The algorithm works as follows: for

The algorithm works as follows: for a network with i training examples of dimension d, and with a single output O. To compute the sensitivity along the domain, an x is taken for all the values of the domain and so PSIdx is calculated, then an importance values matrix is obtained, the rows will be the input variables and the columns, the importance of an input variable in a point x of the domain: PSIdx is calculated following the equation:


Finally, a radial basis function neural network has been implemented with only all eucalyptus patterns; the method computes clusters for classification wood volume in a eucalyptus forest. It was performed an initial study using 150 patterns in training set and four input variables. All centers are stable in three points which show the three main clusters, and where the net has been possible to detect the three classes of tree (see Table 1). Main centers of RBF approximate real clusters in the three forest areas, following Table 3 shows the real clustering.



The process carried out found three functions, which predict the volume of wood. After it should be check the results obtained by linear regression models, examining the likelihood ratios in the model, as well as, possible correlations between input variables. In this way, it is possible to compare the results obtained through the networks and regression model and the prediction error which is obtained with both models.

Kết quả (Việt) 2:

Các thuật toán làm việc như sau: đối với một mạng lưới với tôi đào tạo các ví dụ về kích thước d, và với một đầu ra duy nhất O. Để tính toán độ nhạy dọc miền, một x được thực hiện cho tất cả các giá trị của tên miền và vì vậy PSIdx được tính toán, sau đó một tầm quan trọng các giá trị ma trận thu được, các hàng sẽ được các biến đầu vào và các cột, tầm quan trọng của một biến số đầu vào tại một điểm x của tên miền: PSIdx được tính theo phương trình: Cuối cùng, một cơ sở radial mạng chức năng thần kinh đã được triển khai chỉ với tất cả các mẫu bạch đàn; phương pháp tính toán các cụm cho khối lượng gỗ phân loại trong một khu rừng bạch đàn. Nó được thực hiện một nghiên cứu ban đầu sử dụng 150 mẫu trong tập huấn luyện và bốn biến số đầu vào. Tất cả các trung tâm này là ổn định trong ba điểm mà thấy ba cụm chính, và nơi mà các mạng đã có thể phát hiện ba lớp học của cây (xem Bảng 1). Trung tâm chính của RBF cụm thực gần đúng trong ba lĩnh vực lâm nghiệp, sau Bảng 3 cho thấy các phân nhóm thực. Quá trình thực hiện đã tìm được ba chức năng, trong đó dự đoán khối lượng gỗ. Sau khi nó phải được kiểm tra kết quả thu được từ mô hình hồi quy tuyến tính, kiểm tra các tỷ lệ khả năng trong mô hình, cũng như, mối tương quan có thể có giữa các biến đầu vào. Bằng cách này, nó có thể so sánh các kết quả thu được thông qua các mạng lưới và mô hình hồi quy và các lỗi dự báo mà là thu được với cả hai mô hình.