Gübrenin 0 fizikokimyasal parametresine (SG, EC, pH) karşılık gelen 0 girdi vardı. Çıktılar AN, TK, TN ve TP idi. Net eğitimden önce, tüm girdi ve çıktı değerleri sıfır ortalamaya ve birleşik standart sapmaya sahip olacak şekilde normalleştirildi (MATLAB'ın prestd fonksiyonu kullanılarak) ve son olarak çıktılar orijinal çıktılarla aynı birimlere geri aktarıldı (MATLAB'ın poststd fonksiyonu kullanılarak). Ağın girdisi ve hedefi doğrulandıktan sonra, ağ optimizasyonu gerçekleştirildi. Levenberg-Marquardt algoritması, ağırlıkları ve önyargıları optimize etmek için benimsenmiştir çünkü
önceki değerlendirmeler, ağın 000'den az ağırlığa sahip olduğu bir fonksiyon yaklaşım problemi için uygun bir yöntem olduğunu göstermiştir (Demuth ve Beale, 0000). Optimize edici eğitim sürecinde, aşırı uyum sıklıkla meydana gelir ve tahmin modelinin genellemesinin kaybına neden olur. Erken durdurma, aşırı uyumu önlemek ve genellemeyi iyileştirmek için yaygın olarak kullanılan yöntem olan çapraz doğrulamayı kullanan güçlü ve tipik bir yöntemdir (Finnoff ve ark., 0000). Bu çalışmada, erken durdurma optimize edici eğitim sürecinde kullanılmıştır.