自组织映射特征网路应用于地表面流式人工湿地水质-水利技师公会.pdfVIP

學術天地 自組織映射特徵網路應用於地表面流式人工濕地水質分析之研究 (1) (2) (3) (4) (5) 陳鈞華 、宋建明 、蔡瀚德 、徐貴新 、甘俊二 (1)屏東科技大學土木工程系副教授 水利技師 (2)屏東科技大學土木所博士班 (3)屏東科技大學土木所碩士班 (4)東南科技大學環境管理系副教授兼研發處處長 水利技師 (5)七星農田水利研究發展基金會董事長 水利技師 摘 要 本研究利用自組織映射特徵網路圖(self-organizing feature map ,SOFM)模型，針對地表 面流人工濕地 (surface-flow constructed treatment wetlands)的（ SS 、VSS 、TCOD 、BOD5 、 NH3-N 、PO4-P ）6 種污染質去除率和入流量，進行分類和預測，同時也利用相關分析和路 徑分析，探討相關性和物理意義。在地表面流人工濕地中 ，經由相關分析得知入流量與水 力負荷為高度線性正相關，入流量與氨氮去除率為高度線性負相關，氨氮去除率與正磷酸 鹽去除率高度線性正相關，正磷酸鹽去除率與生化需氧量 去除率高度線性正相關。經由徑 路分析得知，入流量與水力負荷為 +0.99相關，可知由入流量來計算水力負荷，在徑路係數 中是有修正值存在的必要性。入流量與氨氮去除率為 -0.31相關，表示入流量大時氨氮去除 率並不會相對性變化很大。氨氮去除率與正磷酸鹽去除率為+0.33相關，正磷酸鹽去除率與 生化需氧量去除率為+0.55相關，換句話說，當流量或水力負荷大時氨氮去除率相對性稍微 減少，變化並不會太大，但正磷酸鹽去除率和生化需氧量 去除率會相對性增加一些。經由 SOFM模型，可以適當地區分和預測地表面流人工濕地的污染質去除率 (定性關係) 。經由相 關分析和徑路分析可以明顯的表示污染質相關程度（定量關係） 。 關鍵字：自我組織類神經網路，地表面流人工濕地，污染質。 1、前言 最早由芬蘭赫爾辛基大學教授 Teuvo 和定義一個核 (Kernel) 函數，提出改良式類 Kohonen(1982)[1] ，提出自我組織特徵映射 神經網路學習法，修正只有唯一能獲勝之 類 神 經 網 路 (self-organizing feature 神經元擁有學習之權力的 Winner-Take-All map,SOFM)理論模型，為一種模擬生物大 運算模型，Kohonen 推導出來之運算模型， 腦之非監督學習式類神經網路運算法， 主要特色為神經元在競爭後不僅只有獲勝 SOFM 網路具有將資料維度 ”縮減或稱” 映” 的一個神經元獲得權重學習，周圍其他的 射 ” ，由高維度輸入( )樣本空間以非線性映 神經元也獲得不同權重可以學習。Kohonen 射運算到低維度二維輸出( )特徵空間，換句 et al.(1996a) ，SOFM理論配合 Matlab軟體 話說， SOFM 運算模型，是以簡單的特徵 寫出軟體套件，達到高維度可視化統計數 性質描述原本複雜原始資料型態。Kohonen 據圖形。(Kohonen et al., 1996[7]; Lee and (1995 以拓樸鄰域(Topological neighborhood) Scholz, 2006[6]; Kalteh et al., 2007).SOFM 129 學術天地 基於一個非監督的類神經網路演算法，可 到 哪 些 因 素 影