請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/26789完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 曾惠斌 | |
| dc.contributor.author | Yi-Shu Kung | en |
| dc.contributor.author | 龔逸書 | zh_TW |
| dc.date.accessioned | 2021-06-08T07:25:41Z | - |
| dc.date.copyright | 2008-07-17 | |
| dc.date.issued | 2008 | |
| dc.date.submitted | 2008-07-15 | |
| dc.identifier.citation | 1. Catfolis, T(1993). “A Method for Improving the Real-Time Recurrent Learning Algorithm,” Neural Network, vol. 6, No. 6, 807-821.
2. Chow, T.W.S. and Y. Fang(1998). “A Recurrent Neural-Network-Based Real-Time Learning Control Strategy Applying to Nonlinear Systems with Unknown Dynamics,” IEEE Trans. On Industrial Electronics, vol.45, NO.1, 151-161. 3. Chow, T.W.S., X.D. Li, and Y.Fang(2000). “A Real-Time Learning Control Approach for Nonlinear Continuous-Time System using Recurrent Neural Networks,” IEEE Trans. on Industrial Electronics, vol.47, NO.2, 478-486. 4. Connor, J.T., R.D. Martin, and L.E. Atlas(1994). “Recurrent Neural Network and Robust Time Series Prediction,” IEEE Trans. on NN, vol.5, NO.2, 240-254. 5. Lee, C.G., G.M. Kuhn, and R.J. Williams(1994). “Dynamic recurrent neural network: theory and applications,” IEEE Trans. on NN, vol.5, 153-155. 6. Nerrand, O., P. Roussel－Ragot, D. Urbani, L. Personnaz, and G. Dreyfus(1994). “Training Recurrent Neural Networks：Why and How？An Illustration in Dynamical Process Modeling” IEEE Trans. On NN, vol.5, No.2, 178-184. 7. Olurotimi, O.(1994). “Recurrent Neural Network Training with Feedforward Complexity,” IEEE Trans. On NN, vol.5, No.2, 185-197. 8. Parlos, A.G., O.T. Rais, and A.F. Atiya(2000). “Multi-stepahead prediction using dynamic recurrent neural networks,” Neural Networks, vol.13, 765-786. 9. Qin, S. Z., H.T. Su, and T.J. McAvoy(1992). “Comparison of Four Neural Net Learning Methods for Dynamic System Identification,” IEEE Trans. On NN, vol.3, No.1, 122-130. 10. Zhang, Gioqinang, and Hu, Michael Y(1998). “Neural Network Forecating of the British Pound/US Dollar Exchange Rate,” Omega, vol. 26. 11. 李正源(2006)，「營造工程物價指數趨勢預測之研究－以基因演算法與反轉點模式分析」，輔仁大學應用統計學研究所碩士論文。 12. 周泳成(1993)，「臺北市建築工程類營造工程物價月指數之預測:採時間數列模式(ARIMA)分析法」，成功大學建築研究所碩士論文。 13. 張玉瑛(2006)，「以支援向量機預測台灣地區營造工程物價指數之研究」，朝陽科技大學營建工程系碩士班碩士論文。 14. 梅永和(1995)，「營造工程物價指數預測之初步研究」，台灣科技大學營建工程技術學系碩士論文。 15. 陳宗祥(2005)，「營造工程物價指數增減率與工程款調整合理性之研究」，臺灣大學土木工程學研究所碩士論文。 16. 陳健信(2002)，「國內營造工程物價指數之研究」，輔仁大學應用統計學研究所碩士論文。 17. 麥聖偉(1998)，「應用灰色理論預測營建物價與營造工程物價指數」，中興大學土木工程學系碩士論文。 18. 劉峰志(1999)，「以類神經網路預測營造工程物價指數之研究」，台灣科技大學營建工程技術學系碩士論文。 19. 蔡裕春(2000)，「台灣地區營造工程物價指數預測之研究-以類神經網路與ARIMA模式」，輔仁大學應用統計學研究所碩士論文。 20. 周鵬程(2006)，「類神經網路入門-活用MATLAB」，全華科技圖書股份有限公司。 21. 張斐章、張麗秋(2005)，「類神經網路」，東華書局。 22. 葉怡成(1993)，「類神經網路模式應用與實作」，儒林圖書有限公司。 23. 羅華強(2005)，「類神經網路-MATLAB的應用」，高立圖書有限公司。 24. 中華民國統計資訊網，http://www.stat.gov.tw，2008年5月 | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/26789 | - |
