Entrenamiento supervisado de redes neuronales de impulsos
- Lucas, Sergio 1
- Portillo, Eva 1
- Zubizarreta, Asier 1
- Cabanes, Itziar 1
-
1
Universidad del País Vasco/Euskal Herriko Unibertsitatea
info
Universidad del País Vasco/Euskal Herriko Unibertsitatea
Lejona, España
- Carlos Balaguer Bernaldo de Quirós (coord.)
- José Manuel Andújar Márquez (coord.)
- Ramon Costa Castelló (coord.)
- Carlos Ocampo Martínez (coord.)
- Jesús Fernández Lozano (coord.)
- Matilde Santos Peñas (coord.)
- José Enrique Simó Ten (coord.)
- Montserrat Gil Martínez (coord.)
- Jose Luis Calvo Rolle (coord.)
- Raúl Marín Prades (coord.)
- Eduardo Rocón de Lima (coord.)
- Elisabet Estévez Estévez (coord.)
- Pedro Jesús Cabrera Santana (coord.)
- David Muñoz de la Peña Sequedo (coord.)
- José Luis Guzmán Sánchez (coord.)
- José Luis Pitarch Pérez (coord.)
- Oscar Reinoso García (coord.)
- Oscar Déniz Suárez (coord.)
- Emilio Jiménez Macías (coord.)
- Vanesa Loureiro Vázquez (coord.)
Editorial: Servizo de Publicacións ; Universidade da Coruña
ISBN: 978-84-9749-841-8
Año de publicación: 2022
Páginas: 216-223
Congreso: Jornadas de Automática (43. 2022. Logroño)
Tipo: Aportación congreso
Resumen
En este trabajo se explora una nueva estrategia de entrenamiento supervisado con Redes Neuronales de Impulsos (Spiking Neural Network, SNN) para forecasting en series temporales. En la actualidad, la inmensa mayoría de los trabajos en SNN se centran principalmente en problemas de clasificación, muy especialmente de imágenes. En este sentido, el trabajo aquí presentado es uno de los primeros trabajos en aplicar SNN para forecasting de series temporales, siendo los resultados muy prometedores. Para validar la metodología se han empleado dos bases de datos: información bursátil de IBM, y señales EEG. Entre los resultados, se demuestra que el rendimiento de la SNN depende, como cabía esperar, de la dinámica de la señal o serie temporal a predecir.