建議事項

1. 未來結合環保署事業廢棄物申報系統之申報資料，擴大本模型之樣本資料 庫。

2. 未來研究可考慮強化本模型之功能，進一步推估新建或拆除工程所產生之 廢棄物各項組成成分(木料、金屬等)之產生數量，提升實務使用與推廣再利 用之效能。

3. 應用本研究模式推估全國各縣市每年產生廢棄物之數量，並分析各縣市廢 棄物處理流程，合法廢棄物處理場所數目、位置及處理量是否適宜，未來 提供各級主管機關擬定收容處理場之相關管理機制，以達全回收零廢棄之 理念。

參考文獻

1. 黃榮堯，”建築拆除污染及廢棄物產生現況與調查架構研究”，內政部建築研究 所，中華民國八十七年。

2. 章裕民，”建築施工過程污染及廢棄物產生現況與調查架構研究”，內政部建築 研究所，中華民國八十七年。

3. 李崇德，”建築廢棄物回收系統制度之研究”，國立中央大學碩士學位論文，中 華民國九十年十二月。

4. 台北縣政府，”營建剩餘土石方資源回收處理再利用與土資場設置管理講習會 暨營建剩餘土石方資源回收處理再利用宣導會論文專輯”，中華民國九十二 年。

5. 胡文山，台北縣營建工程剩餘土石方處理問題之探討，中華大學建築與都市 計畫學系碩士學位論文，中華民國八十八年六月。

6. 行政院環保署，”事業機構廢棄物儲存清除處理設施列管計畫（一）”，中華民 國七十九年。

7. 陳明良，”建築產業廢棄物再利用之研究”，台灣科技大學碩士論文，中華民國 八十五年六月。

8. 工研院，”建築廢棄物來源、產生總量推估、分佈狀況、清理再利用體系規劃”，

中華民國八十九年。

9. 蕭登元，「工業生態學中物質流系統之研究－以台灣地區砂石為例」，國立台 灣大學博士論文，2003.01。

10. 郭炳煌，「以統計方法與類神經網路模式預估工程直接成本之研究」，國立高 雄第一科技大學碩士學位論文，2001.06。

11. Graza, G.M and Rouhana, K.G., ”Neural Networks Versus Parameter-Based Applications in Cost Estimating”，Cost Engineering，Vol.37, pp.14~18，1995.

12. U.S.EPA ， ”Characterization of Building-related Construction and Demolition Debris in the United States. Report No. EPA530-R-98-010”，1998

13. 內政部營建署全球資訊網站。http://www.cpami.gov.tw/index.php 14. 行政院環保署全球資訊網站。http://www.epa.gov.tw/main/index.asp

附錄 A 類神經網路之簡介

一、類神經網路概述

類神經網路系統基本結構為模仿生物神經網路資訊處理系統，眾多文獻均對 類神經網路做過不同的定義，其皆大同小異，在此引用葉怡成(1993)之定義：「類 神經網路是一種計算系統，包括軟體與硬體，它使用大量簡單的相連神經元來模 仿生物神經網路的能力。神經元是生物神經元的簡單模擬，它從外界或者其他類 神經元取得資訊，並加以非常簡單的運算，並輸出其結果到外界環境或者其他神 經元」。由於其知識儲存於網路架構中，即各神經處理單元連結之權重值(weight)，

因此要決定了所有處理單元相互連結的加權值，即完成了整個類神經網路演算系 統的結構【1】。

類神經網路模式是一種模仿生物神經網路的知識學習過程，而自然界中高等 生物之生物神經網路，是由大量簡單的神經細胞或神經元(neurons)組成，各神經元 經由連結構成一個複雜網路，使其能夠從外在環境中學習適應。神經元是人腦組 織的基本單元，人類大約有1011個神經元組成巨大的腦系統，圖A-1表示一個神經 細胞的結構【2】。

