类神经网路映射模型之人工湿地水质生化需氧量去除率-水利技师公会.pdf

學術天地 類神經網路映射模型之人工濕地水質生化需氧量 去除率分析 (1) (2) (3) (4) (5) 陳鈞華 、宋建明 、鄭富尚 、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 本研究目的為預測花蓮縣玉里鎮大禹里地表面流人工濕地(surface-flow constructed treatment wetlands)之污染質BOD 去除率，研究期間(2006年9~1月 ,2007年3~6月研究方) 5 法乃應用Kohonen網路映射模型（Kohonen network model ）＂self-organizing map＂結合- 主成分分析(principal components analysis,PCA)和倒傳遞類神經網絡 (back-propagation neural network,BPN network) 。其過程係經由Kohonen網路模型之自組織映射圖網絡 (self-organizing map , SOM)技術，將本研究中複雜之水質資料由7維向量，自動映射降維 至2維向量群集，將此2維向量群集水質資料，以PCA找出群聚的水質參數的累積之最大 變異量，將其構成 BOD5 主成分之參數應用於BPN之輸入層中。簡言之，經由 SOM-PCA-BPN步驟後，可快速收斂和避免局部最小值，準確預測出流水BOD 去除率。 5 關鍵字：人工濕地，生化需氧量， SOM ，主成份分析，倒傳遞類神經網路。 一、研究動機目的 自我組織特徵映射類神經網路 (Kernel) 函數，提出改良式類神經網路學 (self-organizing map,SOM)理論模型，為一 習法，修正只有唯一能獲勝之神經元擁有 種模擬生物大腦之非監督學習式類神經 學習之權力的Winner-Take-All運算模 網路運算法，SOM網路具有將資料維度＂ 型， Kohonen推導出來之運算模型，主要 縮 減 ＂ 或 稱 ＂ 映 射 ＂ Teuvo 特色為神經元在競爭後不僅只有獲勝的 Kohonen(1982) ，由高維度輸入( )樣本空間 一個神經元獲得權重學習，周圍其他的神 以非線性映射運算到低維度二維輸出( )特 經元也獲得不同權重可以學習。Kohonen 徵空間，換句話說， SOM運算模型，是以 et al.(1996a) ，SOM理論配合 Matlab軟體寫 簡單的特徵性質描述原本複雜原始資料 出軟體套件，達到高維度可視化統計數據 型 態 。 Kohonen (1995) 以 拓 樸 鄰 域 圖形。 (Kohonen et al., 1996; Lee and (Topological neighborhood)和定義一個核 Scholz, 2006; Kalteh et al., 2007).SOM 基 169 學術天地 於一個非監督的類神經網路演算法，可運 計