第六章 結論與建議
第二節 建議
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 建議
一、本研究探討運用 LSSVM 於坐標轉換之研究，得到之結論是 LSSVM 若採用 RBF 核函數時，其精度與 LS6 之精度相當且可有更佳之精度表現。
然而，LSSVM 之轉換精度與 RBF 系統參數有很大之關聯性，因此，如何 找出合適之 RBF 核函數之系統參數將是最大之課題。
二、本研究採用 GA 作為搜索 RBF 系統參數之方法，除此之外，未來 也可以使用其他之演算法幫助搜索 LSSVM 之 RBF 系統參數，如粒子群演 算法、神經網路等方法，比較不同方法所搜尋出之 RBF 系統參數是否不同？
精度是否一樣？搜索系統參數所需花費之時間是否不同？
三、另外，也可於模擬坐標資料中加入粗差資料，輔以其他粗差偵錯 方法，如最小一乘法，測試當參考點中有粗差之資料時，LSSVM 所得出之 轉換參數是否穩健？是否會導致檢核點精度降低？
四、從真實實驗區之檢核點較差向量圖得知，以 LS6 進行坐標轉換時，
位於測區邊緣之檢核點通常較差較大，但採用 RBF 及 RBF+GA 時，邊緣 之檢核點其較差相對較小。可以進一步測試 LSSVM 進行坐標轉換時，對 邊緣之檢核點的轉換精度是否較 LS6 為佳，並以統計檢定證明。
五、在真實作業狀況下，檢核點數量通常較參考點數量為多，且也不 能期望控制點皆呈現均勻分布或者線性條件良好(很多控制點位可能是沿 道路或人行道建立，產生點位有三點或多點共線之問題)，本研究僅初步探 討 LSSVM 用於坐標轉換之可能性，因此在測試真實實驗區時，為保證有 足夠之參考點進行訓練，參考點及檢核點之比例皆採用 2:1 之比例進行測 試，且使參考點及檢核點盡量均勻分布。如欲用於真實坐標轉換作業上，
尚需測試在不同之點位分布及點位數量時 LSSVM 之轉換精度表現，方能 進入實用階段。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
150
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參考文獻
一、中文部分
王定成，2009，『支持向量機建模預測與控制』，北京，氣象出版社。
王奕鈞，2005，「神經網路應用於地籍坐標轉換之研究」，國立政治大學地 政系碩士論文：臺北。
王繼剛，2009，「基於最小二乘支持向量機的區域 GPS 高程轉換組合」，『大 地測量與地球動力學』，29(5)：99-102。
田玉剛，2007，「基於最小二乘支持向量機迴歸的 GPS 高程轉換參數」，『測 繪工程第』，16(4)：18-21。
史峰、王小川、郁磊、李洋，2010，『MATLAB神經網路30個案例分析』，
北京，北京航空航天大學出版社。
白鵬、張喜斌等，2008，『支持向量機理論及工程應用實例』，西安，西安 電子科技大學出版社。
沈昱廷，2011，『以最小二乘支持向量機擬合區域性大地起伏值之研究－以 台中為例』，國立中興大學土木工程學系碩士論文：臺中。
何晨光、賀思德、董志民，2008，「最小二乘支持向量機在人臉識別中的應 用」，『雲南大學學報』第 30 期：239-245。
何維信，2004，『測量學』第六版，臺北，宏泰出版社。
林老生、王奕鈞，2006，「應用神經網路在地籍資料 TWD67 與 TWD97 坐 標轉換之研究」，『台灣土地研究』，10(1)：53-69
林怡君，2013，『利用最小一乘法在地籍坐標轉換資料偵錯之研究』，國立
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
152
政治大學地政學系碩士論文：臺北。
周伯韜、李安貴，2006，「最小二乘支持向量機的一種改進算法」，『南昌大 學學報』，30(6)：616-619
周輝仁、任仙玲，2009，「最小二乘支持向量機的參數優選方法及應用」，『系 統工程學報』，2：248-252
范千，2008，「區域似大地水準面確定的最小二乘支持向量機方法」，『測繪 工程』，17(5)：001-003。
姜華、曹紅妍，「基於最小二乘支持向量機的鐵路客運量預測研究」，『河南 科學』，28(8)：989-991。
陳世平，2003，『數值法辦理圖解地籍圖數化區之土地複丈作業研究—以農 地重測區為例』，逢甲大學土地管理學系碩士在職專班碩士論文：臺中。
陳帥、朱建寧，2008，「區域似大地水準面確定的最小二乘支持向量機方法」，
『華東理工大學學報』，34(2)：278-282。
張展羽、馮寶平，2005，「支持向量機在逕流預報中之應用探討」，『人民長 江』36(8)：038-039。
張根寶、劉佳、王國強，2010，「基於遺傳算法和最小二乘支持向量機可靠 性分配」，『計算機應用研究』，27(9)：3300-3303。
張智星，2007，『MATLAB 程式設計入門篇』第一版，臺北，鈦思科技出 版社。
許皓寧，2003，『台北市地籍資料 TWD67 與 TWD97 坐標轉換之比較研究』，
國立中興大學土木工程學系碩士論文：臺中。
黃華尉，2001，『TWD97 與 TWD67 二度坐標轉換之研究』，國立成功大學 測量與空間資訊學系碩士論文：臺南。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
臺北市政府地政處測量大隊，2004，『台北市 TWD67 第及坐標系統轉換為 TWD97 坐標系統作業總報告』。
趙洪波，2004，「基於遺傳算法的支持向量機研究」，『紹興文理學院學報』， 24(9)：025-028。
二、外文參考文獻
