最新以共用领域类神经网路架构土石流预警系統之研究ppt课件.ppt

《最新以共用领域类神经网路架构土石流预警系統之研究ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、以共用领域类神经网路架构土石流预警系統之研究簡報大綱前言文獻回顧理論概述研究區域與資料彙整結果與討論結論心得前言臺灣位處於環太平洋之地震帶，地震頻仍，加以颱風季節豪雨不斷，山崩、地滑及土石流等自然災害應運而生，其中又以土石流災害最為嚴重。土石流災害之主要成因為水文與地文條件，但其牽涉的範圍甚廣，包括水文學、氣象學、測量學、地形學與地質學等，並包含大量的空間與時間的變異性及非線性因子，一般傳統模式並無法有效的予以分析。文獻回顧邱曉萍（2002）曾利用共用臨域類神經網路進行降雨逕流之推求，其模式架構上先以共用臨域方法進行資料之分類，而後半階段則

2、以迴歸分析建構輸入－輸出資料間的相對應關係。理論概述共用鄰域本研究中架設以共用臨域為概念的類神經網路，即共用臨域類神經網路(SNN)，此網路架構可分為兩部分，前半段先以共用臨域分類方法將土石流發生的資料做分類，而後半段則利用監督式學習方法針對分類出的結果與實際資料做比對，並進而決定其分類的結果所佔之權重比，使具不同權重之分類群集具一定的指標性意義。理論概述一般的分類方法通常只具有處理如圖2之球狀群集能力，對於如圖3之非球狀群集則通常無法達到令人滿意之結果。理論概述共用臨域演算法則為先給予一對特定參數值K(鄰近資料點個數)與KT(兩兩資料點比

3、較之重覆資料點個數)。經由各資料點對其最短距離之點的搜尋，決定各資料點之相鄰K個資料點，之後再兩兩比較各資料點之K個資料點是否有一定之相似度(即其重覆點之個數是否大於等於設定之KT值)，若是，則可將之定義為屬於同一群集之個體。理論概述相似度的比較：選取要比較的兩個點必須互相落於彼此的半徑之內，也就是兩兩比較的資料點必須存在彼此資料點所含括之K個鄰近點內，之後再判斷除了要比較的資料點之外，其所含括的K－1（點與點之距離皆不相同）個資料點，其重覆出現的資料點個數是否有大於KT值，若是，則將之分為同類。理論概述圖4為對圖3之非球狀群集分類所得之結

4、果，由圖形中可以看出當調整參數值（K與KT）為K＝22與KT＝6時，我們可以輕易地將原本的同心圓圖形分為三類。理論概述監督式學習法則經由以上之共用臨域演算法分類後，可以得到某些具特殊意義的類群，首先由這些群類中計算出每個聚類之中心點wj(j=1…n；n為分類群數)。並給定每個群類一qj值(j=1…n；n為分類群數；其中，qj為0~1的隨機值)，即輸出權重值，接著進行權重調整，改變原分類的輸出權值為，其中β為學習速率，0<β<1，其值固定不變；為訓練範例的輸出值。理論概述將上述的學習法則歸納可以為下列步驟：其中：D(wj,x(t))表示第j個

5、規則單元的中心點wj與輸入值的距離。Δ為在三角形從屬函數的模糊運算中，與中心點wj的寬度值。理論概述上述網路的學習演算可架構出網路模式，以進行預測函數或實際系統的工作。在學習運算中，△值可以由試誤法找出，在本研究裡是先找出群類間之最大△值，再經由不斷地修正，直到其所得之誤差為最小為止。在網路預測階段則包含兩個部份，第一步驟是形式套配，第二步驟是權重均分，運用了模糊控制的觀念進行預測，其演算步驟如下：理論概述步驟一：輸入與第j個聚類的套配情況以套配指數Sj∈[0,1]表示：其中，(wj,Δ)代表第j個聚類，其中心權重點為wj，間隔寬度為Δ。S

6、稱為套配量測或相似度量測，可以任何的形式表現，此處以下式及圖7表示：理論概述上述的計算中，若輸入值與第j個聚類的中心向量的距離大於△，則Sj=0，表示第j個聚類對於該輸入值的影響權重等於0。理論概述步驟二：預測值以權重均分的方式計算，依照未知預測值佔各個從屬函數權重的百分比，乘以該從屬函數的權重累加之後，再求其平均值以得出該預測值。在此網路模式中，預測值的計算方式如下式所示：理論概述模式建構完成之後，所有相關之參數將固定不變，其驗證階段則將新的資料與訓練階段所得到之每群的中心點間，求算新的資料於每個群集中心點的距離，依模式預測階段之方法進行

7、演算，最後便可預測出輸入資料所相對映之結果。理論概述以簡例對SNN類神經網路架構測試隨機產生450筆的資料，並將這450筆資料分為三組，分別用以充做訓練、驗證及測試階段之資料，資料的筆數分別為300、100及50，而網路的架構上則為一雙輸入－單輸出之SNN共用臨域類神經網路，以x、y為其輸入值，z則為其輸出值，其結果如下：理論概述在SNN的分類階段，為了不讓資料的群數過大而產生過度描述的情況，選取的群數設定為資料組數的1/10較為適宜，當K＝10、KT＝6所分出之32個聚類為分類之結果，而經由多次的測試，選定△值為0.33，以上即為模式測試

8、之相關參數的設定。依照相同的參數設定分別進行驗證與測試，可以得到不錯的結果，而由圖8至圖10看來，雖然沒有每個點都抓得到，但就整個趨勢看來，其結果尚屬不錯，由此簡例函數的執行可以