Using an artificial neural network to approximate the temporal evolution function of the lorenz system

  • Andrea Martiniano Universidade Nove de Julho
  • Ricardo Pinto Ferreira Universidade Nove de Julho
  • Arthur Ferreira Universidade de São Paulo - USP
  • Aleister Ferreira Faculdade Santa Rita de Cássia
  • Renato José Sassi Universidade Nove de Julho
Keywords: Artificial Neural Network, Lorentz system, Approximation functions.

Abstract

The main objective of this paper is to approximate the temporal evolution function of the Lorenz system using Artificial Neural Networks (ANN) type Multilayer Perceptron (MLP). Apart from this main objective, as a specific objective, presents the basic concepts of ANN, a brief history of chaos theory and the Lorentz system. The methodology used in the structuring of this paper was defined as bibliographic and experimental. Currently, there is great interest in models of neural networks to solve unconventional and complex problems, in this context the ANN have emerged as an alternative for numerous applications in various areas of knowledge. The results of the experiments indicate positively to the use of ANN. It is hoped that this paper encourage the use of ANN in complex applications where learning, association, generalization and abstraction are needed to support decision-making. It was concluded that the use of ANN could be an alternative for solving problems involving approximation functions.

Downloads

Download data is not yet available.

Author Biography

Andrea Martiniano, Universidade Nove de Julho
Bacharel em Administração de Empresas com Habilitação em Gestão e Negócios pela Faculdade Sumaré (2008). Pós - graduação "Latu Sensu" em Tecnologia da Informação e Internet na área de Ciência da Computação, pela Universidade Nove de Julho (2009). Mestre em Engenharia de Produção pela Universidade Nove de Julho (2012). Atuando nos seguintes temas: Engenharia de Produção, Gestão do Absenteísmo e Presenteísmo, Inteligência Artificial, Redes Neurais Artificiais, Mapas Auto-Organizáveis de Kohonen e Data Mining.

References

AFFONSO, C. Aplicação de Redes Neuro Fuzzy ao Processamento de Polímeros na Indústria Automotiva. 2010. Dissertação (Mestrado) – Universidade Nove de Julho, Engenharia de Produção, São Paulo. 111 p.

BIGUS, J. P. Data Mining with Neural Network: Solving Business Problems from Applications Development to Decision Support. Mcgraw-Hill, 1996.

BRAGA, A. P.; CARVALHO A. C. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro. Ed. LTC, 2ª ed. Rio de Janeiro, 2011.

FERREIRA, Ricardo Pinto. Combinação de Técnicas da Inteligência Artificial para Previsão do Comportamento do Tráfego Veicular Urbano na Cidade de São Paulo. 2011. Dissertação (Mestrado) – Universidade Nove de Julho, Engenharia de Produção, São Paulo. 107 p.

GAGANIS, C. Classification techniques for the identification of falsified financial statements: a comparative analysis, Intell. Syst. Account. Financ. Manag. v.16, p. 207–229, 2009.

HAYKIN, S. Redes Neurais – Princípios e Práticas. Bookman. 2a edição. Porto Alegre, 2001.

HEBB, D. O. The Organization of Behavior: Neuropsychological Theory, N. Y.:Willey, 1949.

ITURRIAGA, F.J.L.; SANZ, I. P. Bankruptcy visualization and prediction using neural networks: a study of US commercial banks, Exp. Syst. Appl. 42, p. 2857–2869, 2015.

KOVÁCS, Z. L. Redes Neurais Artificiais - Fundamentos e Aplicações. Editora Livraria da Física. 4ª edição. São Paulo, 2006.

KRISTJANPOLLER, W.; MINUTOLO, M. C. Gold price volatility: a forecasting approach using the Artificial Neural Network–GARCH model, Exp. Syst. Appl, 2015.

LABOISSIERE, L. A.; FERNANDES, R. A.; LAGE, G. G. Maximum and minimum stock price forecasting of Brazilian power distribution companies based on artificial neural networks, Appl. Soft Comput, 2015.

LARRAIN, J. M.; TURNER, C. The treasury bill rate, the great recession, and neural networks estimates of real business sales, Proc. Comput. Sci. 36, p. 227–233, 2014.

LORENTZ, E. N. Deterministic nonperiodic flow, J. Atmosph. Sci., v.20. p. 130-141, 1963.

MARTINIANO, A. S.; FERREIRA, R. P.; AFFONSO, C.; SASSI, R. J. Aplicação de uma Rede Neuro Fuzzy na Previsão do Absenteísmo no Trabalho. CISTI'2012 - 7ª Conferencia Ibérica de Sistemas y Tecnologías de Información, 2012.

MATLAB ® version 7.8.0 R2009a, 2009.

MCCULOCH, W. S.; PITTS, W. H. A logical calculus of the ideas immanent in nervous activity, Bulletin of mathematical biophysics, v. 5, p. 115-133, 1943.

MENDEL, J. M.; MCLAREN, R. W. Reinforcement-learning control and pattern recognition systems. Adaptive, Learning and Pattern Recognition Systems. Academic Press, New York e London, Cap. 8, p. 287–318, 1970.

MONTEIRO, L. H. A. Sistemas Dinâmicos. 2. ed. São Paulo: Editora Livraria da Física, 2006.

RATH, S.; JAGADEV, A. K.; NAYAK, M. R. Performance analysis of stock market using artificial neural network, Int. J. Appl. Eng. Res. 10, 2015.

ROSENBLATT, M. The Perceptron: A probabilistic model for information storage and organization in the Brain. Psychological review, v.65, n.6, p. 386-408, 1958.

RUSSEL, S.; NORVIG, P. Inteligência Artificial. Campus. 3. ed. São Paulo, 2013.

SASSI, Renato José. Uma Arquitetura Híbrida para Descoberta de Conhecimento em Bases de Dados: Teoria dos Rough Sets e Redes Neurais Artificiais Mapas Auto-Organizáveis. 169 f. Tese (Doutorado) – Escola Politécnica da Universidade de São Paulo, Departamento de Engenharia Elétrica, São Paulo, 2006.

SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para Engenharia e Ciências Aplicadas. SP: Artliber, 2010.

SIMÕES, M. G.; SHAW, I. S. Controle e Modelagem fuzzy. São Paulo: Blucher: FAPESP, 2007.

TEORIA DO CAOS. Disponível em: < http://www.brasilescola.com/fisica/teoria-caos.htm# > Acesso em 04 fev. 2016.

Published
2016-04-30
How to Cite
Martiniano, A., Ferreira, R. P., Ferreira, A., Ferreira, A., & Sassi, R. J. (2016). Using an artificial neural network to approximate the temporal evolution function of the lorenz system. Revista Produção E Desenvolvimento, 2(1), 26-38. https://doi.org/10.32358/rpd.2016.v2.94
Section
Evaluation for educational development