A x o n S o m a

S y n a p s e s D e n d r i t e s

資料來源：【3】

圖 A-1 神經細胞結構圖

1. 神經核(Soma)：神經細胞成核狀的處理機構。

2. 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。

3. 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)。

4. 神經節(Synapse)：神經軸輸出和神經樹輸入相互連結的點狀介面。

類神經網路是由許多的人工神經細胞(Artificial Neurons)所組成，人工神經細 胞又稱為類神經元、人工神經元、處理單元(Processing Element，PE)，見圖A-2。

其結構包括：

1. 一 組 類 似 突 觸 的 連 結 ： 每 一 個 連 結 擁 有 一 個 權 重 （ Synaptic Weight），以表現連結的強度。

2. 集成結點（Summing Junction）：將輸入值與權重的乘積進行加成 的動作，此部份的運算是屬於線性的。

3. 轉移函數（Transfer Function）：功用在於限制輸出訊號的強度，並 對訊號進行某種轉換後再將訊號送給另一個人工神經元。

資料來源：【3】

圖 A-2 人工神經元模型

二、類神經網路之分類

目前類神經網路可依學習策略分類與網路架構分類兩種：

（一）依學習策略分類

可將它們分成四個種類，監督式(Supervised Learning Network)、非監督式學 習 網 路 (Unsupervised Learning Network) 、 聯 想 式 學 習 網 路 (Associate Learning Network)、最適化應用網路(Optimization Application Network)，並由下表A-1中列 舉幾種學習策略分類的主要模式。

1. 監督式學習(Supervised Learning Network)：從問題領域中取得訓練範例 (有輸入變數值，也有輸出變數值)，並從中學習輸入變數與輸出變數的 內在對應規則，以應用於新的範例（只要有輸入變數值，而需推論輸出 變數值的應用）。

表 A-1 類神經網路主要模式分類

網路類型 模式

感知機網路（Perceptron Network）

倒傳遞網路（Back propagation Network）

機率神經網路（Probabilistic Neural Network）

學習向量化網路（Learning Vector Quantization）

監督式學習網路

反傳遞網路（Counter propagation Network）

自組織映射網路（Self Organization Feature Mapping ） 非監督式學習網路

自適應共振理論（Adaptive Response Theory Network）

霍普菲爾網路（Hopfield Neural Network）

聯想式學習網路

雙向聯想記憶網路（Bi-directional Associative Memory）

霍普菲爾-坦克網路（Hopfield-Tank Neural Network）

最式化應用網路

退火神經網路（Annealed Neural Network）

資料來源：本研究整理、【3】

2. 非監督式學習(Unsupervised Learning Network)：從問題領域中取得訓練 範例(只有輸入值)，並從中學習範例內在集群規則，以應用於新的範例

（有輸入變數值，需推論它與那些訓練範例屬於同一集群的應用）。

3. 聯想式學習(Associate Learning Network)：從問題領域中取得訓練範例

（狀態變數值），並從中學習範例的內在記憶規則，以應用於新的範例

（只有不完整的狀態變數值，而需推論其完整的狀態變數值的應用）。

4.

最適化應用網路(Optimization Application Network)

（二）依網路架構分類

1. 前向式架構(Forward)：神經元分層排列，形成輸入層、隱藏層與輸出層；

每一層只接受前一層的輸出當作輸入者，稱前向式架構。

2.

回饋式架構(Feedback)：從輸出層回饋到輸入層，或層內各處理單元間有 連接者，或者神經元不分層排列，只有一層，各神經元均可相互連接者 稱回饋式架構【3】。

三、類神經網路之基本架構

（一）網路基本架構

類神經網路組成的基本單位為處理單元，經由處理單元組成「層」(Layer)，

再經由層組成「網路」(Network)。

（二）輸入與輸出值 數如線性函數(Linear Function)、階梯函數，一為連續型轉換函數如雙曲線正切函 數(Hyperbolic Tangent Function)、雙曲線函數(Sigmoid Function)等。其中最常使用 之轉換函數為S型雙曲線函數(Sigmoid Function)，如下所示：

( )

_x

x e f

Sigmoid

₋

= +

望的數值能相當接近或是在某一可忍受的範圍之內，亦即由能量函數(Energy Function)推導使兩者之間的誤差能最小化。要達到能量最小化乃是透過不斷的訓練 從誤差去學習降低輸出值與實際值間之差距，下式便是用來衡量學習誤差的公式

