Я пытаюсь написать программу для прогнозирования погоды, используя обратное распространение. Я новичок в этой сфере. У меня есть исторические данные с различными параметрами, такими как температура, влажность, скорость ветра, количество осадков и т. д.
Я смущен тем, как предоставить эти данные входному слою. Каждому входному узлу должны быть предоставлены все данные за данный день, или мне нужно иметь другую сеть для каждого параметра? Меня также смущает выходной слой.
Во входном слое есть X отдельных узлов для каждого измерения (погода, ветер и т. д.) входных данных, где X — количество дней, на которые нужно оглянуться (скажем, 4-7). Затем вы должны нормализовать каждое входное измерение в подходящем диапазоне, скажем, [-1.0, 1.0].
Иметь второй «скрытый» слой, полностью связанный с первым слоем (а также с входным узлом «смещения» fix 1.0, который будет служить точкой фиксации). Здесь должно быть меньше узлов, чем во входном слое, но это просто эмпирическое правило, возможно, вам придется поэкспериментировать.
Последний слой — это ваш выходной слой, полностью взаимосвязанный со вторым слоем (и также сбрасывающий смещение). Имейте отдельный выходной нейрон для каждого измерения.
Не забывайте тренироваться с нормализованными значениями как на входе, так и на выходе. Поскольку это временной ряд, вам может не понадобиться рандомизировать порядок обучающих данных, а подавать их по мере их поступления во времени — ваша сеть также будет изучать временные отношения (если повезет:)
(Также обратите внимание, что существует метод, называемый «временным обратным распространением», который настроен для данных временных рядов.)
Мне кажется, что деревья решений могут быть лучшим решением этой проблемы, чем нейронные сети. Здесь описано, как работают деревья решений. Кроме того, доступно программное обеспечение, в котором реализованы различные классификаторы, включая нейронные сети. Я работал с Weka, и это работает очень хорошо. Существуют также библиотеки, которые вы можете использовать для использования функциональности Weka с такими языками программирования, как Java и C#. Если вы решите работать с Weka, обязательно ознакомьтесь с описанным форматом .arff здесь.
Я использовал (и владею) этой книгой: Introduction to Neural Networks с Java
Я нашел это полезной ссылкой. Он охватывает широкий спектр тем NN, включая обратное распространение.
