請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/31811完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 張斐章(Fi-John Chang) | |
| dc.contributor.author | Yuan-Peng Wang | en |
| dc.contributor.author | 王元鵬 | zh_TW |
| dc.date.accessioned | 2021-06-13T03:20:55Z | - |
| dc.date.available | 2006-07-31 | |
| dc.date.copyright | 2006-07-31 | |
| dc.date.issued | 2006 | |
| dc.date.submitted | 2006-07-28 | |
| dc.identifier.citation | 1. 向子菁，1999，智慧型控制理論於水庫操作決策之研究，國立台灣大學農業工程研究所碩士論文。
2. 吳泰熙，張欽智，1997，「以禁忌搜尋法則求解推銷員旅行問題」，大葉學報6(1)，87-99頁。 3. 林永堂，2004，結合OLS與SGA建構輻狀基底類神經網路於洪水預測之研究，國立台灣大學生物環境系統工程學系碩士論文。 4. 周俊安，2002，禁忌演算法應用於優選地下水模式參數之分區，國立台灣大學生物環境系統工程學系碩士論文。 5. 邱昱禎，2003，模糊規劃理論與優選法於水庫操作之研究，國立台灣大學生物環境系統工程學系碩士論文。 6. 梁晉銘、張斐章、陳彥璋，2000，「複合演算類神經-模糊推論模式應用於洪水預測」，中華水土保持學報，31(3)：183-191。 7. 孫建平，1996，類神經網路及其應用於降雨及逕流過程之研究，國立台灣大學生物環境系統工程學系碩士論文。 8. 梁晉銘，2002，複合型類神經網路建構集水區水文模式之研究，博士論文。 9. 陳莉，1995，以物件導向之遺傳演算法優選水庫運用歸線之研究，國立台灣大學生物環境系統工程學系博士論文。 10. 陳莉、張斐章，1995，”遺傳演算法優選水庫運用歸線之研究”，農業工程學報，41(1)：71-73。 11. 章盛傑，1994，遺傳演算法之研究及其於水文化學模式之應用，國立台灣大學生物環境系統工程學系碩士論文。 12. 許少瑜，2001，水庫操作規線問題的模式與解法，國立台灣大學農業工程研究所碩士論文。 13. 張斐章、陳莉，1993，”遺傳演算法於專家系統中參數優選之研究”， 中國農業工程學報，39(2)：1-12。 14. 張斐章、孫建平，1997，”類神經網路及其應用於降雨-逕流過程之研究”，中國農工學報，43(1)：9-25。 15. 張斐章，張麗秋，黃浩倫，2003，類神經網路-理論與實務，東華書局。 16. 張斐章、張雅婷、張麗秋，2004，”結合人工智慧與專家知識之智慧型水庫操作系統”，中國農工學報，50(4)：14-27。 17. 張斐章、王元鵬，2004，”以禁忌演算法優選輻狀基底類神經網路之參數”，台灣水利，52(4)：43-52。 18. 張麗秋，2001，智慧型演算之類神經網路於水文系統，國立台灣大學農業工程學系博士論文。 19. 張育雅，2003，應用遺傳演算法於大甲溪及大安溪水資源最佳聯合調配模式，國立交通大學土木工程學系碩士論文。 20. 童慶斌，第九章 遺傳演算法，國立台灣大學農業工程學系啟發式演算法與水資源管理課程教材。 21. 童慶斌、周哲正，1999，「禁忌搜尋法在地下水參數分區之應用」，第二屆環境系統分析研討會論文集。 22. Alander, J., “An Indexed Bibliography of Genetic Algorithm”;1957- 1993,Art of CAD Ltd., Espoo, Finland,1994. 23. Broomhead D.s. and Lowe D. 1988. Multivariable Functional Interpolation and Adaptive Networks. Complex Systems. 2:321-355. 24. Chang, F. J., Chang, L. C. and Huang, H. L. 2002, Real time recurrent learning neural network for streamflow forecasting, Hydrological Processes, 16: 2577-2588. 25. Chang, L. C. and Chang, F. J. 2001, Intelligent control for modelling of real-time reservoir operation. Hydrological Processes, 15(9): 1621-1634. 26. Chang, L. C., Chang, F. J. and Chiang Y.M. (2004), A two-step ahead recurrent neural network for streamflow forecasting, Hydrological Processes, 18: 81-92. 27. Chang F. J. , Chen Y. C., “Estuary water-stage forecasting by using Radial Basis Function neural network”, J. of Hydrology 2003,:270:158-166. 28. Chang F. J. , Liang J. M., and Chen Y. C.. 2001, Flood forecasting using radial basis function neural network. IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews: 31(4): 530-535. 