（Error Function）。

( )

d：期望輸出值(Desired Output) o：網路輸出值(Real Output)【2】

（五）學習法則

類神經網路透過學習過程來判定網路是否要繼續學習或者已經達到可容忍的 誤差範圍而停止學習，若未達到標準而繼續學習則以調整權重值，一般來說，最 常被用來使用之學習法則有兩種：

1. On-line：每學習一個範例，網路權重就更新一次，每次均用修正過後之 權重，直至結束為止。

2. Batch：每載入一個訓練範例時即計算權重的變化量，但並無立即更新權 重，當訓練結束後再修正權重，下次訓練時則用修正後之權重

【3】。

四、類神經網路之特性

類神經網路具有以下幾點特性：

1. 高速計算能力：由於生物神經網路的神經元皆有獨立處理資料的能力，

因此資料在網路中是在同一時段中，以平行的方式被處理。原因在於人 腦的計算架構為巨量平行架構，大約有1011那麼多的連結，若再加上每 根以平行方式連結進行運作，同時可以處理較多資料，加快處理速度。

2. 學習能力：生物神經網路的連結是柔性的，即神經元間的連結是透過神 經節，而神經節本身是可調整的，因此生物神經網路具有強大的學習能 力，但對使傳統電腦具有學習能力則困難重重。

3. 容錯能力：生物神經網路如果有少數神經元或連結受損，並不損及其正 常功能，其原因在於生物神經網路資訊儲存是分散式記憶(Distributed Memory)，也就是資訊散佈在許多連結（神經節）上。因此即使小部份連 結受損，並不會道成嚴重的後果，而僅是造成功能略為降低。也因為分 散記憶的關係，對於不完整或有雜訊的輸入也能正確的處理，亦即具有 模糊推論(Fuzzy Reasoning)的能力。

4. 數學模式簡單化：以類神經網路設計動態決策行為模式時，並不需要系 統之數學模式，只要有足夠之系統輸入輸出對資料即可訓練。該點相較 傳統需要仰賴精確數學模式之方法完全不同，故對有極其複雜動態決策 行為模式而言，類神經控制有著極其便利的優點。

5.

高容量記憶能力：類神經網路是高度連結的網路，可將高維度的映射以

較少的神經元來完成，因此具有驚人的記憶容量【4】。

五、倒傳遞演算法

在目前類神經網路預測模式的實用中，最普遍使用及最具代表性的學習演算 法，為監督式學習中的「倒傳遞網路演算法(Back Propagation)」，或簡稱為BP演 算法。該演算是一種具有學習能力的多層前饋型網路(Feed-Forward Net)，而所謂 前饋型網路，即該網絡神經元乃分層排列，包含輸入層、隱藏層、及輸出層，且 每層只接受前一輸出作為輸入，層內之處理單元則互為獨立且不相連結，最常採 雙彎曲函數（Sigmoid Function）作為神經元的非線性函數，可處理輸入與輸出之 間的非線性映射關係。另該演算法主要將「最陡坡降法（The Gradient Steepest Descent Method）」的原理概念加入隱藏層的處理單元中，並作為模型輸出與目標

在目前類神經網路預測模式的實用中，最普遍使用及最具代表性的學習演算 法，為監督式學習中的「倒傳遞網路演算法(Back Propagation)」，或簡稱為BP演 算法。該演算是一種具有學習能力的多層前饋型網路(Feed-Forward Net)，而所謂 前饋型網路，即該網絡神經元乃分層排列，包含輸入層、隱藏層、及輸出層，且 每層只接受前一輸出作為輸入，層內之處理單元則互為獨立且不相連結，最常採 雙彎曲函數（Sigmoid Function）作為神經元的非線性函數，可處理輸入與輸出之 間的非線性映射關係。另該演算法主要將「最陡坡降法（The Gradient Steepest Descent Method）」的原理概念加入隱藏層的處理單元中，並作為模型輸出與目標

在文檔中 建築廢棄物產生量推估之研究(二) (頁 68-85)