类神经网路在智慧型管理决策之生活生活应用.pptVIP

* 參、類神經網路演算法 一、網路架構 二、網路演算法 三、評估網路學習效果 四、網路學習過程 五、網路回想過程 * 一、網路架構 以倒傳遞網路為例 倒傳遞網路是由輸入層、隱藏層、輸出層所構成，其網路架構下圖所示。 輸入向量 輸入層 隱藏層 輸出層 輸出向量 * 一、網路架構(續) 輸入層 用來呈現網路之輸入變數，處理單元之個數依實際問題而定，通常使用線性函數作為轉換函數，亦即：f(x) = x。 * 一、網路架構(續) 隱藏層 用來呈現輸入處理單元間之交互作用，處理單元數之設定並無一定準則可供參考，實務上通常是以試驗方式來決定，轉換函數通常採用非線性函數。 網路架構可以沒有隱藏層之設計，也可以具有一層以上之隱藏層。 * 一、網路架構(續) 輸出層 用來呈現網路之輸出變數，處理單元之個數依實際問題而定，通常使用非線性函數作為轉換函數。 * 一、網路架構(續) 隱藏層與輸出層通常選用雙彎取函數作為轉換函數 1,0 0,0 a.雙彎曲函數 b.雙曲線正切函數 1,0 -1,0 * 二、網路演算法 倒傳遞神經網路之演算法，是透過訓練範例之輸入向量X與目標輸出向量T來修正網路連結加權值W，達到學習之目的。 演算法之推導過程如下四個步驟： * 二、網路演算法(續) 設Aj表第j個單元推論輸出值，Tj表第j個單元目標輸出值，第n層之第j個輸出值與第n-1層單元輸出值之關係可表示為： 其中 表集成函數，f表轉換函數，且 1. * 二、網路演算法(續) 2.透過能量函數來降低網路輸出單元之目標輸出值與推論輸出值之差距， 再以最陡坡降法求取能量函數之最小值 * 二、網路演算法(續) 3.透過微積分之連鎖率（chain rule），將 轉成下式 及 * 二、網路演算法(續) 3-1 第n層即為最終層，相當於網路之輸出層 3-2 第n層不是最終層，而是網路之隱藏層之一 * 二、網路演算法(續) 4. 總結 4-1 Wij介於輸出層與隱藏層間 4-2 Wij非介於輸出層與隱藏層間 * 二、網路演算法(續) 倒傳遞演算法關鍵公式 如果所使用之轉換函數為雙彎曲函數形式，如下式： 則 * 三、評估網路學習效果 ?學習過程通常需要邊學習邊檢驗學習效果 ?事前可將收集資料分成兩個部分，一半作為訓練範例用，另一半作為測試用 ?訓練過程可在每學習幾個學習循環，即將測試範例載入，以供檢視網路之誤差程度是否收斂 * 三、評估網路學習效果(續) 誤差程度之評估方式 ?誤差均方根法 ?總錯誤率 * 四、網路學習過程 學習過程可分成八個步驟 1.設定網路參數：諸如網路種類、層樹、處理單元樹、網路連結等。 2.使用均勻分配隨機亂數，產生加權值矩陣與閥值向量初始值。 3.輸入一個訓練範例之輸入向量X，以及一個目標輸出向量T。 * 四、網路學習過程(續) 4.計算推論輸出向量Y 5.計算差距量δ 6.計算加權值矩陣修正量，以及閥值向量修正量 7.更新加權值及閥值 8.重複步驟3到7，直到收斂為止。 * 五、網路回想過程 回想過程在於求取待求解問題之輸出向量值 可依下述四個步驟來進行 1.設定網路相關參數值。 2.讀入訓練過程所得之加權值矩陣及閥值。 3.輸入待求解問題之輸入向量X。 4.計算推論輸出向量Y * 肆、類神經網路之應用 實例一：信用卡持卡者之信用判斷 實例二：從技術面預測證交所隔日收盤指數之變化率 實例三：從技術面預測證交所隔日收盤指數之變化 * 實例四：從穩定液之成分及濃度來預估黏度 實例五：從取得之樣本值來診斷乳癌之良惡性情形 實例六：依據施工條件及地層基礎選擇適合的建築基樁型式 肆、類神經網路之應用(續) * 實例一信用卡持卡者之信用判斷 說明：可利用歷史案例之關鍵變數，以類神經網路來判定信用卡持卡者之信用狀態。 用途：金融診斷 實作： 1.輸入變數分類：小孩人數、職業、房屋數、每月收入、每月支出、銀行帳戶數、持卡張數、前幾月付款情形。 2.輸出變數分類：以有序分類多神經元來表示可能發生問題、有能力還款但會拖延及準時付款等三類。 3.分類模型：非模糊分類。 4.網路模式：倒傳遞網路。 5.網路架構：14 – 14 - 3。 * 實例二從技術面預測證交所隔日收盤指數之變化率 說明：利用歷史收盤指數變化情形，預估隔日收盤指數之變化。 用途：投資決策 實作： 1.輸入變數分類：以單神經元編碼方式，將前數日之開盤指數、最高指數、最低指數、收盤指數、成交量列為輸入變數。 2.輸出變數分類：以實數之單神經元表示隔日收盤指數之變化率。 3.分類模型：時間數列型。 4