Identification of lags in non-linear autoregressive time series using a flexible fuzzy model
Tipo de material:
TextoDetalles de publicación: Valparaíso : UTFSM, 2011Descripción: xii, 77 h. : ilTema(s): SERIES DE TIEMPO | MODULOS AUTORREGRESIVOS NO LINEALESClasificación CDD: M 006.3 Nota de disertación: Tesis (Magíster en Ciencias de la Ing. Informática) -- Prof. Guía: Héctor Allende ; prof. corref.: Marcelo Mendozat Resumen: Las series de tiempo han sido muy þutiles para representar y explicar el comportamiento dinþamico de sistemas en muchas þareas de la ingenierþıa, los negocios y la ciencia. Inicialmente, los modelos lineales ocuparon un lugar destacado en aplicaciones relacionadas con el modelado de series de tiempo, sin embargo, es muy probable que un sistema no lineal y que posee entradas estocþasticas produzca datos irregulares. Este comportamiento es comþun en muchos sistemas reales, y por lo tanto, los mþetodos no lineales constituyen una herramienta fundamental. Los modelos basados en reglas difusas son una clase importante de tþecnicas no lineales que se han usado con þexito en el modelado de series de tiempo. Bajo este paradigma, comþunmente se establece un conjunto de predictores lineales locales para explicar la dinþamica de un proceso. En este trabajo, se emplea un modelo Takagi-Sugeno-Kang (TSK) para el anþalisis de series de tiempo y se abordan preguntas importantes relativas a la identificaciþon de este tipo de modelos: la identificaciþon de la estructura del modelo y del conjunto de variables explicativas mþas influyentes. La idea detrþas del mþetodo propuesto se asemeja a las tþecnicas que priorizan entradas/rezagos dependiendo de la cercanþıa de los vectores de regresores respecto de la proximidad de los objetivos correspondientes. La consistencia de la relaciþon regresores-objetivos se evalþua a partir de clusters generados en ambos espacios. Posteriormente, se establece un modelo TSK usando los dominios locales establecidos y se elimina la redundancia en la base de reglas. Se realizaron experimentos con 5 procesos autorregresivos sintþeticos y 10 series de tiempo benchmark. Los resultados muestran un desempe?no prometedor en tþerminos del error cuadrþatico medio y de la capacidad de encontrar rezagos apropiados. Palabras clave: Identificaciþon de rezagos, modelos autorregresivos no lineales, modelos Takagi-Sugeno-Kang, clustering difuso, anþalisis de series de tiempo.
| Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Memorias
|
Biblioteca Central | Memorias | M 006.3 V443 (Navegar estantería(Abre debajo)) | 1 | Disponible | 3560900212946 |
Incluye anexos
Tesis (Magíster en Ciencias de la Ing. Informática) -- Prof. Guía: Héctor Allende ; prof. corref.: Marcelo Mendozat
Las series de tiempo han sido muy þutiles para representar y explicar el comportamiento dinþamico de sistemas en muchas þareas de la ingenierþıa, los negocios y la ciencia. Inicialmente, los modelos lineales ocuparon un lugar destacado en aplicaciones relacionadas con el modelado de series de tiempo, sin embargo, es muy probable que un sistema no lineal y que posee entradas estocþasticas produzca datos irregulares. Este comportamiento es comþun en muchos sistemas reales, y por lo tanto, los mþetodos no lineales constituyen una herramienta fundamental. Los modelos basados en reglas difusas son una clase importante de tþecnicas no lineales que se han usado con þexito en el modelado de series de tiempo. Bajo este paradigma, comþunmente se establece un conjunto de predictores lineales locales para explicar la dinþamica de un proceso. En este trabajo, se emplea un modelo Takagi-Sugeno-Kang (TSK) para el anþalisis de series de tiempo y se abordan preguntas importantes relativas a la identificaciþon de este tipo de modelos: la identificaciþon de la estructura del modelo y del conjunto de variables explicativas mþas influyentes. La idea detrþas del mþetodo propuesto se asemeja a las tþecnicas que priorizan entradas/rezagos dependiendo de la cercanþıa de los vectores de regresores respecto de la proximidad de los objetivos correspondientes. La consistencia de la relaciþon regresores-objetivos se evalþua a partir de clusters generados en ambos espacios. Posteriormente, se establece un modelo TSK usando los dominios locales establecidos y se elimina la redundancia en la base de reglas. Se realizaron experimentos con 5 procesos autorregresivos sintþeticos y 10 series de tiempo benchmark. Los resultados muestran un desempe?no prometedor en tþerminos del error cuadrþatico medio y de la capacidad de encontrar rezagos apropiados. Palabras clave: Identificaciþon de rezagos, modelos autorregresivos no lineales, modelos Takagi-Sugeno-Kang, clustering difuso, anþalisis de series de tiempo.
2