Neural Networks have been used as a

Neural Networks have been used as an effective method for solving engineering problems in a wide range of application areas. We present two basic methods of analysis: sensitivity analysis and neural networks and its are compared with a regression model. The method implemented should be applied when the importance of the input variables change from one to another over the range of the variable to be predicted. To search for a predictive model, in these cases, implement a set of functions or hyper planes, that approximate the response variable by a function for each one of the subintervals, which has divided the range of the output variable. That is, it divides the range of the variable to predict contiguous and disjoint intervals and each interval obtained, it is implemented a network that more accurately predicted.
The method is as follows:
• Neural network with n inputs and one output. The first neural network has been implemented with only one hidden layer, in this way; it is possible to study the weights in the neural network for the input layer [10].
• For this, first, the influence of independent variables X1, X2, . . . Xn are studied over the range of the dependent variable Y, using the method called bisection method (BM) [16]. This method involves dividing the original pattern set into two subsets of patterns (values of the output variable Y above zero or positive (0, 1] and values below zero or negative [−1, 0)) and studying if the model (the weights) that the network implements, it is different or has changed for both subsets obtained. If the weights for the input variables have changed, for the two
output intervals, then it will be necessary to define two functions (two neural networks one for each subset) for each one of the two output ranges obtained, for the variable Y, the process continues iteratively for each subset, each one divide again into two new subsets, until no changes occur in the weights of input variables over the output variable. For each one classes obtained, one neural network is trained and the value of the weights and error threshold are observed.
• Study of the highest absolute weights for the variables in each training neural network, and detect the most important variables [16].
• Verified by sensitivity analysis that the most important input variables for each subset obtained matches with those obtained in the previous step, that have been performed with neural networks and BM.
• Finally, for a new input pattern to know which is the network, of the first classification obtained by bisection method, that it must be use for the best approximation.
Now, it is necessary to use radial basis function (RBF) by cluster grouping, and to detect which of the networks obtained in the first part, it must be used to obtain the best prediction. The radial basis network is not able, in this case, give more accurate output, but it is possible to decide the cluster or class which it belongs. Radial basis neural networks detected by the algorithm k-means cluster potential, that exists within the data set, this allows us to detect, for a new input, which is the network to use. RBF neural networks provide a powerful alternative to multilayer perceptron to classify a pattern set. In this article, we propose to use radial basis neural networks in order to find the classification when a new input pattern appears.
So, it is possible to divide the problem in sub-problems, and to get a different function for different ranges of the variable to forecast. Each function is defined from the weights in each subset and subnet obtained, and which let us a lower error rate and also indicates the range of principal input variables; and it will be compared with the study of regression model to verify that the variables, which have been chosen to define predictive models, are right.

Kết quả (Việt) 1:

