Regression and artificial neural re

Regression and artificial neural regression (ANN) modeling approaches were combined to develop models to predict the severity of gray leaf spot of maize. Regression models were used as a preliminary step to select potentially useful variables to be used in ANN model development. A total of 329 cases were used for model development. These consisted of environmental, cultural, and location specific variables collected from 17 counties in Iowa between 1998 and 2002. All
subsets regression was performed, generating different models from different combinations of 11 input variables. The best nine of 80 preliminary models were selected based on Mallow's Cp criteria, and the variables selected in these models were used to develop ANN models. A three-layer, feed-forward, back-propagation network with three hidden nodes was used to model the data. A random sample of 60% of the cases was used to train the network, and 20% each for testing and validation. The networks with the highest predictive accuracies corresponded well to
the best subsets of variables selected by the regression models. The predictive accuracy of the top four networks ranged from 70 to 75%, with mean squared errors ranging form 174.7 to 202.8. Networks with seven and eight inputs generally performed better than those with nine inputs. The best predictors of gray leaf spot severity were longitude, surface residue, planting date, cumulative hours of daily temperatures between 22 and 30°C and nightly RH > 90% between growth stages V4 and V12, mean nightly air temperature between V12 and R2, and gray leaf spot
resistance rating. Using regression to select predictors prior to fitting ANN models
resulted in faster convergence of networks to a solution when the best subsets of
input variables were used. Four subsets of variables with good predictive accuracies
were identified, allowing for greater flexibility in the choice of variables to be used to
predict gray leaf severity.

ผลลัพธ์ (ไทย) 1:

ถดถอยและการประดิษฐ์ประสาทถดถอย (แอน) วิธีการสร้างแบบจำลองที่รวมการพัฒนาแบบจำลองเพื่อทำนายความรุนแรงของสีเทาใบจุดของข้าวโพด รุ่นถดถอยใช้เป็นขั้นตอนเบื้องต้นในการเลือกตัวแปรที่อาจเป็นประโยชน์ที่จะใช้ในการพัฒนาแบบจำลอง ANN ทั้งหมด 329 กรณีถูกใช้สำหรับการพัฒนาแบบจำลอง เหล่านี้ประกอบด้วยสิ่งแวดล้อม วัฒนธรรม และตัวแปรเฉพาะสถานที่เก็บรวบรวมจาก 17 เขตในรัฐไอโอวาระหว่างปี 1998 และ 2002 ทั้งหมดถดถอยชุดย่อยดำเนินการ สร้างแบบที่แตกต่างจากการรวมกันของตัวแปรอินพุต 11 เก้าที่สุด 80 รุ่นเบื้องต้นคัดเลือกตามเกณฑ์ของชบา Cp และตัวแปรที่เลือกในรุ่นเหล่านี้ใช้ในการพัฒนาแบบจำลอง ANN มีใช้เครือข่าย 3 ชั้น ส่ง ต่อฟีด เผย แพร่หลัง มีสามซ่อนโหนการโมเดลข้อมูล ตัวอย่างที่สุ่มของ 60% กรณีที่ใช้เครือข่าย และ 20% ในแต่ละการทดสอบและตรวจสอบ เครือข่ายที่ความแม่นทำนายสูงสุดความผูกพันดี ส่วนย่อยที่สุดของตัวแปรที่เลือก โดยแบบจำลองถดถอย ความแม่นยำทำนายของเครือข่ายหลักสี่ไปจนถึง 70 ถึง 75% มีค่าเฉลี่ยกำลังสองข้อผิดพลาดตั้งแต่รูปแบบ 174.7 202.8 เครือข่ายที่ มีการดำเนินการทั่วไปได้ดีกว่ากับเก้าอินพุตอินพุตเจ็ด และแปด วันทำนายที่ดีที่สุดของสีเทาใบจุดรุนแรงลองจิจูด พื้นผิวที่ตกค้าง การปลูก ชั่วโมงสะสมของอุณหภูมิประจำวันระหว่าง 22 และ 30 ° C และคืน RH > 90% ระหว่างเจริญ V4 และ V12 หมายความว่า อุณหภูมิของอากาศยามค่ำคืนระหว่าง V12 และ R2 และสีเทาใบจุด การจัดอันดับความต้านทาน โดยใช้การถดถอยเพื่อเลือกทำนายก่อนการติดตั้งรุ่นแอน ส่งผลให้เร็วขึ้นบรรจบกันของเครือข่ายเพื่อแก้ไขปัญหาเมื่อส่วนย่อยที่สุดของ ใช้ป้อนค่าตัวแปร ย่อย 4 ตัวแปรกับความแม่นทำนายดี ระบุ ช่วยให้คล่องตัวมากขึ้นในการเลือกตัวแปรที่จะนำไปใช้ ทำนายความรุนแรงใบสีเทา

