Problem under study is prediction o

Problem under study is prediction of volume of wood, and it is compared to
other methods such as the Huber’s formula (1) and the statistical regression analysis
in order to estimate the amount of wood using typical tree variables: diameter,
thickness, diameter growth, years and height. Neural networks had approximated
in a good manner tested examples, getting a small mean squared error, (see Table 1).
Radial basis function neural network learns with only a few patterns, so that results
using only 50 patterns are really excellent. For each of the trees classes tested, the
RBF gives less MSE estimated than the standard formulas Huber (1), Eq. 2 and
Multivariate Analysis Regression. Next step consists on forecasting the input variable
importance (sensitive analysis) in the learning process.

Kết quả (Việt) 1:

Các vấn đề đang được nghiên cứu là dự đoán của các khối lượng gỗ, và nó được so sánh vớiCác phương pháp khác chẳng hạn như công thức của Huber (1) và phân tích thống kê hồi quiđể ước tính số lượng gỗ bằng cách sử dụng điển hình cây biến: đường kính,độ dày, đường kính tăng trưởng, tuổi và chiều cao. Mạng nơ-ron có xấp xỉmột cách tốt kiểm tra ví dụ, nhận được một nhỏ có nghĩa là bình phương lỗi, (xem bảng 1).Mạng nơ-ron chức năng xuyên tâm cơ sở học với chỉ một vài mẫu, do đó, đó là kết quảbằng cách sử dụng chỉ 50 mô hình được thực sự tuyệt vời. Cho mỗi cây các lớp học thử nghiệm, cácRBF cho ít MSE ước tính hơn các công thức tiêu chuẩn Huber (1), Eq. 2 vàPhân tích đa biến Regression. Bước tiếp theo bao gồm dự báo các biến đầu vàotầm quan trọng (phân tích nhạy cảm) trong quá trình học tập.

Kết quả (Việt) 2:

Vấn đề được nghiên cứu là dự báo khối lượng của gỗ, và nó được so sánh với
các phương pháp khác như công thức của Huber (1) và phân tích hồi quy thống kê
để ước tính số lượng gỗ được sử dụng các biến điển hình cây: đường kính,
độ dày, tăng trưởng đường kính, năm và chiều cao. Mạng nơ-ron đã xấp xỉ
một cách tốt đẹp được thử nghiệm ví dụ, nhận được một lỗi bình phương trung bình nhỏ, (xem Bảng 1).
Mạng cơ sở Radial chức năng thần kinh học với chỉ một vài mẫu, để các kết quả
bằng cách sử dụng chỉ có 50 mẫu là thực sự tuyệt vời. Đối với mỗi lớp cây thử nghiệm, các
RBF cho ít MSE ước tính hơn so với công thức tiêu chuẩn (1) Huber, Eq. 2 và
đa biến phân tích hồi quy. Bước tiếp theo bao gồm trên dự báo các biến đầu vào
quan trọng (phân tích nhạy cảm) trong quá trình học tập.