Multinomial and Ordinal Logistic Regression Models and Artificial Neural Networks for lumber grading

Mariel Guera, Ouorou Ganni; Aleixo da Silva, José Antônio; Caraciolo Ferreira , Rinaldo Luiz; Álvarez Lazo , Daniel; Barrero Medel , Héctor Barrero Medel; Garofalo Novo, Madelén C.; Cunha Filho , Moacyr; Lima Silva, José Wesley

Modelos de Regresión Logística Multinomial Ordinal y Redes Neuronales Artificiales para la clasificación de madera aserrada

dc.creator	Mariel Guera, Ouorou Ganni
dc.creator	Aleixo da Silva, José Antônio
dc.creator	Caraciolo Ferreira , Rinaldo Luiz
dc.creator	Álvarez Lazo , Daniel
dc.creator	Barrero Medel , Héctor Barrero Medel
dc.creator	Garofalo Novo, Madelén C.
dc.creator	Cunha Filho , Moacyr
dc.creator	Lima Silva, José Wesley
dc.date	2021-07-28
dc.identifier	https://revistas.tec.ac.cr/index.php/kuru/article/view/5806
dc.identifier	10.18845/rfmk.v19i43.5806
dc.description	Lumber classification is one of the most subjective activities of the final phase of log sawing process in sawmills. The objective of this research was to propose tools that assist in conifers lumber grading. The research was carried out at the sawmill Combate de Tenerías of Macurije integrated forest company, Pinar del Río, Cuba. The data used comes from 259 lumber pieces of Pinus caribaea var. caribaea classified following the requirements (24 variables) and classes established by the conifers lumber grader used in Cuba. We proceeded to fit a Multinomial and Ordinal Logistic Regression (MOLR) model and train Artificial Neural Networks (ANNs). The parameters of the MOLR model were estimated using the maximum likelihood method optimized with the Newton-Raphson algorithm. ANNs were trained with Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm. The multicollinearity problem, usually present in modeling with numerous predictive variables, was addressed with factor analysis, using the factors retained as inputs to the models. Based on the percentage of correct classification, the ANN RBF 24-8-4 was superior to the ordinal logistic regression equations.	en-US
dc.description	La clasificación de la madera aserrada es una de las actividades más subjetivas de la fase final del proceso de aserrado de trozas en los aserríos. La presente investigación tuvo como objetivo proponer herramientas de auxilio en la clasificación de madera aserrada de coníferas. El estudio se realizó en el aserrío Combate de Tenerías de la Empresa Forestal Integral (EFI) Macurije, Pinar del Río, Cuba. Los datos utilizados proceden de 259 tablas de Pinus caribaea var. caribaea clasificadas siguiendo las exigencias (24 variables) y clases establecidas por el clasificador de madera aserrada de coníferas utilizado en Cuba. Se procedió al ajuste de un modelo de Regresión Logística Multinomial Ordinal (RLMO) y al entrenamiento de Redes Neuronales Artificiales (RNAs). Los parámetros del modelo RLMO fueron estimados usando el método de máxima verosimilitud optimizada con el algoritmo de Newton-Raphson. El entrenamiento de las RNAs se realizó con el algoritmo Broyden-Fletcher-Goldfarb-Shanno (BFGS). El problema de multicolinearidad, casi siempre presente en modelaciones con numerosas variables predictivas, fue abordado con el análisis factorial, utilizando los factores retenidos como entradas de los modelos. Con base en el porcentaje de aciertos en la clasificación, la RNA RBF 24-8-4 fue superior a las ecuaciones de regresión logística ordinal.	es-ES
dc.format	application/pdf
dc.format	application/epub+zip
dc.language	spa
dc.publisher	Editorial Tecnológica de Costa Rica	es-ES
dc.relation	https://revistas.tec.ac.cr/index.php/kuru/article/view/5806/5561
dc.relation	https://revistas.tec.ac.cr/index.php/kuru/article/view/5806/6600
dc.rights	http://creativecommons.org/licenses/by-nc-nd/4.0	es-ES
dc.source	Revista Forestal Mesoamericana Kurú; Vol. 18 Núm. 43 (2021): Julio - Diciembre 2021; 29-39	es-ES
dc.source	2215-2504
dc.title	Multinomial and Ordinal Logistic Regression Models and Artificial Neural Networks for lumber grading	en-US
dc.title	Modelos de Regresión Logística Multinomial Ordinal y Redes Neuronales Artificiales para la clasificación de madera aserrada	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion

Ficheros en el ítem

Ficheros	Tamaño	Formato	Ver
No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Revista Forestal Mesoamericana Kurú [554]
Esta colección tiene los numeros publicados en la Revista Forestal Mesoamericana Kurú

Mostrar el registro sencillo del ítem