Advanced approach to numerical forecasting using artificial neural networks
Michael Štencl, Jiří Šťastný · Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis · 2014
Článek představuje neuronové sítě typu RBF (sítě radiálních bazických funkcí) v porovnání s vícevrstvými neuronovými sítěmi (MLP) s učícím algoritmem zpětného šíření (Back-propagation). Srovnání je podloženo praktickou úlohou spojenou s odhadem budoucího vývoje zjednodušeného modelu časové řady publikovaného dříve. Výchozí je srovnání RBF a MLP sítí v obou rovinách - teoretické i praktické. Přínosem článku je také přesné vymezení odlišných přístupů k učení obou sítí. Praktická úloha ukázala nutnost vlastní implementace RBF sítě pro její využití na predikce různých modelů časových řad. Jako výhodu plynoucí z provedeného experimentu je nutné zmínit rychlost učení sítě typu RBF.Sítě typu RBF ukázaly svou vysokou účinnost a výkonnost pro aproximační úlohy. Pro jejich využití na odhad budoucího vývoje modelů časových řad je však nutné provést vlastní implementaci. Vlastní experiment prokázal lepší výsledky u MLP sítě. Současně sítě typu RBF však dosáhly podobné chyby ve znatelně kratší době, čímž potvrdily svou účinnost, avšak nedosáhly stejně kvalitní predikce.