Mostrar o rexistro simple do ítem
Entrenamiento supervisado de redes neuronales de impulsos
dc.contributor.author | Lucas, Sergio | |
dc.contributor.author | Portillo, Eva | |
dc.contributor.author | Zubizarreta, Asier | |
dc.contributor.author | Cabanes, Itziar | |
dc.date.accessioned | 2022-09-05T10:54:50Z | |
dc.date.available | 2022-09-05T10:54:50Z | |
dc.date.issued | 2022 | |
dc.identifier.citation | Lucas, S., Portillo, E., Zubizarreta, A., Cabanes, I. (2022) Entrenamiento supervisado de redes neuronales de impulsos. XLIII Jornadas de Automática: libro de actas, pp.216-223 https://doi.org/10.17979/spudc.9788497498418.0216 | es_ES |
dc.identifier.isbn | 978-84-9749-841-8 | |
dc.identifier.uri | http://hdl.handle.net/2183/31382 | |
dc.description.abstract | [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. | es_ES |
dc.description.abstract | [Abstract] This article proposes a new supervised training strategy with Spiking Neural Networks (SNN) for time series forecasting. Currently, the vast majority of work on SNN is focused on classification tasks, especially image classification. In this sense, this paper is one of the first works to apply SNN for time series forecasting, whose results are very promising. Two benchmark datasets have been used to validate the methodology: IBM stock market information and EEG signals. Among the results, it is shown that the performance of SNN depends, as expected, on the dynamic of the signal or time series to be forecast. | es_ES |
dc.description.sponsorship | Este trabajo ha sido financiado por el Departamento de Educación del Gobierno Vasco (proyectos ref. PIBA 2020 1 0008 y ref. IT1726-22), la Universidad del País Vasco UPV/EHU (ref.GIU19/045) y el FEDER/Ministerio de Ciencia e Innovación - Agencia Estatal de Investigación/Proyecto (ref. PID2020-112667RB-I00). | es_ES |
dc.description.sponsorship | Gobierno Vasco; PIBA 2020 1 0008 | es_ES |
dc.description.sponsorship | Gobierno Vasco; IT1726-22 | es_ES |
dc.description.sponsorship | Universidad del País Vasco/Euskal Herriko Unibertsitatea; GIU 19/045 | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidade da Coruña. Servizo de Publicacións | es_ES |
dc.relation.uri | https://doi.org/10.17979/spudc.9788497498418.0216 | es_ES |
dc.rights | Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ | * |
dc.subject | Redes neuronales de impulsos | es_ES |
dc.subject | PWM | es_ES |
dc.subject | Series temporales | es_ES |
dc.subject | Regresión | es_ES |
dc.subject | Spiking neural network | es_ES |
dc.subject | Time series | es_ES |
dc.subject | Regression | es_ES |
dc.subject | Forecasting | es_ES |
dc.title | Entrenamiento supervisado de redes neuronales de impulsos | es_ES |
dc.title.alternative | Supervised training for spiking neural network | es_ES |
dc.type | info:eu-repo/semantics/conferenceObject | es_ES |
dc.rights.access | info:eu-repo/semantics/openAccess | es_ES |
UDC.startPage | 216 | es_ES |
UDC.endPage | 223 | es_ES |
dc.identifier.doi | https://doi.org/10.17979/spudc.9788497498418.0216 | |
UDC.conferenceTitle | XLIII Jornadas de Automática | es_ES |