Cilj ovog rada je usporediti modele umjetne neuralne mreže (ANN) za predviđanje pojedinih drvnih volumena krimskih borova u šumama Çankirija. Jednoulazne i dvoulazne jednadžbe i kompatibilna volumna jednadžba Fang et al. (2000) temeljena na klasičnim i tradicionalnim metodama primijenjena je na 360 krimskih borova u cilju dobivanja ovih drvnih volumena. Kako bi se odredila najbolja alternativna metoda za predviđanje ANN modela, ukupno je obučeno 320 treniranih mreža u višeslojnom perceptronu (MLP) i ukupno 20 treniranih mreža u arhitekturi Radial Basis Function (RBF). Na temelju statistike goodness-of-fit, ANN u smislu MLP 1-9-1 uključujući dbh kao input varijablu za jednoulazna volumna predviđanja pokazao je bolju fitting sposobnost sa SSE (2.7763), Radj2 (0.9339), MSE (0.00910), RMSE (0.0954), AIC (-823.25) i SBC (-1421.81) nego onaj u ostalim proučavanim volumnim metodama koje uključuju dbh kao eksplanatornu varijablu. Za dvoulazna volumna predviđanja, što uključuju dbh i ukupnu visinu kao input varijable, ANN temeljen na MLP 2-15-1 rezultirao je boljom fitting statistikom sa SSE (0.8354), Radj2 (0.9801), MSE (0.00274), RMSE (0.0523), AIC (-579.55) and SBC (-1788.11).
Development, Validation and Comparison of Artificial Neural Network Models and Logistic Regression Models Predicting Survival of Unresectable Pancreatic Cancer
