Hybride neuronale Netze für die Wettervorhersage: Ein integrierter Ansatz Prognose

Das Wetter spielt eine wichtige Rolle für Leben, Eigentum, Landwirtschaft und Industrie. Neuronale Netze sind in der Lage, das nichtlineare Verhalten des Wetters vorherzusagen, ohne dass die physikalischen Zusammenhänge explizit untersucht werden müssen. Die gängigste Methode zum Trainieren neuronaler Netze ist der auf Gradientenabstieg basierende Backpropagation-Algorithmus. Der Backpropagation-Algorithmus weist jedoch einige Nachteile auf, wie das Problem lokaler Minima, langsames Training und Skalierungsprobleme. Diese Probleme lassen sich durch eine Kombination mit genetischen Algorithmen lösen. Die Hybridtechnik kann effizient lernen, indem sie die Stärken des genetischen Algorithmus mit denen des Backpropagation-Algorithmus kombiniert. Die hybriden neuronalen Netze sind besser geeignet, wenn man nur die Anforderung einer globalen Suche berücksichtigt. Sie sind gut bei der globalen Suche, d. h. nicht nur in eine Richtung, und sie arbeiten mit einer Population von Punkten statt mit einem einzelnen Punkt. Außerdem vereinen sie die Vorzüge sowohl des deterministischen Algorithmus BP als auch des stochastischen Optimierungsalgorithmus GA.

Pagina's: 72, Paperback, Verlag Unser Wissen