Entrenamiento supervisado de redes neuronales de impulsos

  1. Lucas, Sergio 1
  2. Portillo, Eva 1
  3. Zubizarreta, Asier 1
  4. Cabanes, Itziar 1
  1. 1 Universidad del País Vasco/Euskal Herriko Unibertsitatea
    info

    Universidad del País Vasco/Euskal Herriko Unibertsitatea

    Lejona, España

    ROR https://ror.org/000xsnr85

Livre:
XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja)
  1. Carlos Balaguer Bernaldo de Quirós (coord.)
  2. José Manuel Andújar Márquez (coord.)
  3. Ramon Costa Castelló (coord.)
  4. Carlos Ocampo Martínez (coord.)
  5. Jesús Fernández Lozano (coord.)
  6. Matilde Santos Peñas (coord.)
  7. José Enrique Simó Ten (coord.)
  8. Montserrat Gil Martínez (coord.)
  9. Jose Luis Calvo Rolle (coord.)
  10. Raúl Marín Prades (coord.)
  11. Eduardo Rocón de Lima (coord.)
  12. Elisabet Estévez Estévez (coord.)
  13. Pedro Jesús Cabrera Santana (coord.)
  14. David Muñoz de la Peña Sequedo (coord.)
  15. José Luis Guzmán Sánchez (coord.)
  16. José Luis Pitarch Pérez (coord.)
  17. Oscar Reinoso García (coord.)
  18. Oscar Déniz Suárez (coord.)
  19. Emilio Jiménez Macías (coord.)
  20. Vanesa Loureiro Vázquez (coord.)

Éditorial: Servizo de Publicacións ; Universidade da Coruña

ISBN: 978-84-9749-841-8

Année de publication: 2022

Pages: 216-223

Congreso: Jornadas de Automática (43. 2022. Logroño)

Type: Communication dans un congrès

Résumé

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.