29. Chen S., Cowan C. F. N. and Grant P. M., 1991, Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks, IEEE Transactions on Neural Networks, 2(2): 302-309. 30. Dougherty, D. E.,and Marryott, R. A., 1991, Optimal Groundwater Management, 1. Simulated annealing: Water Resources Research, vol. 27, n0. 10, p. 2491-2508. 31. Gen, M. and Cheng, R., 1997 “Genetic Algorithms and Engineering Design”,Qiley, New York. 32. Glover, F., 1993, A User’s Guide to Tabu Search, Annals of Operations Reserch 41:3-28. 33. Glover f., Laguna M., 1997,Tabu Search, Kluwer Academic Publishers. 34. Goldberg, D. E. 1983, Computer-aided gas pipeline operation using Genetic Algorithm and rule learning, The University of Michigan. 35. Gorinevsky D. and Vukovich G. 1997, Control of Flexible Spacecraft Using Nonlinear Approximation of Input Shape Dependence on Reorientation Maneuver Parameters.Control Engineering Practice. 5(12):1661-1671. 36. Scott Michael Le Grand and K. M. Merz, Jr. 1993, The application of genetic algorithms to the minimization of potential energy functions. Journal of Global Optimization, 3:49-66. 37. Ham F. M. and Kostanic I., 2001, Principles of Neurocomputing for Science & Engineering, McGraw-Hill: New York, NY. 38. Hardy R. L., 1971, Multiquadric Equations of Topography and Other Irregular Surfaces, Journal of Geophysical Research, 76: 1905-1915. 39. Hebb.D. O. 1949,The Organization of Behavior :AneuropSychological theory, New York: Wiley. 40. Holland, J. H. 1975, Adaptation in Natural and Artificial System, Ann Arbar, The University of Michigan Press. 41. Jang J. S. R. 1993. ANFIS: Adaptive Network-based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics.23(3): 665-685. 42. Kohonen T. 1982. Self-Organizing Formation of Topologically Correct Feature Maps.Biological Cybernetics. 43:59-69. 43. Mackey M. C. and Glass L., 1977, Oscillation and Chaos in Physiological Control Systems. Science, 197: 287-289. 44. Mason JC, Price RK, Temme A, 1996, Neural network model of rainfall-runoff using radial basis functions, Journal of Hydraulic Research, 34 (4): 537-548. 45. McCulloch W. S. and Pitts W. 1943, A logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5:115-113. 46. Mhaskar H. N., 1996, Neural Networks for Optimal Approximation of Smooth and Analytic Functions. Neural Computation, 8: 1731-1742. 47. Minns, A.W. and Hall, M.J. 1996, Artificial neural networks as rainfall-runoff models. Hydrological Sciences, 41(3): 399-417. 48. Minsky M. L. and Papert S. A. 1969, Perceptrons, Cambridge. MA: MIT Press. 49. Moody J. and Darken C. J., 1989, Fast Learning in Networks of Locally-Tuned Processing Units Neural Computation, 1(2): 281-294. 