建議事項

第五章結論與建議

5.2 建議事項

1.因為本研究以小波過濾類神經網路權重之作法乃屬先例，故輸入小波模式之權重序列可能的四種排列方式皆有探討，但是不夠深入；未來如果對本論文之方法有興趣者，可以進一步深入探討；例如嘗試 db1 或 db2 等不同的小波函數，

抑或使用更多不同之門檻值，更甚至可進一步探討偏權值對於本論文之方法論是否有所影響。

2.本論文所使用之類神經網路為最傳統的倒傳遞類神經網路，根據文獻回顧可知其他種類之類神經網路，應用於「降雨－逕流」等其他水利方面都有不錯之效果，相信若嘗試將這些不同的類神經網路應用於地下水水位之模擬，應該也能獲致不錯之研究成果。

3.本研究因重點著重於優選隱藏神經元之個數，故輸入類神經網路之訓練資料僅有淨抽水量與前一時刻水位；未來或許可用其他之參考因素為輸入資料以預測地下水水位，例如輸入週邊測站來推估特定觀測站之地下水水位，又如使用高程、相對距離、雨量等資料做為輸入資料，相信皆具有其研究價值。

4.因為類神經網路訓練時，初始權重猜值皆為隨機給定，故以小波分析最後之權重，其結果難免受到隨機因素之影響而有所振盪；未來或許可以嘗試將小波融入類神經網路架構中，從內部直接改善優化類神經網路，甚至發展出不同於現下任一種架構之類神經網路，都是有可能的。

參考文獻

1. Abdalla Shigidi and Luis A. Garcia, M., 2003. "Parameter estimation in groundwater hydrology using artificial neural networks," Journal of computing

in civil engineering, ASCE, p.281-289

2. Abrahart R. J., See L. and Kneale P. E., 1998. "New Tools for Neurohydrologists: Using Hetwork Pruning and Model Breeding Algorithms to Discover Optimum Inputs and Architectures," In Proceedings of the 3rd

International Conference on Geocomputation, University of Bristol.

3. Akaike Hirotugu, 1974. "A new look at the statistical model identification".

IEEE Transactions on Automatic Control, 19 (6), p.716-723.

4. Asaad, Y. S., M. C. Kieran and G. C. Liang, 1997. "Methods for combining the outputs of different rainfall-runoff models," Journal of Hydrology, 197, p.203-229.

5. Bayazit, M. and H. Ahsoy, 2001. "Using wavelets for data generation," J. Appl.

Statist., 28(2), 157-166.

6. Cameron, M. Z., H. B. Donald and P. S. lobodan, 1999. "Short term stream flow forecasting using artifical neural networks," Journal of Hydrology, 214, p.32-48.

7. Coulibaly, P., F. Anctil, P. Rasmussen and B. Bobeée, 2000. "A recurrent neural networks approach using indices of low-frequency climatic variability to forecast regional annual runoff," Hydrol. Process, 14, p.2755-2777.

8. French, M. N., W. F. Krajewski and R. R. Cuykendall, 1992. "Rainfall forecasting in space and time using a neural network," Journal of Hydrology 137, p.1-31.

9. Hebbian D. O., 1949. The Organization of Behavior. A Neuropsychological.

New York: Wiley.

10. Hopfield J. J. and Tank D., 1985. "Neural computations of decisions in optimization problems," Biological Cybernetics, 51, p.141-152

11. Hsu, K. L., V. G. Hoshin and S. Soroosh, 1995. "Artificial neural network modeling of the rainfall-runoff process," Water Resources Research, 29(10), p.3535-3541.

12. Ioannis N. Daliakopoulos, Paulin Coulibaly, Ioannis K. Tsanis, 2005.

"Groundwater level forecasting using artificial neural networks," Journal of

Hydrology, 309, p.229-240.

13. Kwok T. Y. and Yeung D. Y., 1997. "Constructive Algorithms for Structure Learning in Feedforward Neural Networks for Regression Problems," IEEE

Transactions on Neural Networks, 3, p.630-645.

14. Labat, D., R. Ababou and A. Mangin, 2000. "Rainfall-runoff relations for karstic springs. Part II: continuous wavelet and discrete orthogonal multiresolution analyses," Journal of Hydrology, 238, p149-178.

15. Loke, E., E. A. Warnaars, P. Jacobson, F. Nelen and M. A. DoC'eu, 1997.

"Artificial neural networks as a tool in urban storm drainage," Wat. Sci. Tech., p.101-109.

16. Lorrai, M., G. M. Sechi, 1995. "Neural nets for modeling rainfall-run transformations," Wat. Resour. Man., 9, p.299-313.

17. Mallat, S. G., 1989. "A theory for multiresolution signal decomposition: the wavelet representation," IEEE Trans. on Pattern Analysis and Machine

Intelligence, 11(7), p.674-693.

18. Masuda, N. and K. Aihara, "Prediction of chaotic time series with wavelet coefficients," Electronics and Communications in Japan, Part 3, 84(6), p1710-1718.

19. McCulloch W. S. and Pitts W., 1943. "A logical calculus of the ideas immanent in nervous activity," Bulletin of Mathematical Biophysics, 5, p.115-133.

20. Minsky M. L. and Papert S. A., 1969. Perceptrons. Cambridge. MA:MIT Press.

21. Parios, A. G., O. T. Rais & A. F. Atiya, 2000. "Multi-step-ahead prediction using dynamic recurrent neural networks," Neural Networks, vol.13, p.765-786.

22. Rao, R. M., 1998. Wavelet Transforms, Introduction to Theory and Applications.

Addison:Wesley, USA.

