where F is an estimate of some vari

where F is an estimate of some variable of interest, y, x = x1,...,xn and denotes the set
of input variables or predictors, and ε is noise or an error term. The training of the
neural network is analogous to parameter estimation in regression. As discussed in
Section 1.2, neural networks can approximate any functional behavior, without the
prerequisite a priori knowledge of the structure of the relationships that are described.
As a result, numerous applications of predictive neural network models to environmental
and biological analyses have been reported in the literature. For example,
neural networks have been incorporated into urban air quality studies for accurate
prediction of average particulate matter (PM2.5 and PM10) concentrations in order
to assess the impact of such matter on the health and welfare of human populations
(Perez and Reyes, 2006; Dong et al., 2009). They have also been widely incorporated
into biological studies, for example, from the use of neural networks in predicting
the reversed-phase liquid chromatography retention times of peptides enzymatically
digested from proteome-wide proteins (Petritis et al., 2003), to the diagnosis of heart
disease through neural network ensembles (Das et al., 2009).

Kết quả (Việt) 1:

nơi F là một ước tính của một số biến lãi suất, y, x = x1,..., xn và tụ tậpđầu vào biến hoặc dự đoán, và ε là tiếng ồn hoặc một thuật ngữ lỗi. Việc đào tạo của cácmạng nơ-ron là tương tự để ước lượng tham số trong hồi quy. Như được thảo luận tạiPhần 1.2, mạng nơ-ron có thể xác định bất kỳ hành vi chức năng, mà không có cácđiều kiện tiên quyết kiến thức tiên nghiệm cấu trúc của các mối quan hệ này được mô tả.Kết quả là, rất nhiều các ứng dụng của tiên đoán thần kinh mạng mô hình để môi trườngvà sinh học phân tích đã được báo cáo trong các tài liệu. Ví dụ:mạng nơ-ron đã được hợp nhất vào đô thị máy nghiên cứu chất lượng cho chính xácdự báo trung bình là hạt vật chất (PM2.5 và PM10) nồng độ theo thứ tựđể đánh giá tác động của vấn đề về sức khỏe và phúc lợi của nhân dân(Perez và Reyes, năm 2006; Dong et al., 2009). Họ cũng đã được rộng rãi kết hợpthành nghiên cứu sinh học, ví dụ, từ việc sử dụng mạng nơ-ron trong dự đoánthời gian lưu giữ sắc kí lỏng pha đảo ngược của peptide enzymaticallytiêu hóa từ proteome toàn protein (Petritis et al., 2003), để chẩn đoán của trái timbệnh thông qua mạng nơ-ron ensembles (Das et al., 2009).

Kết quả (Việt) 2:

trong đó F là một ước tính của một số biến của lãi suất, y, x = x1, ..., xn và là tập
của các biến đầu vào hoặc dự đoán, và ε là tiếng ồn hoặc một sai. Việc tập huấn cho
mạng lưới thần kinh tương tự như tham số ước lượng trong hồi quy. Như đã thảo luận trong
Phần 1.2, mạng nơron có thể xấp xỉ bất kỳ hành vi chức năng, mà không có
điều kiện tiên quyết một kiến thức tiên nghiệm về cấu trúc của các mối quan hệ được mô tả.
Kết quả là, nhiều ứng dụng của mô hình mạng thần kinh dự đoán đến môi trường
phân tích và sinh học đã được báo cáo trong văn học. Ví dụ,
mạng thần kinh đã được đưa vào nghiên cứu chất lượng không khí đô thị cho chính xác
dự báo của các hạt vật chất trung bình (PM2.5 và PM10) nồng độ để
đánh giá tác động của các vấn đề như vậy đối với sức khỏe và phúc lợi của dân số loài người
(Perez và Reyes, 2006;. Đồng et al, 2009). Họ cũng đã được tích hợp rộng rãi
vào các nghiên cứu sinh học, ví dụ, từ việc sử dụng các mạng thần kinh trong việc dự đoán
các giai đoạn đảo ngược thời gian lưu giữ sắc ký lỏng của peptide enzym
tiêu hóa từ protein proteome rộng (Petritis et al., 2003), để chẩn đoán của tim
bệnh thông qua cụm công mạng thần kinh (Das et al., 2009).