50. Pedrycz W. 1998. Conditional Fuzzy Clustering in the Design of Radial Basis Function Neural Networks. IEEE Transactions on Neural Networks 9(4):601-612. 51. Psaltiset D., Sideris A. and Yamamura A. 1987, Neural Controllers, In Proc. IEEE Int. Neural Networks Conf. San Diego, CA. 6:551-558. 52. Powell M. J. D., 1987, Radial Basis Functions For Multivariable Interpolation: A Review. IMA Conference on Algorithms for Approximation of Functions and Data. RMCS, Shrivenham, England. 143-167. 53. Rosenblatt F. 1958, The Perceptron：A Probabilities Model for Information Storage and Organization in the Brain, Psych. Rev. 65:386-408. 54. Rumelhart D. E. and McClelland J. L. 1986, Parallel Distributed Processing: Explorations in the Microstructure of Cognition, 1, Cambridge, MA: MIT Press. 55. Widrow B. and Hoff M E. Jr. 1960, Adaptive Switching Circuits, IRE Western Electric Show and Convention Record, part 4:96-104. 56. Zheng, C. and Wang, P. P., 1996, Parameter structure identification using tabu search and simulated annealing: Adv. Water Res., v. 19, no. 4, p. 215-224. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/31811 | - |
| dc.description.abstract | 近年來由於類神經網路擁有優秀的學習與推演能力，因此獲致許多研究領域與工業應用的青睞。然而對於建構適當的類神經網路，須先決定網路大小，再根據系統資料特性來調整其中的鍵結權重；因此，網路的相關參數設定，不但影響網路大小與權重，更影響了網路的表現。其中輻狀基底類神經網路(RBFNN)已廣泛地被應用於各領域，並獲致不錯之效果；傳統架構RBFNN多以垂直最小平方法(OLS)與序率坡降法(SGA)推估網路初始架構及相關連結權重值，其中參數之設定則是影響網路效能之關鍵，而前人研究中皆以試誤法進行參數之設定，在效率及效能上皆有改善之空間。有鑑於此，本研究提出兩個策略來搜尋最佳RBFNN模式：搜尋策略一是以禁忌演算法(Tabu)優選「OLS結合SGA」之相關設定參數，搜尋策略二則是以遺傳演算法(GA)搜尋網路神經元位置。兩策略除了以優選之概念尋找RBFNN之最佳架構，亦提供一自動化訓練流程，以提升網路之應用性。
本研究以Mackey-Glass發展出之混沌時間序列(Mackey-Glass chaotic time series)為例，進行模式之驗證，除了探討兩搜尋策略之優劣外，並與過去試誤法建立之RBFNN作比較；結果顯示，兩最佳模式在效能上不分軒輊，在效率上則有所差異，而兩者之結果無論在效能及效率上皆較以「OLS結合SGA」架構RBFNN的方式大為提升。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2021-06-13T03:20:55Z (GMT). No. of bitstreams: 1 ntu-95-R92622010-1.pdf: 1583991 bytes, checksum: 83158be58b754221f1d3810efdc31b94 (MD5) Previous issue date: 2006 | en |
| dc.description.tableofcontents | 章節目錄
摘 要 I ABSTRACT II 章節目錄 III 表目錄 VI 圖目錄 VII 第一章 前 言 1 1.1研究動機 1 1.2研究方法 2 第二章 文獻回顧 4 2.1類神經網路的發展 4 2.2輻狀基底類神經網路之相關研究 5 2.3 禁忌演算法 5 2.4遺傳演算法 6 第三章 理論概述 7 3.1輻狀基底類神經網路 8 3.1.1網路架構 8 3.1.2 垂直最小平方法(OLS) 11 3.1.3序率坡降法(SGA) 14 3.2禁忌演算法 18 3.3遺傳演算法 20 3.4 建立最佳RBFNN模式 25 3.4.1 搜尋策略一:以禁忌演算法優選「OLS結合SGA」參數 27 3.4.2搜尋策略二:以遺傳演算法優選神經元位置 29 第四章 模式驗證 31 4.1混沌時間序列模擬 31 4.2 搜尋策略一 32 4.2.1搜尋條件設定 32 4.2.2搜尋過程 33 4.2.3結果 36 4.3搜尋策略二 45 4.3.1 SGA優劣分析 45 4.3.2 搜尋條件設定 48 4.3.3 進階修正-區域型GA(Regional GA) 49 4.3.4 結果 50 4.4 搜尋結果比較 54 第五章 論文介面展示 58 5.1介面設計 59 5.2論文研究實例操作 62 5.2.1 OLS+SGA操作流程 