ผลลัพธ์ (ไทย) 2:

การถดถอยและประดิษฐ์ประสาทถดถอย (ANN) วิธีการสร้างแบบจำลองการทำงานร่วมกันในการพัฒนารูปแบบในการทำนายความรุนแรงของโรคใบจุดสีเทาของข้าวโพด แบบจำลองการถดถอยถูกนำมาใช้เป็นขั้นตอนเบื้องต้นในการเลือกตัวแปรที่อาจเป็นประโยชน์ที่จะใช้ในการพัฒนารูปแบบ ANN รวม 329 กรณีถูกนำมาใช้สำหรับการพัฒนารูปแบบ เหล่านี้ประกอบด้วยสิ่งแวดล้อมวัฒนธรรมและสถานที่ตั้งของตัวแปรเฉพาะที่เก็บรวบรวมจาก 17 จังหวัดในไอโอวาระหว่างปี 1998 และปี 2002 ทุก
ถดถอยย่อยได้ดำเนินการสร้างแบบจำลองที่แตกต่างจากการรวมกันของตัวแปร 11 ที่ดีที่สุดของเก้า 80 รุ่นในเบื้องต้นได้รับการคัดเลือกตามเกณฑ์ที่ Cp ลโลว์และตัวแปรที่เลือกในรูปแบบเหล่านี้ถูกนำมาใช้ในการพัฒนาแบบจำลอง ANN เครือข่ายสามชั้น, ฟีดไปข้างหน้าหลังการขยายพันธุ์ที่มีสามโหนดที่ซ่อนอยู่ได้ถูกใช้ในรูปแบบข้อมูล ตัวอย่างที่สุ่มจาก 60% ของกรณีที่ถูกนำมาใช้ในการฝึกอบรมเครือข่ายและแต่ละ 20% สำหรับการทดสอบและการตรวจสอบ เครือข่ายที่มีความถูกต้องสูงสุดทำนายตรงดีเพื่อ
ย่อยที่ดีที่สุดของตัวแปรที่เลือกโดยรุ่นที่ถดถอย ความถูกต้องของการคาดการณ์ด้านบนสี่เครือข่ายอยู่ในช่วง 70-75% โดยมีค่าเฉลี่ยกำลังสองข้อผิดพลาดตั้งแต่รูปแบบ 174.7-202.8 เครือข่ายที่มีเจ็ดและแปดปัจจัยการผลิตโดยทั่วไปทำได้ดีกว่าผู้ที่มีปัจจัยการผลิตที่เก้า ทำนายที่ดีที่สุดของสีเทาความรุนแรงใบจุดเป็นเส้นแวงที่เหลือพื้นผิว, วันปลูกชั่วโมงสะสมของอุณหภูมิทุกวันระหว่างวันที่ 22 และ 30 องศาเซลเซียสและยามค่ำคืน RH> 90% ระหว่างการเจริญเติบโตขั้นตอน V4 และ V12 ค่าเฉลี่ยอุณหภูมิของอากาศยามค่ำคืนระหว่าง V12 และ R2, และใบสีเทาจุด
คะแนนต้านทาน โดยใช้การถดถอยเพื่อเลือกทำนายก่อนที่จะมีการติดตั้งอุปกรณ์รุ่น ANN
ผลในการบรรจบกันของเครือข่ายได้เร็วขึ้นเพื่อแก้ปัญหาเมื่อย่อยที่ดีที่สุดของ
ตัวแปรถูกนำมาใช้ สี่ส่วนย่อยของตัวแปรที่มีความถูกต้องทำนายที่ดี
ที่ถูกระบุให้สามารถเพิ่มความยืดหยุ่นในการเลือกตัวแปรที่จะใช้ในการ
คาดการณ์ความรุนแรงใบสีเทา

