Dynamic system modelling has been mainly performed using recurrent neural networks (RNN). However, training algorithms must be specific for each model thus making RNN not easy to use. In this work, the canonical transformation of RNN, as proposed by Dreyfus and Idan, is used thus allowing the utilization of traditional and simple training algorithms like backpropagation. An application for a CSTR dynamic process is included showing very good one-step-ahead (OSA) and multiple -prediction-output (MPO) prediction results.

La modelación de sistemas dinámicos con redes neuronales sugiere el uso de redes recurrentes. Sin embargo, los algoritmos de entrenamiento para dichas redes deben ser específicos para cada modelo, lo cual complica su uso. Este trabajo aplica el método propuesto por Dreyfus e Idan donde se transforma una red neuronal recurrente, obtenida a partir de un modelo de ecuaciones diferenciales, a una red en su forma canónica, lo cual permite el uso de algoritmos de entrenamiento tradicionales como retropropagación del error. Se realiza una implementación computacional de dicho método, la cual se utiliza para modelar en un sistema dinámico no lineal, donde se logran muy buenos resultados en la predicción, utilizando tanto predicción a un paso (OSA) como predicción múltiple (MPO).