Identificación del comportamiento caótico de las ecuaciones de Lorenz empleando máquinas de soporte vectorial

Lilian Astrid Bejarano Garzón; Victor Hugo Medina García; Helbert Eduardo Espitia Cuchango

doi:10.16925/2357-6014.2019.01.08

Identificación del comportamiento caótico de las ecuaciones de Lorenz empleando máquinas de soporte vectorial

Artículos de investigación

https://doi.org/10.16925/2357-6014.2019.01.08

Lilian Astrid Bejarano Garzón Ver Biografía

Universidad Distrital Francisco José de Caldas

Victor Hugo Medina García Ver Biografía

Universidad Distrital Francisco José de Caldas

Helbert Eduardo Espitia Cuchango Ver Biografía

Universidad Distrital Francisco José de Caldas

Introducción: el artículo se deriva de la investigación “Caracterización de señales complejas con técnicas de Inteligencia Computacional” que se encuentra en curso desde el 2016 dentro del Grupo de Investigación Modelamiento en Ingeniería de Sistemas MIS de la Universidad Distrital Francisco José de Caldas.

Objetivo: identificar el comportamiento caótico que presentan las ecuaciones de Lorenz empleando datos tomados directamente en el dominio del tiempo sin procesamiento previo, para lograr clasificar un sistema caótico.

Metodología: en primer lugar, se obtienen los datos de entrenamiento mediante simulación. Posteriormente, se observa la respuesta del sistema utilizando datos de validación. Finalmente, se realiza una discusión y se establecen las conclusiones en función de los datos obtenidos. Resultados: para la mayoría de las máquinas de soporte vectorial utilizadas se observa una buena clasificación.

Conclusión: para el conjunto de datos empleados se logró la clasificación del comportamiento caótico de las ecuaciones de Lorenz mediante máquinas de soporte vectorial, de tal forma que estas pueden ser una alternativa para realizar la clasificación de comportamientos, donde se toman datos directamente en el dominio del tiempo sin un procesamiento preliminar.

Originalidad: esta investigación servirá de referente para posteriores desarrollos como el diagnóstico de pacientes utilizando señales biológicas. En este documento se busca observar las características que presentan las máquinas de soporte vectorial para la clasificación de un sistema caótico.

Limitaciones: no se realiza un procesamiento preliminar de datos por lo cual la clasificación está sujeta por los valores obtenidos directamente de la simulación.

Palabras clave: Caos, ecuaciones de Loren, máquinas de soporte vectorial

A. Stefanski, T. Kapitaniak y J. Brindley, “Dynamics of coupled Lorenz systems and its geophysical implications”, Physica D: Nonlinear Phenomena, vol. 98, no. 2-4, pp. 594-598, 1996, doi: https://doi.org/10.1016/0167-2789(96)00106-6

Y. Zhang, J. Yang, K. Wang, Y. Wang y Z. Wang, “Improved wind prediction based on the Lorenz system”, Renewable Energy, vol. 81, pp. 219-226, 2015, doi: https://doi.org/10.1016/j.renene.2015.03.039

S. Strogatz, Nonlinear dynamics and chaos with applications to physics, biology, chemistry and engineering, Cambridge, Perseus Books, 1994.

P. Vadasz, “Analytical prediction of the transition to chaos in Lorenz equations”, Applied Mathematics Letters, vol. 23, no. 5, pp. 503-507, 2010, doi: https://doi.org/10.1016/j.aml.2009.12.012

C. Li, J.C. Sprott, W. Thio, “Linearization of the Lorenz system”, Physics Letters A, vol. 379, pp. 888-893, 2015, doi: https://doi.org/10.1016/j.physleta.2015.01.003

B. Munmuangsaen, B. Srisuchinwong, “A hidden chaotic attractor in the classical Lorenz system”, Chaos, Solitons and Fractals, vol. 107, pp. 61-66, 2018, doi: https://doi.org/10.1016/j.chaos.2017.12.017

M.A. Hearst, S.T. Dumais, E. Osuna, J. Platt y B. Scholkopf, “Support vector machines”, IEEE Intelligent Systems and their Applications, vol. 13, no. 4, 1998, doi: https://doi.org/10.1109/5254.708428

D. Tomar y S. Agarwal, “Twin Support Vector Machine: A review from 2007 to 2014”, Egyptian Informatics Journal, vol. 16, pp. 55-69, 2015, doi: https://doi.org/10.1016/j.eij.2014.12.003

R. Khemchandania, K. Goyal y S. Chandrab, “TWSVR: Regression via Twin Support Vector Machine”, Neural Networks, vol. 74 pp. 14-21, 2016, doi: https://doi.org/10.1016/j.neunet.2015.10.007

J. Tang y Y. Tian, “A multi-kernel framework with nonparallel support vector machine”, Neurocomputing, vol. 266, pp. 226-238, 2017, doi: https://doi.org/10.1016/j.neucom.2017.05.036

