請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/9705完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 徐年盛 | |
| dc.contributor.author | Sheng-Chun Lin | en |
| dc.contributor.author | 林聖鈞 | zh_TW |
| dc.date.accessioned | 2021-05-20T20:36:38Z | - |
| dc.date.available | 2008-08-04 | |
| dc.date.available | 2021-05-20T20:36:38Z | - |
| dc.date.copyright | 2008-08-04 | |
| dc.date.issued | 2008 | |
| dc.date.submitted | 2008-07-27 | |
| dc.identifier.citation | 1. Abdalla Shigidi and Luis A. Garcia, M., 2003. 'Parameter estimation in groundwater hydrology using artificial neural networks,' Journal of computing in civil engineering, ASCE, p.281-289
2. Abrahart R. J., See L. and Kneale P. E., 1998. 'New Tools for Neurohydrologists: Using Hetwork Pruning and Model Breeding Algorithms to Discover Optimum Inputs and Architectures,' In Proceedings of the 3rd International Conference on Geocomputation, University of Bristol. 3. Akaike Hirotugu, 1974. 'A new look at the statistical model identification'. IEEE Transactions on Automatic Control, 19 (6), p.716-723. 4. Asaad, Y. S., M. C. Kieran and G. C. Liang, 1997. 'Methods for combining the outputs of different rainfall-runoff models,' Journal of Hydrology, 197, p.203-229. 5. Bayazit, M. and H. Ahsoy, 2001. 'Using wavelets for data generation,' J. Appl. Statist., 28(2), 157-166. 6. Cameron, M. Z., H. B. Donald and P. S. lobodan, 1999. 'Short term stream flow forecasting using artifical neural networks,' Journal of Hydrology, 214, p.32-48. 7. Coulibaly, P., F. Anctil, P. Rasmussen and B. Bobeée, 2000. 'A recurrent neural networks approach using indices of low-frequency climatic variability to forecast regional annual runoff,' Hydrol. Process, 14, p.2755-2777. 8. French, M. N., W. F. Krajewski and R. R. Cuykendall, 1992. 'Rainfall forecasting in space and time using a neural network,' Journal of Hydrology 137, p.1-31. 9. Hebbian D. O., 1949. The Organization of Behavior. A Neuropsychological. New York: Wiley. 10. Hopfield J. J. and Tank D., 1985. 'Neural computations of decisions in optimization problems,' Biological Cybernetics, 51, p.141-152 11. Hsu, K. L., V. G. Hoshin and S. Soroosh, 1995. 'Artificial neural network modeling of the rainfall-runoff process,' Water Resources Research, 29(10), p.3535-3541. 12. Ioannis N. Daliakopoulos, Paulin Coulibaly, Ioannis K. Tsanis, 2005. 'Groundwater level forecasting using artificial neural networks,' Journal of Hydrology, 309, p.229-240. 13. Kwok T. Y. and Yeung D. Y., 1997. 'Constructive Algorithms for Structure Learning in Feedforward Neural Networks for Regression Problems,' IEEE Transactions on Neural Networks, 3, p.630-645. 14. Labat, D., R. Ababou and A. Mangin, 2000. 'Rainfall-runoff relations for karstic springs. Part II: continuous wavelet and discrete orthogonal multiresolution analyses,' Journal of Hydrology, 238, p149-178. 15. Loke, E., E. A. Warnaars, P. Jacobson, F. Nelen and M. A. DoC'eu, 1997. 