Sistemas evolutivos para entrenamiento y optimización de modelos neuronales recurrentes dinámicos. Aplicación en modelado y predicción de series de datos

Resumen

El objetivo de esta tesis es el diseño de sistemas inteligentes para modelado y predicción de conjuntos de datos que presenten ciertas dependencias temporales. Nuestra propuesta se centrará en la utilización de modelos bioinspirados (redes neuronales, algoritmos bioinspirados, etc.), los cuales adaptaremos para llevar a cabo nuestro objetivo. La finalidad del análisis de series de datos es el conocimiento de su patrón de comportamiento de modo que se pueda prever la evolución de los mismos, bajo el supuesto de que las condiciones que afectan a la serie no varíen con respecto a los datos anteriores y actuales, a lo largo del tiempo. No obstante, si conociendo los valores anteriores y actuales de la serie se pudiesen predecir los valores futuros sin error, estaríamos frente a un proceso determinista, y su estudio no tendría ningún interés. El hecho que motiva el estudio de las series temporales es la aparición de fenómenos de naturaleza aleatoria, parcial o total, los cuales hacen que la predicción de los valores futuros de la serie sólo pueda realizarse mediante métodos probabilísticos. La mayoría de las herramientas utilizadas hasta el momento, para análisis y predicción de series de datos, están basadas en técnicas de regresión estadística lineales (metodología Box-Jenkins), en métodos de alisado; y algunos métodos no lineales, principalmente regresiones, modelos de Markov, redes neuronales, etc. Gran parte de la bibliografía actual utiliza redes neuronales para predicción de series de datos, siendo las redes RBF y Perceptrón Multicapa algunas de las más utilizadas. Las ventajas introducidas por la utilización de modelos neuronales para predicción de series temporales son numerosas: robustez frente al ruido, adaptabilidad, condición de aproximadores universales, no linearidad, etc. Sin embargo, existen ciertos inconvenientes a la hora de modelar una serie temporal mediante redes neuronales feedforward: Encontrar la estructura