| dc.description.abstract | 在全球化的影響之下，經濟活動的影響層面往往牽扯整個世界的運作。近來由於新興國家的崛起而造成了大量的原物料需求，全球的物資也紛紛湧入大量開發的國家中，而這樣的結果也就造成了原物料的飛漲。營建業本身就是需要依賴大量且多樣材料的行業，在物價上漲時受到的影響往往更加劇烈，因此本研究希望建立一臺灣地區營造工程物價指數之預測模式，以作為工程主辦單位編列公共建設預算及營造廠商計算工程投標價格之參考。
經本研究結果發現，使用回饋式類神經網路模式所建構的預測模式，因能模擬出臺灣地區營造工程物價指數序列之非線性的特性，在與臺灣地區營造工程物價指數之實際值比較過後，能得到一可靠的結果。並且在與靜態預測模式的倒傳遞類神經網路比較之中，具備回饋機制的回饋式類神經網路因為使用動態預測的方法，而能夠改善因時間拉長而造成誤差增加的情況，使得本預測模式能更貼近真實的情形。同時採用回饋式類神經網路在預測臺灣地區營造工程物價指數之下的中分類項目指數和個別分類項目指數也都能得到可靠的結果。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2021-06-08T07:25:41Z (GMT). No. of bitstreams: 1 ntu-97-R95521712-1.pdf: 1165032 bytes, checksum: 21c02881735accaebc2449fdbb5405d8 (MD5) Previous issue date: 2008 | en |
| dc.description.tableofcontents | 口試委員審定書 I
誌謝 II 摘要 III ABSTRACT IV 第一章 緒論 1 第一節 研究動機 1 第二節 研究目的 1 第三節 研究流程和論文架構 2 第二章 文獻回顧 4 第一節 營造工程物價指數相關課題之概述 4 第二節 預測營造工程物價指數之相關文獻 10 第三節 預測營造工程物價指數相關文獻之討論 13 第四節 小結 15 第三章 類神經網路相關之概述 16 第一節 類神經網路之簡介 16 第二節 類神經網路架構之簡介 18 第三節 本研究使用之類神經網路 21 第四節 小結 23 第四章 研究內容 24 第一節 倒傳遞類神經網路預測模式之建立 25 第二節 回饋式類神經網路預測模式之建立 39 第三節 預測模式之比較 43 第四節 中分類項目指數預測之研究 47 第五節 個別項目指數預測之研究 54 第六節 小結 61 第五章 結論與建議 63 第一節 研究結論 63 第二節 後續建議 63 參考文獻 65 附錄 67 附錄一 總指數倒傳遞類神經網路預測模式1之最佳模式建模結果 67 附錄二 總指數倒傳遞類神經網路預測模式2之最佳模式建模結果 73 附錄三 總指數倒傳遞類神經網路預測模式3之最佳模式建模結果 79 附錄四 總指數回饋式類神經網路最佳預測模式建模結果 86 附錄五 金屬製品類指數回饋式類神經網路最佳預測模式建模結果 93 附錄六 磚瓦瓷類指數回饋式類神經網路最佳預測模式建模結果 99 附錄七 鋼筋指數回饋式類神經網路最佳預測模式建模結果 106 附錄八 高壓混凝土磚指數回饋式類神經網路最佳預測模式建模結果 108 附錄九 應用MATLAB建立類神經網路 110 | |
| dc.language.iso | zh-TW | |
| dc.subject | 回饋式類神經網路 | zh_TW |
| dc.subject | 營造工程物價指數 | zh_TW |
| dc.subject | 類神經網路 | zh_TW |
| dc.subject | Recurrent neural network | en |
| dc.subject | Neural network | en |
| dc.subject | Construction cost index | en |
| dc.title | 以回饋式類神經網路模式預測營造工程物價指數之研究 | zh_TW |
| dc.title | A Study of Forecasting Construction Cost Indices using Recurrent Neural Network | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 96-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 鄭道明,謝尚賢,李孝安 | |
| dc.subject.keyword | 營造工程物價指數,類神經網路,回饋式類神經網路, | zh_TW |
| dc.subject.keyword | Construction cost index,Neural network,Recurrent neural network, | en |
| dc.relation.page | 110 | |
| dc.rights.note | 未授權 | |
| dc.date.accepted | 2008-07-15 | |
| dc.contributor.author-college | 工學院 | zh_TW |
| dc.contributor.author-dept | 土木工程學研究所 | zh_TW |
| 顯示於系所單位： | 土木工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-97-1.pdf 未授權公開取用 | 1.14 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。