63 5.2.2 OLS+SGA+Tabu操作流程 67 5.2.3 OLS+GA操作流程 70 5.3 其餘模式展示(啟發式演算法、聚類分析) 71 第六章 結論與建議 75 6.1結論 75 6.2建議 76 第七章 參考文獻 78 表目錄 表4.1 禁忌演算法搜尋最佳參數組合之結果 37 表4.2 權重學習速率微調表 38 表4.3 最佳參數組合表(最佳解) 38 表4.4 增加序率坡降法迭代次數表 39 表4.5 隨機挑選參數組合與最佳解之評比結果表 43 表4.6 遺傳演算法優選神經元及基底函數寬度結果 50 表4.7兩最佳RBFNN模式於訓練、驗證及測試資料之評比 56 表4.8兩最佳RBFNN模式於不同測試資料段之評比 56 表4.9任意給定OLS結合SGA參數之結果 57 圖目錄 圖3.1 RBFNN架構圖 9 圖3.2 結合OLS與SGA架構RBFNN流程圖 10 圖3.3 垂直最小平方法挑選中心點流程圖 16 圖3.4 序率坡降法訓練流程圖 17 圖3.5禁忌演算法搜流程圖 20 圖3.6遺傳演算法交配機制 23 圖3.7遺傳演算法流程圖 25 圖3.8最佳化RBFNN模式訓練流程圖 26 圖3.9 TABU優選「OLS結合SGA」參數流程圖 28 圖3.10 OLS結合GA架構RBFNN流程圖 30 圖3.11區域型GA演算流程圖 30 圖4.1 SGA訓練次數與RMSE關係圖 33 圖4.2禁忌名單長度(5)測試圖 35 圖4.3禁忌名單長度(9)測試圖 35 圖4.4禁忌名單長度(50)測試圖 35 圖4.5禁忌名單長度(90)測試圖 36 圖4.6 權重學習速率與RMSE關係圖 37 圖4.7混沌時間序列訓練T+6時刻之推估值與實際值 40 圖4.8混沌時間序列驗證T+6時刻之推估值與實際值圖 41 圖4.9混沌時間序列測試T+6時刻之推估值與實際值圖 42 圖4.10混沌時間序列(隨機參數)驗證T+6時刻之推估值與實際值 44 圖4.11 不同迭代次數之SGA搜尋中心點位置分布圖 47 圖4.12中心點個數與訓練及驗證資料RMSE關係圖 49 圖4.13混沌時間序列訓練T+6時刻之推估值與實際值 51 圖4.14混沌時間序列驗證T+6時刻之推估值與實際值 52 圖4.15混沌時間序列測試T+6時刻之推估值與實際值 53 圖4.16中心點位置散布圖 55 圖5.1使用者操用境況圖 59 圖5.2 複合式演算系統主頁面 60 圖5.3模式選擇及參數設定介面 60 圖5.4結果與狀態顯示介面 61 圖5.5 RBFNN訓練流程圖 62 圖5.6 OLS+SGA 檔案讀取介面 63 圖5.7 OLS+SGA 模式選擇及參數設定介面 64 圖5.8 OLS+SGA 結果與狀態顯示介面 64 圖5.9 OLS+SGA 結果展示介面 65 圖5.10 驗證資料時間序列圖 66 圖5.11中心點位置散布圖 67 圖5.12 OLS+SGA+TABU模式選擇及參數設定介面 68 圖5.13 OLS+SGA+TABU模式中禁忌演算法初始條件設定介面 68 圖5.14 OLS+SGA+TABU演算執行中之介面 69 圖5.15 OLS+SGA+TABU演算完成之介面 69 圖5.16 OLS+GA模式選擇及參數設定介面 70 圖5.17 OLS+GA模式檔案輸出結果 71 圖5.18 啟發式演算法參數設定介面 72 圖5.19 啟發式演算法初始條件設定介面 72 圖5.20 禁忌演算法搜尋介面 73 圖5.21 聚類分析演算法設定介面 73 圖5.22 聚類分析中心點散布圖 74 | |
| dc.language.iso | zh-TW | |
| dc.subject | 混沌時間序列 | zh_TW |
| dc.subject | 遺傳演算法 | zh_TW |
| dc.subject | 輻狀基底類神經網路 | zh_TW |
| dc.subject | 禁忌演算法 | zh_TW |
| dc.subject | chaotic time series | en |
| dc.subject | Radial Basis Function | en |
| dc.subject | Tabu Search | en |
| dc.subject | Genetic Algorithm | en |
| dc.title | 以啟發式演算法建構最佳輻狀基底類神經網路 | zh_TW |
| dc.title | Optimizing the Radial Basis Function Neural Network by Heuristic Algorithms | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 94-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 楊烽正,張麗秋,梁晉銘 | |
| dc.subject.keyword | 輻狀基底類神經網路,禁忌演算法,遺傳演算法,混沌時間序列, | zh_TW |
| dc.subject.keyword | Radial Basis Function,Tabu Search,Genetic Algorithm,chaotic time series, | en |
| dc.relation.page | 83 | |
| dc.rights.note | 有償授權 | |
| dc.date.accepted | 2006-07-30 | |
| dc.contributor.author-college | 生物資源暨農學院 | zh_TW |
| dc.contributor.author-dept | 生物環境系統工程學研究所 | zh_TW |
| 顯示於系所單位： | 生物環境系統工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-95-1.pdf 未授權公開取用 | 1.55 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。