he models were trained with basic i

he models were trained with basic information (DIM and NCM) and used to predict DHMY over specified time horizons. The total DHMY can be viewed as a time series that is being primarily driven by a handful of factors. The number of cows coming in and out of lactation can be factored in by recording the NCM on each milking day. The DIM is factored in by chronologically applying a day number relative to the beginning of lactation for the entire herd. All 3 model predictions were trialed over several prediction horizons: 305, 50, 30, and 10 d. For the horizons less than 305 d, the models repeatedly projected over the specific horizon in a moving piecewise manner until the end of the series. After every horizon step the previous DHMY data were added to the models training set before the next prediction, updating the model state. (All 3 models were developed using the software package MATLAB R2012a; Mathworks, Natick, MA.) The statistics toolbox was used to create the MLR model, and the neural networks toolbox box was used to create the neural network models. For detailed information regarding the data processing, structure, and training of these models, please refer to Demuth et al. (2010).

ผลลัพธ์ (ไทย) 1:

รุ่นเขาฝึกพื้นฐานข้อมูล (ติ่มซำและ NCM) และใช้ทำนาย DHMY ผ่านระยะเวลาที่ระบุ สามารถดู DHMY รวมเป็นชุดเวลาที่มีการขับเคลื่อนหลักตามปัจจัย จำนวนวัวที่มาและให้นมบุตรสามารถแยกตัวประกอบใน โดยบันทึก NCM ในแต่ละวันนม พร่ามัวจะแยกตัวประกอบใน โดยใช้จำนวนวันสัมพันธ์กับการเริ่มต้นการให้นมบุตรสำหรับฝูงทั้งหมดตามลำดับ คาดคะเน 3 รุ่นทั้งหมดได้ที่ trialed เหนือขอบเขตการคาดเดาหลาย: 305, 50, 30 และ 10 d สำหรับไกลโพ้นน้อยกว่า 305 d แบบซ้ำ ๆ ว่าจะเหนือขอบฟ้าเฉพาะในลักษณะ piecewise เคลื่อนของชุด หลังจากทุกขั้นตอนขอบฟ้า ข้อมูล DHMY ก่อนหน้านี้ถูกเพิ่มการฝึกอบรมชุดก่อนทำนายถัดไป ปรับปรุงสถานะของแบบจำลอง (ทั้ง 3 รุ่นได้ถูกพัฒนาขึ้นโดยใช้แพคเกจซอฟต์แวร์ MATLAB R2012a Mathworks, Natick, MA) ใช้เครื่องมือสถิติเพื่อสร้างโมเดล MLR และกล่องเครื่องมือเครือข่ายประสาทใช้สร้างแบบจำลองโครงข่ายประสาท สำหรับรายละเอียดเกี่ยวกับประมวลผลข้อมูล โครงสร้าง และการฝึกอบรมของโมเดลเหล่านี้ โปรดดูที่การ Demuth et al. (2010)

ผลลัพธ์ (ไทย) 2:

เขาได้รับการฝึกฝนแบบจำลองข้อมูลพื้นฐาน (มซำและมี NCM) และใช้ในการทำนาย DHMY เหนือขอบฟ้าเวลาที่กำหนด DHMY ทั้งหมดสามารถดูได้ว่าเป็นช่วงเวลาที่มีการขับเคลื่อนหลักจากกำมือของปัจจัย จำนวนของวัวมาและออกจากการให้นมบุตรสามารถปัจจัยในโดยการบันทึก NCM ในแต่ละวันการรีดนม สลัวเป็นปัจจัยในลำดับโดยใช้จำนวนวันเมื่อเทียบกับจุดเริ่มต้นของการให้นมสำหรับฝูงทั้งหมด การคาดการณ์ทั้งหมด 3 รุ่นทดลองถูกกว่าอันไกลโพ้นของการทำนายหลายประการ: 305, 50, 30, 10 และ D สำหรับอันไกลโพ้นน้อยกว่า 305 D, รุ่นที่คาดการณ์ซ้ำ ๆ ขอบฟ้าที่เฉพาะเจาะจงในลักษณะค่ย้ายจนกว่าจะสิ้นสุดของซีรีส์ หลังจากที่ทุกขั้นตอนที่ขอบฟ้า DHMY ข้อมูลก่อนหน้านี้มีการเพิ่มการฝึกอบรมรุ่นที่กำหนดไว้ก่อนที่การคาดการณ์ต่อไปปรับปรุงรูปแบบของรัฐ (ทุกรุ่นที่ 3 ได้รับการพัฒนาโดยใช้แพคเกจซอฟต์แวร์ MATLAB R2012a. Mathworks, เนติก MA) กล่องเครื่องมือสถิติใช้ในการสร้างรูปแบบการคิดอัตราดอกเบี้ย MLR และประสาทกล่องกล่องเครื่องมือเครือข่ายถูกนำมาใช้ในการสร้างแบบจำลองโครงข่ายประสาทเทียม สำหรับข้อมูลรายละเอียดเกี่ยวกับการประมวลผลข้อมูลโครงสร้างและการฝึกอบรมของโมเดลเหล่านี้โปรดดูที่ Demuth et al, (2010)

ผลลัพธ์ (ไทย) 3:

เขาถูกฝึกแบบข้อมูลพื้นฐาน ( สลัวและ NCM ) และทำนาย dhmy ตลอดเวลา ขอบเขตที่กำหนด การ dhmy ทั้งหมดสามารถดูได้เป็นอนุกรมเวลาที่เป็นแรงผลักดันหลักจากกำมือของปัจจัย จํานวนตัวเข้าออกนม สามารถประกอบโดยการรีดนม NCM ในแต่ละวัน เลือนรางเป็นปัจจัยโดยลำดับการใช้จำนวนวันเมื่อเทียบกับจุดเริ่มต้นของการให้น้ำนมสำหรับฝูงทั้งหมด การคาดการณ์รูปแบบทั้งหมด 3 ไปดำเนินคดีกว่าขอบเขตการพยากรณ์หลาย : 305 , 50 , 30 และ 10 D . สำหรับขอบเขตน้อยกว่า 305 D แบบซ้ำๆ ฉายผ่านขอบฟ้าที่เฉพาะเจาะจงในการเคลื่อนย้ายลักษณะเป็นช่วงจนกระทั่งจบชุด หลังจากที่ขอบฟ้าทุกขั้นตอนข้อมูล dhmy ก่อนหน้านี้ได้เพิ่มรุ่นอบรมตั้งก่อนทำนายต่อไป ปรับปรุงรูปแบบของรัฐ ( ทั้ง 3 รุ่นที่ถูกพัฒนาโดยใช้แพคเกจซอฟต์แวร์ Matlab r2012a ; แมธเวิร์คส์ นาติค , MA . ) สถิติ Toolbox ถูกใช้เพื่อสร้างรูปแบบใหม่ และโครงข่ายประสาทเทียมกล่องเครื่องมือกล่องถูกใช้เพื่อสร้างแบบจำลองโครงข่ายประสาทเทียม . สำหรับข้อมูลรายละเอียดเกี่ยวกับการประมวลผลข้อมูล โครงสร้าง และการฝึกอบรมของโมเดลเหล่านี้โปรดดูที่ เดมัธ et al . ( 2010 )