'Artificial neural networks as a tool in urban storm drainage,' Wat. Sci. Tech., p.101-109. 16. Lorrai, M., G. M. Sechi, 1995. 'Neural nets for modeling rainfall-run transformations,' Wat. Resour. Man., 9, p.299-313. 17. Mallat, S. G., 1989. 'A theory for multiresolution signal decomposition: the wavelet representation,' IEEE Trans. on Pattern Analysis and Machine Intelligence, 11(7), p.674-693. 18. Masuda, N. and K. Aihara, 'Prediction of chaotic time series with wavelet coefficients,' Electronics and Communications in Japan, Part 3, 84(6), p1710-1718. 19. McCulloch W. S. and Pitts W., 1943. 'A logical calculus of the ideas immanent in nervous activity,' Bulletin of Mathematical Biophysics, 5, p.115-133. 20. Minsky M. L. and Papert S. A., 1969. Perceptrons. Cambridge. MA:MIT Press. 21. Parios, A. G., O. T. Rais & A. F. Atiya, 2000. 'Multi-step-ahead prediction using dynamic recurrent neural networks,' Neural Networks, vol.13, p.765-786. 22. Rao, R. M., 1998. Wavelet Transforms, Introduction to Theory and Applications. Addison:Wesley, USA. 23. Rosenblatt F., 1958. 'The perceptron: A probabilistic model for information storage and organization in the brain,' Psych. Rev., 65, p.386-408 24. Rumelhart D. E. and McClelland J. L., 1986. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1. Cambridge, MA: MIT Press. 25. Sajikumar, N., and B. S. Thandaveswara, 1992. 'A non-linear rainfall-runoff model using an artifical neural network,' Journal of Hydrology, 216(1), p.32-55. 26. Widrow B. and Hoff M. E. Jr., 1960. 'Adaptive switching circuits,' IRE Western Electric Show and Convention Record, part4, p.96-104 27. Zhang, B. and S. G. Rao, 2000. 'Prediction of watershed runoff using Bayesian concepts and modular neural networks,' Water Resources Research, 36(3), p.753-762. 28. 王志雄，小波複解析法之研究及其應用於感潮河段率定曲線之修正，國立臺灣大學生物環境系統工程學系暨研究所博士論文，1995 29. 王瀚德，小波理論與類神經網路應用於潮汐之預測與補遺，國立中山大學海洋環境及工程學系碩士論文，2001 30. 吳呈懋，利用貝氏法進行地下水數值模式參數檢定，國立臺灣大學土木工程學系碩士論文，1992 31. 李宗穆，小波理論之研究及其應用於水庫流量特性之分析，國立臺灣大學生物環境系統工程學系暨研究所博士論文，1994 32. 李基毓，數值模擬探討井際分溶示蹤試驗估計非水相體飽和度之誤差，國立臺灣大學土木工程學系碩士論文，2004 33. 周建明，水文系統之小波多分辨分析及其應用於流域之洪水預報，國立臺灣大學生物環境系統工程學系暨研究所博士論文，1999 34. 施權展，具混合學習之小波類神經網路完成通訊通道等化器設計，朝陽科技大學網路與通訊研究所碩士論文，2004 35. 洪士林、黃炯憲等，應用小波神經網路於橋樑實測地震反應之損壞偵測，國家地震研究中心研究計畫，2002 36. 胡永國，應用類神經網路推估地下水位洩降所致地層沉陷之研究，屏東科技大學土木工程系碩士論文，1999 37. 胡湘帆，反傳遞模糊類神經網路於流量推估之應用，國立臺灣大學農業工程學系碩士論文，1998 38. 孫建平，類神經網路及其應用於降雨及逕流過程之研究，國立臺灣大學農業工程學系碩士論文，1997 39. 張大元，類神經網路在水庫放流對河川水位增量之研究，中原大學土木工程學系碩士論文，2003 40. 梁晉銘，複合型類神經網路建構集水區水文模式之研究，國立臺灣大學生物環境系統工程學系暨研究所碩士論文，2002 41. 郭建銘，應用多變量統計與類神經網路分析雲林沿海地區地下水水質變化，國立臺灣大學農業工程學研究所碩士論文，1998 42. 陳昶憲、楊朝仲、王益文，類神經網路於烏溪流域洪流預報之應用，1996，中華水土保持學報，vol.27，no. 4，p.267-274。 43. 曾國源，以類神經網路架構土石流預警系統之研究，國立臺灣大學生物環境系統工程學系暨研究所博士論文，2003 44. 黃宏志，小波神經網路應用於伺服控制之研究，逢甲大學自動控制工程學系.碩士論文，2000 45. 黃智顯，水文時間序列類神經網絡之研究及其應用於流量之預測，國立臺灣大學農業工程學系碩士論文，1997 46. 黃群岳，颱風洪流量之神經網路預測，中原大學土木工程學系碩士論文，2000 47. 楊朝仲，類神經網路在集水區出流量預測之應用，逢甲大學土木及水利工程研究所碩士論文，1997。 48. 廖啟佑，應用類神經網路與小波理論分析地震前地下水位波動，國立臺北科技大學土木與防災研究所碩士論文，2002 49. 蔡奇男，以小波類神經網路實現彩色影像之臉部偵測，朝陽科技大學資訊工程系碩士論文，2004 50. 賴建元，應用類神經網路於屏東平原地下水水位補遺推估，屏東科技大學土木工程系碩士論文，2004 51. 鍾芸菁，應用倒傳遞類神經模式預測山坡地地下水位，國立中興大學土木工程學系碩士論文，2002 52. 王進德，類神經網路與模糊控制理論入門與應用，全華科技，2007 53. 張斐章、張麗秋，類神經網路理論與實務，東華書局，2003 54. 羅華強，類神經網路－MATLAB的應用，清蔚科技，2001 | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/9705 | - |
