Phone: +34(972)418-478
Email:
Josefina.Lopez@UDG.ES
Para saber si esta metodología es válida en el campo de análisis de series temporales se hizo un estudio comparativo con otras metodologías como son las conexionistas, las que utilizan modelos lineales y no lineales. Esto permitió caracterizar el tipo de series temporales que mejor predice FIR. Se muestra que esta metodología explota toda la información contenida en los datos disponibles de las series temporales quasi-estacionarias con elementos deterministas.
A causa de la naturaleza cualitativa de la metodología, en un inicio se produjeron predicciones ambiguas. Para superar las dificultades se incorporaron nuevos elementos de predicción. Se modificó la fórmula para calcular la distancia relativa y pesos absolutos de los cinco vecinos más cercanos, se incorporaron nuevas medidas de confianza similitud y proximidad que permiten evaluar el error de predicción sin necesidad de conocer el valor real. La medida de proximidad se basa en la función de la distancia, mientras que la similitud está basada en la similitud de conjuntos borrosos. Se utiliza una generalización de la función clásica de equivalencia basada en las definiciones de cardinalidad y diferencia de la teoría de conjuntos borrosos, originalmente presentada por Dubois y Pradé.
Se desarrollaron dos nuevas técnicas de predicción utilizando las nuevas medidas de confianza que permiten elegir en cada instante de tiempo el mejor modelo cualitativo de predicción.
Estas nuevas técnicas permiten mejorar la predicción de una serie temporal quasi-estacionaria. Al cambiar dinámicamente el modelo cualitativo el error de predicción disminuye considerablemente para una serie temporal no estacionaria con múltiples regímenes.
Se evaluó la relación cuantitativa entre el grado del deterioro de la confianza acumulada y el horizonte de la predictibilidad de una señal demostrándose que la medida cualitativa de similitud es más susceptible al error de predicción.
Se presentan también primeros resultados de aplicar esta metodología en el diseño de sensores inteligentes y control predictivo.
Esta tesis se organiza en ocho capítulos y dos apéndices.
En el capítulo uno se describe el enfoque principal de la investigación realizada así como los antecedentes.
En el capítulo dos se establecen los parámetros para clasificar las series temporales que se analizan en esta investigación así como una revisión de todas las metodologías de análisis de series temporales.
En el capítulo tres se presenta la situación actual de la metodología de Razonamiento Inductivo Borroso.
El estudio compartivo de la metodología FIR con las más conocidas en el mundo del análisis de series temporales se describe en el capítulo cuatro.
Se introducen dos nuevas medidas de la calidad de predicción en la metodología FIR. Los resultados de esta investigación se presentan en el capítulo cinco. Se describe la base teórica de estas medidas y se muestran los resultados obtenidos en diferentes tipos de series temporales.
En el capítulo seis se presentan los resultados de aplicar las medidas de calidad de predicción introducidas en el capítulo anterior para mejorar los resultados de predicción en el caso de aplicar FIR en series no estacionarias.
Para evaluar hasta que punto es fiable la predicción, en el capítulo siete se introducen las medidas de calidad de predicción para establecer el horizonte de predicción en series quasi-estacionarias.
En el capítulo ocho se resumen las aportaciones realizadas a la metodologia FIR.
Su aplicación como metodología para diseñar sensores inteligentes y el diseño de controladores predictivos se presentan en los apéndices A y B.
¿Quieres leer la
tesis completa
(231 pages, 1,802,776 bytes, pdf)? Desafortunadamente, ese documento está disponible solamente en Inglés.
¿Quieres mirar la
presentación de Powerpoint? Desafortunadamente, ese documento está disponible solamente en Inglés.