利用模糊类神经网路模型进行学习成效预估.pdfVIP

利用模糊類神經網路模型進行 學習成效預估 作者 ：林家聖 組員：謝宇哲、江建翰、沈霈嫻 Outline  類神經網路的型態 ◦Self-Organizing Map(SOM)  模糊理論(Fuzzy theory)  範例資料  狀態轉換矩陣  狀態轉換機率模型  連續狀態轉換機率模型  預測的模糊化  模糊預測落點矩陣 類神經網路的型態 Ｘ１ Y １ Ｘ２ Y ２ Ｘ Y ｎ m 輸入層 隱藏層 輸出層 監督式學習v.s.非監督式學習 Self-Organizing Map(SOM)  訓練週期 ◦競爭階段(competition) ◦合作階段(cooperation) ◦學習階段(adaptive)  執行週期 模糊理論(Fuzzy theory)  利用模糊集合來表示模糊的概念，以量 (quantity)描述模糊的程度  模糊理論所描述的模糊性屬於程度上的不確定, 藉由成員函數(member-ship function) 來表示  預測的結果不會是百分之百 =預測資料落在某一落點附近會比較高(低) ， 以這樣的形式說明預測的結果 ex:氣象預報使用”豪雨特報”去預測明天的降雨 量，而不會直接預測明天的降雨量是170mm 模糊集合(Fuzzy Set)  Fuzzy Set是一個包含著數個元素的集合，每個 元素對於此集合中的成員有著不同的關聯度 (degrees of membership)  例如，一個fuzzy set A {X X ,….} ，因此， 1, 2 ~ A 可表示為 ~  (x )  (x )   A 1 A 2  A  ~  ~  ~  x1 x2  符號說明  t ：一個時序性資料中某個時間點的值 t ,t 1  ：時序性資料中某一段時間的data pair ,  u t t1 t ,t 1 t ,t1 t ,t1 t ,t1 t ,t1  ： { , , } 1 2 u 其中，ｕ為tuple的數目 t ：資料由t 到t + l 的第i 種內部狀態。每個 i t