Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista Árvore (Online) |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0100-67622014000200009 |
Resumo: | 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. |
id |
SIF-1_c319e6e77157dd7f2e84cdf4b670fe53 |
---|---|
oai_identifier_str |
oai:scielo:S0100-67622014000200009 |
network_acronym_str |
SIF-1 |
network_name_str |
Revista Árvore (Online) |
repository_id_str |
|
spelling |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiaisCubagemNeurôniosCamadaAs 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.Sociedade de Investigações Florestais2014-04-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0100-67622014000200009Revista Árvore v.38 n.2 2014reponame:Revista Árvore (Online)instname:Universidade Federal de Viçosa (UFV)instacron:SIF10.1590/S0100-67622014000200009info:eu-repo/semantics/openAccessGorgens,Eric BastosLeite,Helio GarciaGleriani,José MarinaldoSoares,Carlos Pedro BoechatCeolin,Alinepor2014-06-18T00:00:00Zoai:scielo:S0100-67622014000200009Revistahttp://www.scielo.br/revistas/rarv/iaboutj.htmPUBhttps://old.scielo.br/oai/scielo-oai.php||r.arvore@ufv.br1806-90880100-6762opendoar:2014-06-18T00:00Revista Árvore (Online) - Universidade Federal de Viçosa (UFV)false |
dc.title.none.fl_str_mv |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
title |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
spellingShingle |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais Gorgens,Eric Bastos Cubagem Neurônios Camada |
title_short |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
title_full |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
title_fullStr |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
title_full_unstemmed |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
title_sort |
Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais |
author |
Gorgens,Eric Bastos |
author_facet |
Gorgens,Eric Bastos Leite,Helio Garcia Gleriani,José Marinaldo Soares,Carlos Pedro Boechat Ceolin,Aline |
author_role |
author |
author2 |
Leite,Helio Garcia Gleriani,José Marinaldo Soares,Carlos Pedro Boechat Ceolin,Aline |
author2_role |
author author author author |
dc.contributor.author.fl_str_mv |
Gorgens,Eric Bastos Leite,Helio Garcia Gleriani,José Marinaldo Soares,Carlos Pedro Boechat Ceolin,Aline |
dc.subject.por.fl_str_mv |
Cubagem Neurônios Camada |
topic |
Cubagem Neurônios Camada |
description |
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. |
publishDate |
2014 |
dc.date.none.fl_str_mv |
2014-04-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0100-67622014000200009 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0100-67622014000200009 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/S0100-67622014000200009 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Sociedade de Investigações Florestais |
publisher.none.fl_str_mv |
Sociedade de Investigações Florestais |
dc.source.none.fl_str_mv |
Revista Árvore v.38 n.2 2014 reponame:Revista Árvore (Online) instname:Universidade Federal de Viçosa (UFV) instacron:SIF |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
SIF |
institution |
SIF |
reponame_str |
Revista Árvore (Online) |
collection |
Revista Árvore (Online) |
repository.name.fl_str_mv |
Revista Árvore (Online) - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
||r.arvore@ufv.br |
_version_ |
1750318000851910656 |