The framework has been tested and g

The framework has been tested and generally supported by using multiple linear regression (MLR) technique (Jin, 2010). However, MLR analysis bears a number of inherent limitations, which include only considering linear relationship, being probability-oriented, and being unable to identify all the factors necessary to reflect realistic situations (Tsoukalas and Uhrig, 1997). Therefore, non-probability-based analysis techniques are required and nonlinear relationships need to be considered for accurately modelling risk allocation decision-making process (Jin and Doloi, 2008b). One suitable approach is using artificial neural networks (ANNs), which possess the capability to handle nonlinearity and complexity that are involved in most risk allocation decision-making processes (Jin, 2010). Additionally, ANN's strong learning ability helps to make the system suitable for prediction. Therefore, the discovery and validation of the mechanisms of risk allocation decision-making processes by using ANN techniques adds significant value to this study.

Results (Vietnamese) 1:

Khuôn khổ đã được thử nghiệm và thường được hỗ trợ bằng cách sử dụng nhiều kỹ thuật hồi quy tuyến tính (MLR) (Jin, 2010). Tuy nhiên, phân tích MLR mang một số lượng hạn chế vốn có, bao gồm chỉ xem xét mối quan hệ tuyến tính, được định hướng khả năng và không thể xác định tất cả các yếu tố cần thiết để phản ánh các tình huống thực tế (Tsoukalas và Uhrig, 1997). Do đó, không-xác suất dựa trên phân tích kỹ thuật được yêu cầu và mối quan hệ phi tuyến cần phải được xem xét một cách chính xác mô hình rủi ro phân bổ ra quyết định quá trình (Jin và Doloi, 2008b). Một cách tiếp cận phù hợp bằng cách sử dụng nhân tạo mạng nơ-ron (ANNs), mà có khả năng xử lý nonlinearity và phức tạp có liên quan trong nhất nguy cơ phân bổ ra quyết định quá trình (Jin, 2010). Ngoài ra, ANN's mạnh học khả năng giúp để làm cho hệ thống phù hợp với dự báo. Do đó, phát hiện và xác nhận của các cơ chế của quá trình ra quyết định phân bổ rủi ro bằng cách sử dụng kỹ thuật ANN thêm giá trị đáng kể cho nghiên cứu này.

Results (Vietnamese) 2:

Khung đã được thử nghiệm và thường được hỗ trợ bằng cách sử dụng nhiều hồi quy tuyến tính (MLR) kỹ thuật (Jin, 2010). Tuy nhiên, phân tích MLR mang một số hạn chế cố hữu, trong đó bao gồm chỉ xem xét mối quan hệ tuyến tính, được xác định hướng, và không thể xác định tất cả các yếu tố cần thiết để phản ánh tình hình thực tế (Tsoukalas và Uhrig, 1997). Do đó, các kỹ thuật phân tích không xác suất dựa trên được yêu cầu và các mối quan hệ phi tuyến cần phải được xem xét mô hình chính xác quá trình ra quyết định phân bổ rủi ro (Jin và Doloi, 2008b). Một cách tiếp cận phù hợp là sử dụng các mạng thần kinh nhân tạo (ANNs), trong đó có khả năng xử lý phi tuyến và phức tạp có liên quan đến hầu hết các quá trình ra quyết định phân bổ rủi ro (Jin, 2010). Ngoài ra, ANN ' là khả năng học tập mạnh mẽ giúp làm cho hệ thống phù hợp với dự đoán. Do đó, việc phát hiện và xác nhận của cơ chế phân bổ rủi ro ra quyết định quá trình bằng cách sử dụng các kỹ thuật ANN tăng giá trị đáng kể cho nghiên cứu này.

Results (Vietnamese) 3:

Khung đã qua thử nghiệm, và sử dụng đa nguyên hồi quy tuyến tính (MLR) phổ biến hỗ trợ kỹ thuật (vàng, 2010).Tuy nhiên, phân tích MLR có một số giới hạn của tự nhiên, tức là chỉ xem xét mối quan hệ tuyến tính, là loại xác suất, và không thể xác định tất cả các yếu tố phải phản ánh thực tế tình hình (Tsoukalas Uhrig, 1997).Do đó, xác suất dựa trên phân tích kỹ thuật là không cần thiết và có mối quan hệ chính xác cần xem xét mô hình phi tuyến của quá trình quyết định mạo hiểm phối (Jin và Doloi, 2008b).Một phương pháp phù hợp là sử dụng mạng nơ - ron nhân tạo (ấy), nó có khả năng xử lý phi tuyến và liên quan đến sự phức tạp, trong hầu hết các quá trình quyết định mạo hiểm phối (vàng, 2010).Bên cạnh đó, mạng nơ - ron nhân tạo mạnh mẽ của khả năng học tập góp phần làm cho hệ thống phù hợp với dự đoán.Vì vậy, sử dụng công nghệ mạng thần kinh nhân tạo rủi ro cơ chế của quá trình quyết định phân phối được tìm thấy và xác nhận, cuộc nghiên cứu này làm tăng giá trị của bộ.