网路增长法.pptVIP

Journal of Hydrology 290 (2004) Yen-Ming Chiang, Li-Chiu Chang, Fi-Jonh Chang* 指導教授：謝平城 老師 授課教授：詹勳全 老師 報告學生：童偉安 大綱 前言 類神經網路介紹 應用方法 結果與討論 結論 前言 台灣因地勢高聳，天然河道多坡陡流急，颱風、雷陣雨所帶來的驚人雨量時常在數小時內便由上游山區到達下游城市，故即時洪水預測為台灣於水文上一項重要的課題。但因降雨逕流為一種高度非線性關係的自然現象，逕流量的預測並不容易。 類神經網路可解高度非線性問題的特性在近幾年內常被用來處理水文相關的課題，成效十分顯著。然而類神經網路有非常多種的類型，為了解決一項問題需要對現有的類神經網路做充足的調查以了解哪種技術最適合該問題。此篇研究中我們的目的為比較兩種不同系統的類神經網路於預測降雨逕流模式中的實用性。 類神經網路介紹 甚麼是類神經網路?? 類神經網路屬於人工智慧技術的一支，由電腦來模擬人類腦神經細胞網路，為機器學習中一種功能強大的演算技術。 適用問題： 1. 最佳化問題 2. 辨識、分類 3. 預測 類神經網路介紹： 靜態式與動態式系統 靜態式系統： 輸入層 輸出層 隱藏層 神經元 鍵結(加權值) 數據演算方向 (前饋式系統) 類神經網路介紹： 靜態式與動態式系統 動態式系統： 輸入層 輸出層 隱藏層 鍵結(加權值) 神經元 回饋迴圈 數據演算方向 (回饋式系統) 類神經網路介紹： 學習演算法 甚麼是學習演算法?? 加權值調整的演算法，藉由演算法來逐步調整神經元間鍵結的加權值，使輸出值達到最佳化。 本篇研究中將用到三種學習演算法，分別是： 靜態式系統： 誤差倒傳遞演算法 (BP法) 共軛梯度演算法(CG法) 動態式系統： 即時回饋學習演算法(RTRL法) 類神經網路介紹： 數據資料的分類 做出一類神經網路模式，須將手上數據資料分為三組： 1. 訓練組：類神經網路的學習依據。 2. 驗證組：判斷是否出現過度訓練或是訓練不足。 3. 測試組：網路系統的驗收用數據。 應用方法： 研究區域 雨量站 流量站 應用方法： 試驗方法 Qp代表最大洪峰流量值，單位為cms 應用方法： 網路系統的建構 隱藏層數量：1層 過去研究： Minns and Hall(1996) Abrahart and See(2000) 隱藏層內的神經元個數： 網路增長法 輸出層維度：1 輸入層維度： 動態系統：5。 靜態系統：決定稽延時間。 應用方法： 靜態式系統的稽延時間與輸入維度 1小時 2小時 3小時 4小時 應用方法： 預測誤差值判斷標準 Mean Absolute Error (MAE) Root Mean Square Error (RMSE) Relative Mean Absolute Error (RMAE) 應用方法： BP法 v.s CG法 應用方法： 最終結構 測試結果： 以共軛梯度法(CG法)作為學習演算法的靜態系統，採用MAE及RMSE值皆較小的Model3作為輸入維度及稽延時間的標準。 輸入維度：15 稽延時間：3小時 隱藏層神經元個數：5 結果與討論 結果與討論 結果與討論 結果與討論 結果與討論 結論 當有足夠且連續的數據資料做訓練時(試驗一)，無論是靜態系統或是動態系統都能對降雨逕流模式做出準確地預測，靜態系統之預測誤差值甚至優於動態系統，不過動態式系統對於極端值的預測較準確。 當訓練資料不足或是數據非連續時，動態系統的預測性能會明顯優於靜態系統。