S.V. Dudul, “Prediction of a Lorenz chaotic attractor using two-layer perceptron neural network”, Applied Soft Computing, vol 5, no. 4, pp. 333-355, 2005, doi: https://doi.org/10.1016/j.asoc.2004.07.005

U. Köse y A. Arslan, “An Adaptive Neuro-Fuzzy Inference System-Based Approach to Forecast Time Series of Chaotic Systems”, Chaos, Complexity and Leadership, pp. 17-22, 2012, doi: https://doi.org/10.1007/978-94-007-7362-2_3

L. Morales, H. Espitia y J. Soriano, “Propuesta de un sistema NEURO-DBR y su aplicación en la predicción de la serie de tiempo de lorenz”, Ciencia e Ingeniería Neogranadina, vol. 20, no. 2, pp. 31-51, 2010, doi: https://doi.org/10.18359/rcin.275

L.A. Dmitrieva, Y.A. Kuperin, N.M. Smetanin y G.A. Chernykh, “Method of calculating Lyapunov exponents for time series using artificial neural networks committees”, Proceedings of the International Conference DAYS on DIFFRACTION, pp. 127-132, 2016, doi: https://doi.org/10.1109/DD.2016.7756827

L. Zhang, “Artificial Neural Network Model Design and Topology Analysis for FPGA Implementation of Lorenz Chaotic Generator”, IEEE 30th Canadian Conference on Electrical and Computer Engineering (CCECE), pp. 1-4, 2017, doi: https://doi.org/10.1109/CCECE.2017.7946635

J.S.H. Tsai, J.S. Fang, J.J. Yan, M.C. Dai, S.M. Guo y L.S. Shieh, “Hybrid robust discrete sliding mode control for generalized continuous chaotic systems subject to external disturbances”, Nonlinear Analysis: Hybrid Systems, vol. 29, pp. 74-84, 2018, doi: https://doi.org/10.1016/j.nahs.2018.01.001

H. Wendt, Support Vector Machines for Regression Estimation and their Application to Chaotic Time Series Prediction, Thesis, Vienna University of Technology Faculty of Electrical Engineering and Information Technology, 2005, doi: https://pdfs.semanticscholar.org/7aa7/9531f16af48bd5132bc5b174a8502d6b15d9.pdf

F. Tay y L. Cao, “Modified support vector machines in financial time series forecasting”, Neurocomputing, vol. 48, no. 1-4, pp. 847-861, 2002, doi: https://doi.org/10.1016/S0925-2312(01)00676-2

L. Ralaivola y F. d’Alche Buc, “Dynamical modeling with kernels for nonlinear time series prediction”, Proceedings of the 16th International Conference on Neural Information Processing Systems, NIPS’03, pp. 129-136, 2003, doi: http://dl.acm.org/citation.cfm?id=2981345.2981362

J. Gómez y J. Martínez, “Support Vector Machines”, Springer Computational Intelligence, pp. 147-191, 2007, doi: https://doi.org/10.1007/0-387-37452-3_7

I. Steinwart y A. Christmann, Support Vector Machines, Information Science and Statistics, Springer Science & Business Media, 2008, doi: https://doi.org/10.1007/978-0-387-77242-4

B. Scholkopf y A.J. Smola, Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press Cambridge, MA, USA, 2001, doi: https://mitpress.mit.edu/books/learning-kernels

G. Betancourt, “Las máquinas de soporte vectorial (SVMs)”, Scientia et Technica, vol. 1, no. 27, 2005, doi: http://revistas.utp.edu.co/index.php/revistaciencia/article/view/6895

C.C. Chang y C.J. Lin, “LIBSVM: a library for support vector machines”, ACM Transactions on Intelligent Systems and Technology, vol. 2, no. 27, pp. 1-27, abr. 2011, doi: https://dl.acm.org/citation.cfm?doid=1961189.1961199

D. Meyer, “Support Vector Machines”, R-News, vol. 1, no. 3, pp. 23-26, September 2001, doi: https://cran.r-project.org/doc/Rnews/Rnews_2001-3.pdf

[1]

L. A. Bejarano Garzón, V. H. Medina García, and H. E. Espitia Cuchango, “Identificación del comportamiento caótico de las ecuaciones de Lorenz empleando máquinas de soporte vectorial”, ing. Solidar, vol. 15, no. 1, pp. 1–20, Jan. 2019, doi: 10.16925/2357-6014.2019.01.08.

Descargar cita

Derechos de autor 2019 Ingeniaría Solidaria

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Compromiso ético y cesión de derechos

El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.

El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.

Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.

Número

Vol. 15 Núm. 1 (2019)

Publicado

2019-01-15

Descargas

PDF

Métricas

Cargando métricas ...

https://plu.mx/plum/a/?doi=10.16925/2357-6014.2019.01.08