| dc.description.abstract | 本研究將倒傳遞類神經網路之隱藏神經元個數的決定，視為一般參數檢定的過程，使用AIC指標（Akaike’s Information Criterion）來決定隱藏神經元個數並優選模式。
此外，因為類神經網路的各個權重 主要是模擬不同生物神經元間的連結強弱，權重為正且越大表示連結越強且增益越大；權重為負且越小表示連結雖強但是為抑制的功用；若權重接近零，表示連結很弱。因此本研究分析在不同隱藏層神經元個數下，各個權重值的大小之變化趨勢，將每一組權重視為一系列的頻譜，找出一適合的門檻值，使用小波分析將之過濾，把過於接近零，也就是連結度越弱的權重予以剔除，進而得出一種更加快速的方式以決定隱藏層神經元個數，以期建立一精確之類神經模式以模擬地下水水位。 結果顯示，以小波分析過濾權重，的確能夠快速地找出合理的隱藏層神經元個數，而且隨著訓練資料筆數的增加，所決定之隱藏神經元個數亦隨之增加，證明了本論文方法論之可行性與可靠度。 | zh_TW |
| dc.description.abstract | Artificial neural network (ANN) is a flexible mathematical structure which is capable of idengifying complex nonlinear relationships between input and output data sets. ANN models have been found useful and efficient, particularly in problems for which the characteristics of the processes are difficult to be described using physical equations. Thus, in this paper, the capability of an artificial neural network to provide a data-driven approximation of groundwater flow model is demonstrated.
To identify an ANN model, the number of nodes in every layer must be selected, especially in the hidden layer. In this paper, AIC criterion (Akaike’s Information Criterion) is applied to calibrate the ANN model, and the weights of the network are analyzed as a signal by wavelet analysis in orde to decide the number of nodes in the hidden layer. After an mathematical simulation, the result improve that the new approach deduced in this study can quickly offer a useful reference and application for the decision of the number of nodes in the hidden layer. | en |
| dc.description.provenance | Made available in DSpace on 2021-05-20T20:36:38Z (GMT). No. of bitstreams: 1 ntu-97-R94521320-1.pdf: 803262 bytes, checksum: 8bd8baa6615bab3610e3bd6841840623 (MD5) Previous issue date: 2008 | en |
| dc.description.tableofcontents | 目 錄
誌謝 ............................................................ Ⅰ 摘要 ............................................................ Ⅱ Abstract .......................................................... Ⅲ 目錄 ............................................................ Ⅳ 圖目錄 .......................................................... Ⅶ 表目錄 .......................................................... Ⅸ 第一章 緒論 1.1 研究背景與目的 ........................................... 1 1.2 研究方法概述 ............................................. 2 1.3 類神經網路文獻回顧 ....................................... 3 1.3.1 國外的類神經網路相關論文 ............................. 3 1.3.2 國內的類神經網路相關論文 ............................ 4 1.4 小波分析文獻回顧 ......................................... 6 1.4.1 國外的小波分析相關論文 ............................... 