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 <0.05). To estimate
volume per tree, the neural network must be built with more than 10 neurons in the first layer, and it is recommended
the use of more than one intermediate layer.
