Réseaux neuronaux hybrides pour les prévisions météorologiques: Une approche intégrée de la prévision

La météo joue un rôle important dans la vie quotidienne, l'immobilier, l'agriculture et l'industrie. Les réseaux neuronaux sont capables de prédire le comportement non linéaire de la météo sans qu'il soit nécessaire d'explorer explicitement les lois physiques. La méthode la plus courante pour entraîner les réseaux neuronaux consiste à utiliser l'algorithme de rétropropagation basé sur la descente du gradient. Mais cet algorithme présente plusieurs inconvénients, comme le problème des minima locaux, la lenteur de l'entraînement et les problèmes d'évolutivité. On peut donc résoudre ces problèmes en l'hybridant avec des algorithmes génétiques. La technique hybride permet un apprentissage efficace en combinant les atouts de l'algorithme génétique et de l'algorithme de rétropropagation. Les réseaux neuronaux hybrides sont plus adaptés si l'on considère uniquement l'exigence d'une recherche globale. Ils sont performants en recherche globale, c'est-à-dire qu'ils ne se limitent pas à une seule direction et qu'ils travaillent avec une population de points plutôt qu'avec un seul point. De plus, ils combinent les avantages de l'algorithme déterministe BP et de l'algorithme d'optimisation stochastique GA.

Pagina's: 72, Paperback, Editions Notre Savoir