群体技术之工件辨识使用模糊类神经网路.ppt

群體技術之工件辨識使用模糊類神經網路 研究生：鄧博文 指導老師：紀勝財博士 研究動機 本研究首度嘗試將模糊集合理論應用在非監督式學習網路(Unsupervised Learning Networks)模式，建構出非監督式的模糊神經網路模式，並且整合模糊集群演算法(Fuzzy Clustering Algorithm)，以期能達成完全自動化聚類分析之功能。並將之應用於群組技術，以建構出更嚴謹、更客觀的分析方法。 研究目的 希望能夠藉由CCD攝影機對工件進行簡單數位化影像處理，以擷取一些特徵向量做為模糊自組織映射神經網路(Fuzzy Self-Organizing Map; FSOM)及倒傳遞神經網路(Back-Propagation Neural Network; BPN)的輸入資料，來辨識工件圖形並加以分類。 文獻回顧 群組技術 模糊理論 模糊集群分析 類神經網路 倒傳遞神經網路 自組織映射網路 群組技術 相似的零件歸類為同一群組。 依據其外型的特徵，或是以製造的特性來做分類的標準，判定哪些零物件應該歸為同一群組。 傳統的群組技術皆是由工程師來作人為的判斷。 實施群組技術包含分類和編碼系統的使用或是聚類分析法 分類和編碼 分類和編碼能使得設計合理化並降低變異。 但需要費時費力地審查藍圖和設計資料。 聚類方法 機器群和工件族聚類方法是以生產流程分析法為基礎。 利用機器/工件矩陣的資料中，把具有相同或類似之製造過程之工件所需的機器，分類組成一群，以得到對角化區塊的資料，成為一個獨立的製造單元(陳信嘉，民82)。 但矩陣的資料必須藉由工程師來作人為的判斷，亦相當的繁雜繁瑣。 使用神經網路於群組技術 監督式神經網路(如倒傳遞神經網路)於群組技術並不是非常適合，因為應該是由類神經網路自動來做分群，而不是由工程師分完群之後，再將分群結果來訓練神經網路。 非監督式神經網路(如ART-1)，則其只能處理0與1值，對於一些模糊區域則無法處理，且文獻中皆是以特徵為主要訓練資料。 自組織映射網路於群組技術 首次將模糊集合理論與自組織映射神經網路做一整合。 發展模糊自組織映射神經網路作為特徵擷取之工具，並且與倒傳遞神經網路配合使用，以提昇辨識效果。 發展一套準確度高的零件辨識系統，並希望此系統不受零件大小或零件偏斜的影響。 傳統集群分析 傳統集群分析是以二值邏輯(Binary Logic)為基礎的方式來描述事物，分析的樣本x和集群A的關係只能是x?A或x?A，是一種『非此即彼』的概念，也就是屬於『硬分類』的方法。 傳統集群分析 模糊集群分析 模糊集群分析則是利用評估特徵向量空間中各樣本之相關程度，將相關程度高者分為一群，以隸屬度(Membership)表示之，使得分析之樣本不再是單純地『屬於』或『不屬於』某群，而是變成屬於某群的『程度』 。 模糊集群分析 FCM集群演算法 主要是將n個樣本所組成之集合，依樣本內m維特徵向量空間，配合隸屬函數，分割成c組的集群，使得目標函數值最小。 分類後同一集群內各樣本之歐幾里得距離(Euclidean Distance)最短，不同集群中心間之歐幾里得距離最大。 模糊分群則是各資料點到各集群中心的加權平方和，所以模糊分群實為硬分群的延伸。 自組織映射網路 自組織映射(Self-Organizing Map ; SOM)神經網路是一種非監督式學習網路模式，是由Tuevo Kohonen在1979年到1982年間所發展完成的一種以競爭架構為學習基礎的類神經網路模式。 一個典型的SOM類神經網路的架構包括兩層網路層，輸入層的每個處理單元都是完全連接到二維的Kohonen網路層上的每個結點上。 自組織映射網路 而SOM網路之作用可溯自大腦結構的特性，大腦中有相似功能的腦細胞聚集在一塊，譬如人類大腦中明顯地有專司視覺、聽覺、味覺等區塊，也就是說腦神經細胞具有『物以類聚』之特性；而SOM網路便是模仿這種特性，其輸出處理單元會互相影響，當網路學習完成後，其輸出處理單元相鄰近者會具有相似的功能，而形成各聚類區域。 自組織映射網路 自組織映射網路 SOM網路的基本原理便是計算輸入的特徵值映射至輸出層每一處理單元的歐幾里得距離(Euclidean Distance)，而具有最小距離值的處理單元就是優勝單元並且將會調整它的連接權值，使其能夠更接近原始的輸入向量，而且此處理單元的鄰近區域)也會調整本身的連接權值，使自己與輸入向量間的歐幾里得距離能夠減少。 自組織映射網路結構 輸入層：用以表現網路的輸入變數，即訓練範例的輸入向量，或稱特徵向量，其處理單元數目依問題而定，每一個處理單元代表著輸入向量的每一個元素，亦即該輸入資料所擁有的特徵。使用線性轉換函數，即F(x)=x。 自組織映射網路結構 輸出層：用以表現網路的輸出變數，及訓練範