6 1.4.2 國內的小波分析相關論文 ............................... 6 1.5 論文大綱 ................................................. 7 第二章 小波分析與類神經網路理論介紹 2.1 前言 ..................................................... 8 2.2 類神經網路概述 ........................................... 8 2.2.1 類神經基本介紹 ....................................... 9 2.2.2 類神經網路系統架構 ................................... 12 2.2.3 類神經網路的學習方式 ................................. 14 2.3 小波分析概述 ............................................. 15 2.3.1 連續小波轉換 ......................................... 15 2.3.2 離散小波轉換 ......................................... 18 2.3.3 Mallat運算法 ........................................ 20 2.3.4 小波包 .............................................. 22 第三章 隱藏層神經元個數之決定 3.1 前言 ..................................................... 23 3.2 倒傳遞類神經網路概述 ..................................... 23 3.2.1 BPA學習演算法 ....................................... 23 3.2.2 BPA回想演算法 ...................................... 27 3.3 傳統的隱藏層神經元個數決定方式 ........................... 28 3.4 以AIC指標決定隱藏層神經元個數 ........................... 30 3.4.1 AIC指標之介紹 ...................................... 30 3.4.2 AIC指標決定最佳隱藏層神經元個數方法 ................. 31 3.5 小波濾除冗餘權重 ......................................... 33 3.5.1 小波濾除冗餘權重理論 ................................. 33 3.5.2 小波濾除冗餘權重方法 ................................ 34 第四章 實驗步驟與結果討論 4.1 前言 ..................................................... 36 4.2 實驗流程與詳細步驟 ....................................... 36 4.2.1 均方差與AIC之計算 .................................. 37 4.2.2 小波濾除冗餘權重步驟 ................................ 47 4.3 AIC指標方法實驗結果討論 ................................. 53 4.4 小波濾除冗餘權重結果討論 ................................. 55 4.5 AIC指標方法與小波濾除冗餘權重方法之綜合比較 ............. 60 第五章 結論與建議 5.1 研究結論 ................................................. 63 5.2 建議事項 ................................................. 64 參考文獻 ........................................................ 65 附錄一 倒傳遞類神經網路公式計算範例 ............................ 70 附錄二 小波濾除權重範例 ........................................ 75 圖 目 錄 圖2.1 生物神經元示意圖 ......................................... 9 圖2.2 類神經網路的基本設計概念 ................................. 10 圖2.3 常見的活化函數 ........................................... 12 圖2.4 前饋式類神經網路 ......................................... 13 圖2.5 回饋式類神經網路 ......................................... 13 圖2.6 尺度參數a的作用 ......................................... 17 圖2.7 平移參數b的作用 ......................................... 17 圖2.8 小波的分解與重建示意圖 ................................... 22 圖2.9 小波包分解示意圖 ......................................... 22 圖3.1 倒傳遞類神經網路架構圖 ................................... 23 圖3.2 傳統隱藏神經元個數決定範例用圖 ........................... 29 圖3.3 以AIC指標決定隱藏層神經元個數流程圖 .................... 34 圖3.4 小波濾除冗餘權重流程圖 ................................... 36 圖4.1 輸入類神經網路訓練之資料架構 ............................. 36 圖4.2 60筆訓練資料下隱藏神經元個數與停止誤差值之關係圖 ......... 43 圖4.3 60筆訓練資料下隱藏神經元個數與AIC之關係圖 .............. 