Influence of the architecture in estimated volume of individual trees using artificial neural networks
| Autor: | Eric Bastos Gorgens, Aline Ceolin, José Marinaldo Gleriani, Helio Garcia Leite, Carlos Pedro Boechat Soares |
|---|---|
| Jazyk: | portugalština |
| Rok vydání: | 2014 |
| Předmět: | |
| Zdroj: | LOCUS Repositório Institucional da UFV Universidade Federal de Viçosa (UFV) instacron:UFV Revista Árvore v.38 n.2 2014 Revista Árvore instacron:SIF Revista Árvore, Volume: 38, Issue: 2, Pages: 289-295, Published: APR 2014 Revista Árvore, Vol 38, Iss 2, Pp 289-295 (2014) |
| Popis: | As redes neurais supervisionadas são compostas por unidades de processamento organizadas de forma paralela, em que cada uma delas computa determinadas funções matemáticas. As unidades são organizadas em camadas e ligadas por pesos sinápticos que ponderam as entradas, buscando ajustá-los a um padrão de saída previamente estabelecido. É fundamental a correta definição do número de camadas e da quantidade de neurônios em cada uma delas, uma vez que o treinamento é influenciado diretamente por esses parâmetros. Para explorar esse ponto, dados de cubagem de cinco empresas diferentes foram reunidos em uma planilha e, de forma aleatória, divididos em conjunto de treinamento e conjunto de validação. Os dados foram apresentados para três redes com arquiteturas diferentes. A avaliação foi feita por meio de gráficos de resíduos e teste t (p< = 0,05). Com base nos resultados, foi possível concluir que, para obter estimativas de volume por árvore, a rede neural deve ser construída com mais de 10 neurônios na primeira camada, sendo recomendado o uso de mais de uma camada intermediária. Supervised neural networks are composed of parallel processing units. Each unit, called neurons, computes certain mathematical functions. The units are arranged in layers and connected by synaptic weights to balance the entries, trying to adjust them to a predetermined output pattern. The correct definition of the number of layers and the number of neurons in each layer are crucial, once the training is directly influenced by these parameters. To explore this point, data of scaling from five different regions were arranged in a spreadsheet and randomly divided into training and validation set. Data were presented for three networks with different architectures. The evaluation was performed using residual plots and t test (p |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|