Aproximación de Funciones y Modelos Predictivos Basados en Redes Neuronales Artificiales

Abstract

Las Redes Neuronales Artificiales (RNA), presentan características de procesamiento de información y cálculo que les otorgan ventajas sobre otros sistemas. En líneas generales, puede decirse que las RNA constituyen sistemas de computación paralelos, distribuidos y adaptativos. Una de las características distintivas de las RNA es su capacidad para aprender de ejemplos, los cuales pueden provenir de modelos y datos históricos disponibles de un problema determinado. En este trabajo, se examinan las principales configuraciones topológicas de las redes MLP, Adaline, RBF y Elman, empleadas para aproximar funciones y analizar y predecir valores futuros. Asimismo, se muestran algunas limitaciones que presentan estos modelos neuronales tradicionales y cómo algunas de ellas pueden ser resueltas mediante modelos y algoritmos combinados, que requieren mayor elaboración, pero que mejoran el rendimiento global de la red.