Predicción de Sistemas Caóticos con Redes Neuronales: un estudio comparativo de los modelos de Percepción Multicapa y Funciones de Base Radial

Resumen

La predicción de sistemas caóticos ha sido y sigue
siendo un tema de mucho interés científico. Esto gracias
a los beneficios que se pueden obtener al conocer
comportamientos futuros de este tipo de sistemas,
en base a data conocida del pasado. Sin embargo, la
búsqueda de estrategias de solución con márgenes
de error aceptables, basado en la diferencia entre los
valores predichos versus los reales, presenta niveles
de complejidad que deben ser tratados convenientemente.
Basta citar, por ejemplo, problemas específicos
como la predicción del clima, un terremoto, la bolsa
de valores, para darse cuenta el beneficio que signifi
caría el tener una buena estrategia automatizada de
predicción. Ahora bien, al estar este tipo de problemas
re lacionados con manejo de conocimiento, la mayoría
de los intentos de obtener una herramienta de predicción
con resultados aceptables, están relacionados
con técnicas heurísticas. En este sentido, las Redes
Neuronales son una de las técnicas heurísticas más
utilizadas para este fin, específicamente mediante la
configuración de los modelos Perceptrón Multicapa y
Funciones de Base Radial. Cabe preguntarse entonces,
¿cuál de estos modelos es el más idóneo para abordar
este tipo de problemas? ¿Se puede garantizar una
herramienta de predicción con márgenes de error reducidos
al uti lizar este tipo de técnica? En este artículo
se presenta un estudio comparativo de los modelos de Redes Neuronales antes indicados, dando respuesta
a las dos preguntas anteriores así como también el
aporte de conclusiones que sirven de ayuda al mundo
científico a la hora de abordar un problema específico
de predicción con este tipo de técnica.