Hybrydowe sieci neuronowe do prognozowania pogody: Zintegrowane podej¿cie

Pogoda odgrywa znacz¿c¿ rol¿ w ¿yciu codziennym, dla mienia, rolnictwa i przemys¿u. Sieci neuronowe potrafi¿ przewidywä nieliniowe zachowania pogody bez konieczno¿ci szczegó¿owego analizowania zasad fizyki. Najpopularniejsz¿ metod¿ uczenia sieci neuronowych jest algorytm wstecznej propagacji oparty na metodzie spadku gradientu. Algorytm ten ma jednak kilka wad, takich jak problem lokalnych minimów, powolne uczenie si¿ i trudno¿ci ze skalowaniem. Rozwi¿zaniem tych problemów jest po¿¿czenie go z algorytmami genetycznymi. Technika hybrydowa pozwala na efektywne uczenie si¿ dzi¿ki po¿¿czeniu zalet algorytmu genetycznego z algorytmem propagacji wstecznej. Hybrydowe sieci neuronowe sprawdzaj¿ si¿ lepiej, je¿li we¿mie si¿ pod uwag¿ tylko wymóg przeszukiwania globalnego. Dobrze radz¿ sobie z przeszukiwaniem globalnym, czyli nie tylko w jednym kierunku, i dziäaj¿ na populacji punktów zamiast na pojedynczym punkcie. ¿¿cz¿ te¿ zalety zarówno deterministycznego algorytmu BP, jak i stochastycznego algorytmu optymalizacyjnego GA.