 cuando se aplica a datos sintéticos |
Resumen en inglés | This paper presents a wavelet-neural network based on the L1-norm minimisation for learning chaotic time series. The proposed approach, which is based on multi-resolution analysis, uses wavelets as activation functions in the hidden layer of the wavelet-network. We propose using the L1-norm, as opposed to the L2-norm, due to the well-known fact that the L1-norm is superior to the L2-norm criterion when the signal has heavy tailed distributions or outliers. A comparison of the proposed approach with previous reported schemes using a time series benchmark is presented. Simulation results show that the proposed wavelet-network based on the L1-norm performs better than the standard back-propagation network and the wavelet-network based on the traditional L2-norm when applied to synthetic data |
Disciplinas: | Ciencias de la computación |
Palabras clave: | Redes, Redes neuronales, Series de tiempo caóticas |
Keyword: | Computer science, Networks, Neural networks, Chaotic time series |
Texto completo: | Texto completo (Ver HTML) |