ผลลัพธ์ (ไทย) 3:

การถดถอยพหุคูณและใยประสาทเทียม ( ANN ) การสร้างแบบจำลองอยู่รวมกันเพื่อพัฒนาแบบจำลองพยากรณ์ความรุนแรงของโรคใบจุดสีเทาของข้าวโพด แบบวิเคราะห์เป็นขั้นตอนเบื้องต้นในการเลือกตัวแปรที่อาจเป็นประโยชน์ เพื่อใช้ในการพัฒนาแบบจำลอง แอน ทั้งหมด 329 ราย มีวัตถุประสงค์เพื่อพัฒนารูปแบบ เหล่านี้ประกอบด้วย วัฒนธรรม สิ่งแวดล้อม และตัวแปรเฉพาะสถานที่เก็บรวบรวมจาก 17 จังหวัดในไอโอวาระหว่างปี 1998 และ 2002 ทั้งหมดข้อมูลการสร้างโมเดลการถดถอย , แตกต่างจากชุดที่แตกต่างกันของตัวแปร 11 สุดยอดเก้า 80 รุ่นเบื้องต้นถูกเลือกตามเกณฑ์ที่บริษัท ซีพี ออลล์ ชบา และตัวแปรคัดสรรโมเดลเหล่านี้ถูกใช้เพื่อพัฒนาทั้งรูปแบบ มีสามชั้น feed-forward back-propagation , เครือข่ายโหนดที่ซ่อนอยู่สามใช้แบบจำลองข้อมูล ตัวอย่างสุ่มของ 60% ใช้รถไฟเครือข่าย และ 20% ในแต่ละการทดสอบและการตรวจสอบ เครือข่ายกับความถูกต้องในการทำนายของดีสูงสุดตัวแปรคัดสรรที่ย่อยที่ดีที่สุดโดยการถดถอยแบบ ความถูกต้องในการทำนายของด้านบนสี่เครือข่ายอยู่ระหว่าง 70 - 75% กับหมายถึงยกกำลังสองข้อผิดพลาดตั้งแต่รูปแบบ 174.7 เพื่อ 202.8 . เครือข่ายเจ็ดและแปดปัจจัยการผลิตโดยทั่วไปดำเนินการที่ดีกว่ากับเก้าข้อมูล ตัวทำนายที่ดีที่สุดของสีเทาใบจุดความรุนแรงเป็นเส้นแวงผิวหน้ากาก ปลูกวันที่สะสมชั่วโมงของอุณหภูมิประจำวันระหว่าง 22 และ 30 ° C และความชื้นสัมพัทธ์ 90 % ระหว่างกลางและระยะ V4 V12 การเจริญเติบโตหมายถึงอุณหภูมิอากาศและทุกคืนตั้งแต่ V12 R2 และใบจุดสีเทาการจัดอันดับความต้านทาน การใช้สมการถดถอยเพื่อเลือกตัวก่อนพอดีแอนรุ่นการบรรจบกันของเครือข่ายให้เร็วขึ้นเพื่อแก้ปัญหาเมื่อที่ดีที่สุดจากของตัวแปรแบบ สี่ส่วนย่อยของตัวแปรทำนายที่มีความถูกต้องดีระบุให้สามารถยืดหยุ่นในการเลือกตัวแปรที่จะใช้ทำนายความรุนแรงใบสีเทา