23. Rosenblatt F., 1958. "The perceptron: A probabilistic model for information storage and organization in the brain," Psych. Rev., 65, p.386-408

24. Rumelhart D. E. and McClelland J. L., 1986. Parallel Distributed Processing:

Explorations in the Microstructure of Cognition, Vol. 1. Cambridge, MA: MIT

Press.

25. Sajikumar, N., and B. S. Thandaveswara, 1992. "A non-linear rainfall-runoff model using an artifical neural network," Journal of Hydrology, 216(1), p.32-55.

26. Widrow B. and Hoff M. E. Jr., 1960. "Adaptive switching circuits," IRE Western

Electric Show and Convention Record, part4, p.96-104

27. Zhang, B. and S. G. Rao, 2000. "Prediction of watershed runoff using Bayesian concepts and modular neural networks," Water Resources Research, 36(3), p.753-762.

28. 王志雄，小波複解析法之研究及其應用於感潮河段率定曲線之修正，國立臺灣大學生物環境系統工程學系暨研究所博士論文，1995

29. 王瀚德，小波理論與類神經網路應用於潮汐之預測與補遺，國立中山大學海洋環境及工程學系碩士論文，2001

30. 吳呈懋，利用貝氏法進行地下水數值模式參數檢定，國立臺灣大學土木工程學系碩士論文，1992

31. 李宗穆，小波理論之研究及其應用於水庫流量特性之分析，國立臺灣大學生物環境系統工程學系暨研究所博士論文，1994

32. 李基毓，數值模擬探討井際分溶示蹤試驗估計非水相體飽和度之誤差，國立臺灣大學土木工程學系碩士論文，2004

33. 周建明，水文系統之小波多分辨分析及其應用於流域之洪水預報，國立臺灣大學生物環境系統工程學系暨研究所博士論文，1999

34. 施權展，具混合學習之小波類神經網路完成通訊通道等化器設計，朝陽科技大學網路與通訊研究所碩士論文，2004

35. 洪士林、黃炯憲等，應用小波神經網路於橋樑實測地震反應之損壞偵測，國家地震研究中心研究計畫，2002

36. 胡永國，應用類神經網路推估地下水位洩降所致地層沉陷之研究，屏東科技大學土木工程系碩士論文，1999

37. 胡湘帆，反傳遞模糊類神經網路於流量推估之應用，國立臺灣大學農業工程學系碩士論文，1998

38. 孫建平，類神經網路及其應用於降雨及逕流過程之研究，國立臺灣大學農業工程學系碩士論文，1997

39. 張大元，類神經網路在水庫放流對河川水位增量之研究，中原大學土木工程學系碩士論文，2003

40. 梁晉銘，複合型類神經網路建構集水區水文模式之研究，國立臺灣大學生物環境系統工程學系暨研究所碩士論文，2002

41. 郭建銘，應用多變量統計與類神經網路分析雲林沿海地區地下水水質變化，

國立臺灣大學農業工程學研究所碩士論文，1998

42. 陳昶憲、楊朝仲、王益文，類神經網路於烏溪流域洪流預報之應用，1996，

中華水土保持學報，vol.27，no. 4，p.267-274。

43. 曾國源，以類神經網路架構土石流預警系統之研究，國立臺灣大學生物環境系統工程學系暨研究所博士論文，2003

44. 黃宏志，小波神經網路應用於伺服控制之研究，逢甲大學自動控制工程學系.

碩士論文，2000

45. 黃智顯，水文時間序列類神經網絡之研究及其應用於流量之預測，國立臺灣大學農業工程學系碩士論文，1997

46. 黃群岳，颱風洪流量之神經網路預測，中原大學土木工程學系碩士論文，2000 47. 楊朝仲，類神經網路在集水區出流量預測之應用，逢甲大學土木及水利工程

研究所碩士論文，1997。

48. 廖啟佑，應用類神經網路與小波理論分析地震前地下水位波動，國立臺北科技大學土木與防災研究所碩士論文，2002

49. 蔡奇男，以小波類神經網路實現彩色影像之臉部偵測，朝陽科技大學資訊工程系碩士論文，2004

50. 賴建元，應用類神經網路於屏東平原地下水水位補遺推估，屏東科技大學土木工程系碩士論文，2004

51. 鍾芸菁，應用倒傳遞類神經模式預測山坡地地下水位，國立中興大學土木工程學系碩士論文，2002

52. 王進德，類神經網路與模糊控制理論入門與應用，全華科技，2007 53. 張斐章、張麗秋，類神經網路理論與實務，東華書局，2003

54. 羅華強，類神經網路－MATLAB 的應用，清蔚科技，2001

附錄一倒傳遞類神經網路公式計算範例

本附錄之範例摘自張斐章、張麗秋等所著之「類神經網路理論與實務」一書

（東華書局，2003）之某一範例練習（隨著出版刷次不同，於書中之位置可能有所更動），解題所用之公式可參考該書所述，本論文不再贅述；附上此範例之目的在於舉例解釋倒傳遞類神經之詳細運作過程。

（一）問題描述

下圖為一 BP 類神經網路，若活化函數為

y



f net

( )1/(1

e

^^net)，請求出各權重的修正方程式

 w

63、

 w

₆₄_、

 w

₆₅、

 w

₃₁、

 w

₃₂、

 w

₄₁、

 w

₄₂、

 w

₅₁_、

w



。

6 3 4 5

2 1

d

y

⁶

x

W63

W₆₄

W65

W₃₁ W32

W₄₂ W41

W52

W₅₁

（二）參考解答

net net

d y f net

2 2 2

3. 當 j = 4 , n = 2 時W 及₄₂ W 處於隱藏層及隱藏層間₄₁

2 1

附錄二小波濾除權重範例

在文檔中應用小波分析辨識地下水水位模擬之類神經網路架構 (頁 74-85)

第五章 結論與建議