運用類神經網路做岩體分類.pptVIP

* 運用類神經網路做岩體分類 電機碩一 G980J025 學生:陳泳嶂 教授:黃昭明 老師 * 目錄 摘要 前言 運用流程 結果 結論 * 摘要 選擇類神經網路做岩體分類是因為它具有自我學習的特點，只要採取較佳的樣本，透過訓練就可以將樣本學習下來。 隨著新加樣本的學習，會更新加強輸入因子與輸出分類結果間的相關性，使系統更具判斷力。 這樣一套系統可改善岩體分類時，分類的不確定性，而且可提供即時有效的隧道支撐型式建議。 * 前言 類神經網路是一種計算系統包括軟體與硬體，使用大量簡單的人工相連神經元來模仿生物神經網路（圖一）的能力。人工神經元是生物神經元的簡單模擬（圖 二） 今採用的倒傳遞類神經網路，其特點為學習準確度高、回想速度快、理論簡明，其架構包括輸入神經元、隱藏神經元、輸出神經元（圖三） * 圖一 生物神經元模型 神經核(Soma)：神經細胞成核狀的處理機構。 神經軸(Axon)：神經細胞向外伸出的最長一條分支， 呈軸索狀的輸送機構，屬於細胞輸出端。 神經樹(Dendrites)：神經細胞向外伸出的其他許多分支，它屬於細胞的輸入節點，接受激發的訊號(或稱神經衝動)。 神經節(Synapse)：神經軸輸出和神經樹輸入相互連結的點狀介面。 * 圖二 人工神經元模型 Ｙj ﹦Ｆ( f ( ΣＸiWij－θ) ) Ｘi ﹦輸出值(input)，其他神經元輸出至本神經元的訊號 Ｙi ﹦輸出值(output)，輸出至其他神經元，成為其輸入值 Ｗi j ﹦兩神經元之間的連結權重值(weight) f ﹦作用函數(activation function) Ｆ ﹦非線性轉換函數 θ ﹦閥值 * 圖三 倒傳遞網路架構 在同一層中每個神經元彼此不相連，只與前後層神經元相連接，訓練類神經網路的目的，即在求出這些相互連結的權重最佳值，以使類神經網路的輸入和輸出能形成特定的函數關係。 * 運用流程 作業時分為學習及回想兩部份 從問題中取得樣本來學習訓練(樣本包含輸入變數值，目標輸出變數值 ) 透過訓練取得輸入變數與輸出變數的內在對應規則即神經元間的權重 透過回想將學習後所得的神經元權重運用於新的案例，一旦系統輸入變數值就能產生推論輸出值 * 簡單的說，它產生一內部黑箱函數，難以得出一明確的方程式，經由倒傳遞類神經網路的演算法，只可以得出各神經元間連接的權重，也就是輸入變數值與輸出變數值之間內部對應的規則 * 訓練樣本的選取，首先將各次評分原ＲＭＲ評分值正規化（Normalize）調整各項評分為０至１的數字,而節理評分項原為負值轉為正值仍然保持數值大的為大（見表一、表二，並作比較）採用模糊(Fuzzy)隸屬函數(Membership Function)的觀念，例如福德隧道第四類支撐類型為〔0.00, 0.30, 0.60, 0.90, 0.60,0.30, 0.00〕，將原目標輸出值給予隸屬度值由中間向兩側隸屬度降低，表示不同專家在分類上可能包含個人主觀因素，並且在決定類型時能提供較彈性選擇。 * 表二 福德坑隧道岩體評分正規化及支撐型式模糊化之一例 表一 福德坑隧道原始岩體評分及支撐型式之一例 * 圖四 訓練學習收斂曲線 這次測試完全根據實驗經驗採用12個神經元。最後將每個樣本的系統輸出值與目標輸出值相減後平方再相加後平均即均方差（mse,mean-square-error）檢驗，發現可收斂到0.08以下。收斂曲線見圖4。 * 結果 1.在第一種正確率定義下，經測試有96%左 右的準確率。 2.在第二種正確率定義下，經測試有72% 左右的準確率。 3. 以下（表三）是部分分類的結果，T(K)表示目標輸出值專家分類型式，而Y(K)表示系統輸出值。結果大部分可以分類，僅有少部分不能分類。 * 表三 第二種正確率定義下測試回想後的部份分類結果 * 結論 我們以這六項因子訓練這個系統去決定支撐型式時，一定會遺漏了一些施工因素的影響。此影響可能是本系統測試結果正確率未能更提升的主要原因。進一步的研究若能考慮施工因素，甚至考慮更多的地質因子，相信可以有效地提高判釋的正確率。 岩體分類及隧道支撐資料所做的訓練及測試效果良好，其正確率達約96% 。相信運用類神經網路可以發展成為一套頗為理想的岩體分類系統。 * 謝謝指教 * *