Mạng nơ-ron đã được sử dụng như một phương pháp hiệu quả để giải quyết các vấn đề kỹ thuật trong một loạt các lĩnh vực ứng dụng. Chúng tôi trình bày hai phương pháp cơ bản của phân tích: phân tích độ nhạy và mạng nơ-ron và được của nó so với một mô hình hồi quy. Các phương pháp thực hiện nên được áp dụng khi tầm quan trọng của các yếu tố đầu vào thay đổi từ một đến khác trong phạm vi của biến cho được dự đoán. Để tìm kiếm một mô hình tiên đoán, trong những trường hợp này, thực hiện một tập hợp các chức năng hoặc siêu máy bay, trong đó xác định phản ứng biến bởi một chức năng cho mỗi một trong subintervals, đã chia ra phạm vi của các biến đầu ra. Có nghĩa là, nó phân chia dãy biến để dự đoán tiếp giáp và các khoảng và mỗi khoảng thời gian thu được, nó thực hiện một mạng lưới dự đoán chính xác hơn.Các phương pháp là như sau:• Mạng nơ-ron với n đầu vào và đầu ra một. Mạng nơ-ron đầu tiên đã được thực hiện với chỉ một lớp ẩn, bằng cách này; ta có thể học các trọng lượng trong mạng nơ-ron cho đầu vào lớp [10].• Đối với điều này, trước tiên, ảnh hưởng của độc lập biến X 1, X 2... XN được nghiên cứu trong phạm vi của phụ thuộc vào biến Y, bằng cách sử dụng phương pháp gọi là phương pháp bisection (BM) [16]. Phương pháp này bao gồm việc phân chia các mô hình ban đầu đặt vào hai con của mô hình (giá trị của biến đầu ra Y ở trên không có hoặc tích cực (0, 1] và giá trị dưới đây bằng không hoặc tiêu cực [−1, 0)) và học tập nếu mô hình (trọng lượng) mạng thực hiện, nó là khác nhau hoặc đã thay đổi cho cả hai con thu được. Nếu trọng lượng cho các yếu tố đầu vào có thay đổi, cho haikhoảng thời gian đầu ra, sau đó nó sẽ được cần thiết để xác định hai chức năng (hai mạng nơ-ron một cho mỗi tập con) cho mỗi một trong dãy núi hai đầu ra được, cho biến Y, quá trình tiếp tục lặp đi lặp lại cho mỗi tập con, mỗi phân chia một lần nữa thành hai tập con mới, cho đến khi không có thay đổi xảy ra trong các trọng lượng của đầu vào biến trên các biến đầu ra. Cho mỗi một trong các lớp học được, một mạng nơ-ron được đào tạo và giá trị của trọng lượng và lỗi ngưỡng được áp dụng.• Nghiên cứu về trọng lượng tuyệt đối cao nhất cho các biến trong mỗi đào tạo mạng nơ-ron, và phát hiện các biến quan trọng nhất [16].• Xác minh bằng cách phân tích độ nhạy đầu vào biến quan trọng nhất cho mỗi tập con thu được kết quả phù hợp với những người thu được trong bước trước, mà đã được thực hiện với mạng nơ-ron và BM.• Cuối cùng, đối với một mô hình đầu vào mới để biết là mạng lưới, việc phân loại đầu tiên thu được bằng phương pháp bisection, mà nó phải sử dụng cho xấp xỉ tốt nhất.Bây giờ, nó là cần thiết để sử dụng chức năng xuyên tâm cơ sở (RBF) bởi cụm nhóm, và phát hiện đó của các mạng lưới thu được trong phần đầu tiên, nó phải được sử dụng để có được dự đoán tốt nhất. Cơ sở xuyên tâm mạng không phải là có thể, trong trường hợp này, cung cấp cho chính xác hơn đầu ra, nhưng nó có thể quyết định cụm hoặc lớp mà nó thuộc về. Mạng nơ-ron xuyên tâm cơ sở phát hiện bởi thuật toán k-có nghĩa là cụm tiềm năng, mà tồn tại trong các thiết lập dữ liệu, điều này cho phép chúng tôi để phát hiện, cho một đầu vào mới, mà là mạng để sử dụng. Mạng nơ-ron RBF cung cấp một thay thế mạnh mẽ cho đa lớp perceptron để phân loại bộ mô hình. Trong bài này, chúng tôi đề xuất để sử dụng mạng nơ-ron xuyên tâm cơ sở để tìm việc phân loại khi một mô hình đầu vào mới xuất hiện.Vì vậy, nó có thể để chia các vấn đề trong các vấn đề phụ, và để có được một chức năng khác nhau cho các phạm vi khác nhau của biến để dự báo. Mỗi chức năng được xác định từ trọng lượng trong mỗi tập con và mạng con thu được, và đó cho chúng tôi một tỷ lệ lỗi thấp và cũng cho biết phạm vi của chính đầu vào biến; và nó sẽ được so sánh với nghiên cứu của hồi quy mô hình để xác minh rằng các biến, mà đã được chọn để xác định mô hình tiên đoán, là đúng.

Kết quả (Việt) 2:

Neural Networks đã được sử dụng như một phương pháp hiệu quả để giải quyết các vấn đề kỹ thuật trong một loạt các lĩnh vực ứng dụng. Chúng tôi trình bày hai phương pháp cơ bản của phân tích: phân tích độ nhạy và mạng lưới thần kinh và nó được so sánh với một mô hình hồi quy. Các phương pháp thực hiện nên được áp dụng khi tầm quan trọng của các biến đầu vào thay đổi từ một đến khác trong phạm vi của biến để tiên đoán được. Để tìm kiếm một mô hình dự báo, trong những trường hợp này, thực hiện một tập hợp các chức năng hoặc máy bay siêu, mà gần đúng các biến đáp ứng bởi một chức năng cho mỗi một trong những subintervals, mà đã chia phạm vi của các biến đầu ra. Đó là, nó phân chia phạm vi của biến để dự đoán khoảng thời gian tiếp giáp và rời nhau và mỗi khoảng thời gian thu được, nó được thực hiện một mạng lưới mà dự đoán chính xác hơn.
Phương pháp này như sau:
• Mạng Neural với n đầu vào và một đầu ra. Mạng lưới thần kinh đầu tiên đã được thực hiện với chỉ một lớp ẩn, theo cách này; nó là có thể nghiên cứu các trọng trong mạng lưới thần kinh cho các lớp đầu vào [10].
• Đối với điều này, đầu tiên, ảnh hưởng của các biến độc lập X1, X2,. . . Xn được nghiên cứu trong phạm vi của biến phụ thuộc Y, sử dụng phương pháp gọi là phương pháp chia làm hai đoạn (BM) [16]. Phương pháp này liên quan đến việc phân chia các mô hình ban đầu thiết lập thành hai tập con của mô hình (các giá trị của các biến đầu ra Y ở trên không hay tích cực (0, 1] và các giá trị dưới số không hoặc âm [-1, 0)) và học tập nếu các mô hình (các trọng ) mà mạng thực hiện, đó là khác nhau hoặc đã thay đổi cho cả hai tập con thu được. Nếu trọng lượng cho các biến đầu vào đã thay đổi, trong hai
khoảng thời gian đầu ra, sau đó nó sẽ là cần thiết để xác định hai chức năng (hai mạng neural một cho mỗi tập hợp con) cho mỗi một trong hai dãy sản lượng thu được, cho biến Y, quá trình tiếp tục lặp đi lặp lại cho mỗi tập con, mỗi một lần nữa chia thành hai tập con mới, cho đến khi không thay đổi xảy ra trong các trọng số của các biến đầu vào qua các biến đầu ra. Đối với mỗi một lớp học thu được, một mạng nơ ron được đào tạo và giá trị của các trọng số và ngưỡng lỗi được quan sát.
• Nghiên cứu của các trọng tuyệt đối cao nhất cho các biến trong mỗi mạng nơron đào tạo, và phát hiện các biến quan trọng nhất [16].
• xác nhận qua phân tích độ nhạy cảm mà các biến đầu vào quan trọng nhất đối với mỗi tập con có được trận đấu với những người thu được trong bước trước, đã được thực hiện với các mạng thần kinh và BM.
• Cuối cùng, cho một mô hình đầu vào mới biết đó là mạng, của phân loại đầu tiên thu được bằng phương pháp chia làm hai đoạn, mà nó phải được sử dụng cho xấp xỉ tốt nhất.
Bây giờ, nó là cần thiết để sử dụng chức năng cơ sở xuyên tâm (RBF) bằng cụm nhóm, và để phát hiện được trong những mạng lưới thu được ở phần đầu tiên, nó phải được được sử dụng để có được những dự đoán tốt nhất. Mạng lưới cơ sở xuyên tâm là không thể, trong trường hợp này, cung cấp cho đầu ra chính xác hơn, nhưng nó có thể quyết định các cụm hoặc lớp mà nó thuộc về. Cơ sở Radial mạng thần kinh được phát hiện bởi các thuật toán k-means tiềm năng cluster, mà tồn tại trong tập hợp dữ liệu, điều này cho phép chúng ta phát hiện, cho một đầu vào mới, đó là các mạng để sử dụng. Mạng nơron RBF cung cấp một thay thế mạnh mẽ để Multilayer perceptron để phân loại một mô hình thiết lập. Trong bài viết này, chúng tôi đề xuất sử dụng các mạng thần kinh cơ sở xuyên tâm để tìm ra các phân loại khi một mô hình đầu vào mới xuất hiện.
Vì vậy, nó có thể phân chia các vấn đề trong vấn đề phụ, và để có được một chức năng khác nhau cho các phạm vi khác nhau của biến để dự báo. Mỗi chức năng được xác định từ các trọng trong mỗi nhóm và subnet thu được, và trong đó chúng ta hãy một tỷ lệ lỗi thấp hơn và cũng chỉ ra phạm vi của các biến đầu vào chủ yếu; và nó sẽ được so sánh với các nghiên cứu về mô hình hồi quy để xác minh rằng các biến, đã được lựa chọn để xác định mô hình dự báo, là đúng.