43 圖4.4 120筆訓練資料下隱藏神經元個數與停止誤差值之關係圖 ....... 43 圖4.5 120筆訓練資料下隱藏神經元個數與AIC之關係圖 ............. 44 圖4.6 180筆訓練資料下隱藏神經元個數與停止誤差值之關係圖 ....... 44 圖4.7 180筆訓練資料下隱藏神經元個數與AIC之關係圖 ............. 44 圖4.8 240筆訓練資料下隱藏神經元個數與停止誤差值之關係圖 ....... 45 圖4.9 240筆訓練資料下隱藏神經元個數與AIC之關係圖 ............. 45 圖4.10 300筆訓練資料下隱藏神經元個數與停止誤差值之關係圖 ...... 45 圖4.11 300筆訓練資料下隱藏神經元個數與AIC之關係圖 ............ 46 圖4.12 360筆訓練資料下隱藏神經元個數與停止誤差值之關係圖 ...... 46 圖4.13 360筆訓練資料下隱藏神經元個數與AIC之關係圖 ............ 46 圖4.14 (a)db3函數圖 ............................................ 48 圖4.14 (b)墨西哥小帽函數圖 ..................................... 48 圖4.15 權重排列方式一 .......................................... 48 圖4.16 權重排列方式二 .......................................... 49 圖4.17 權重排列方式三 .......................................... 49 圖4.18 權重排列方式四 .......................................... 49 圖4.19 權重濾除前示意圖 ........................................ 50 圖4.20 權重濾除後示意圖 ........................................ 50 圖4.21 不同資料筆數下最佳隱藏神經元個數示意圖（小波方法） ...... 52 圖4.22 180筆訓練資料下隱藏神經元個數與AIC之關係圖（C=3）...... 54 圖4.23 240筆訓練資料下隱藏神經元個數與AIC之關係圖（C=4）...... 54 圖4.24 訓練資料筆數與最佳隱藏神經元數關係圖（AIC方法）......... 54 圖4.25 訓練資料筆數與最佳隱藏神經元數關係圖 （小波方法，門檻值=0.6）................................. 58 圖4.26 AIC與小波方法結果比較 ................................. 60 圖4.27 小波方法不同門檻值對最佳隱藏神經元個數之影響 ............ 61 表 目 錄 表4.1 停止誤差值排序範例 ....................................... 39 表4.2 60筆訓練資料下之AIC值與計算過程 ........................ 40 表4.3 120筆訓練資料下之AIC值與計算過程 ....................... 40 表4.4 180筆訓練資料下之AIC值與計算過程 ....................... 41 表4.5 240筆訓練資料下之AIC值與計算過程 ....................... 41 表4.6 300筆訓練資料下之AIC值與計算過程 ....................... 42 表4.7 360筆訓練資料下之AIC值與計算過程 ....................... 42 表4.8 小波濾除權重範例 ......................................... 51 表4.9 不同資料筆數下隱藏神經元個數決定過程 ..................... 52 表4.10 訓練資料筆數與最佳隱藏神經元數（AIC方法） ............... 54 表4.11 120筆訓練資料下權重過濾後神經元減少路徑 ................. 55 表4.12 180筆訓練資料下權重過濾後神經元減少路徑 ................ 56 表4.13 240筆訓練資料下權重過濾後神經元減少路徑 ................ 56 表4.14 300筆訓練資料下權重過濾後神經元減少路徑 ................ 57 表4.15 360筆訓練資料下權重過濾後神經元減少路徑 ................ 57 表4.16 訓練資料筆數與最佳隱藏神經元數（小波方法，門檻值=0.6）.... 58 表4.17 不論訓練資料筆數被濾除之隱藏神經元個數（門檻值=0.6）...... 57 表4.18 AIC與小波方法結果比較 ................................. 60 | |
| dc.language.iso | zh-TW | |
| dc.title | 應用小波分析辨識地下水水位模擬之類神經網路架構 | zh_TW |
| dc.title | Structure Identification of Artificial Neural Networks for Groundwater Simulation Using Wavelet Analysis | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 96-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 劉振宇,陳主惠,張德鑫,吳呈懋 | |
| dc.subject.keyword | 類神經網路,小波分析,地下水,AIC指標, | zh_TW |
| dc.subject.keyword | Artificial Neural Networks,Wavelet,Groundwater,AIC criterion, | en |
| dc.relation.page | 68 | |
| dc.rights.note | 同意授權(全球公開) | |
| dc.date.accepted | 2008-07-29 | |
| 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 | 784.44 kB | Adobe PDF | 檢視/開啟 |
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。