Avci, E, 2009, “Selecting of the optimal feature subset and kernel parameters in digital modulation classification by using hybrid genetic algorithm support vector machines: HGASVM”,
Expert Systems with Applications, 36:1391–
1402.
Ghilani Charles, D. and Wolf, P. R., 2006,
ADIUSTMENT COMPUTATIONS SPATIAL DATA ANALYSIS, 4
th edition, New York： John Wiley& Sons, Inc.Farag, A. and Mohamed, R. M., (2004, December),
Regression Using Support
Vector Machines.,
on the World Wide Web:http://www.cvip.uofl.edu/wwwcvip/research/publications/TechReport/SVM RegressionTR.pdf.
Fletcher, R., 1987,
Practical methods of optimization, Chichester; New York: John
Wiley& Sons, Inc.Gunn, S. R., (1998, May), Support Vector Machines for Classification and Regression, on the World Wide Web: http://users.ecs.soton.ac.uk/srg/publications/pdf.
Pelckmans , K., Suykens, J. A. K., Gestel, T. V., Brabanter, J. D., Lukas, L., Hamers, B., Moor, B. D. and Vandewalle, J.,
LS-SVMlab: a MATLAB/C
toolbox for Least Squares Support Vector Machines., on the World Wide Web:
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
154
http://www.esat.kuleuven.be/sista/lssvmlab/old/lssvmlab_paper0.pdf.
Shevade, K., Keerthi, S. S., Bhattacharyya, C. and Murthy, K. R. K., 2000,
“Improvements to the SMO Algorithm for SVM Regression”,
IEEE Transactionon Neural Networks, 11: 1188-1193.
Smola, A, J. and Scholkopf, B., (1998, October),
A Tutorial on Support Vector Regression, on the World Wide Web:
http://www.svms.org/regression/SmSc98.pdf.
Steinke, F., Schölkopf, B. and Blanz, V., 2005, “Support Vector Machines for 3D Shape Processing”,
EUROGRAPHICS, 24(3): 285-294.
Suykens, J. A. K., (2011, August),
LS-SVMlab Toolbox User’s Guideversion 1.8, on
the World Wide Web: http://www.esat.kuleuven.be/sista/lssvmlab.Suykens, J. A. K. and Vandewalle, J., 1999, “Least Squares Support Vector Machine Classifiers”,
Neural Processing Letters, 9(3): 293–300.
Vapnik, V., 1999,
The Nature of Statistical Learning Theory, New York:
Springer-Verlag, New York, Inc.
Ye, J. and Xiong, T., (2007),
SVM versus Least Squares SVMS, on the World Wide
Web: http://jmlr.org/proceedings/papers/v2/ye07a/ye07a.pdf.Zuriani, M. and Yuhanis, Y, 2011, “Optimizing LSSVM Using ABC For Non-Volatile Financial Prediction”,
Australian Journal of Basic and Applied Sciences, 9(11): 549–556
三、網頁參考
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
中央研院院計算中心，GIS 應用支援工具集，取用日期 2014 年 7 月，
http://www.ascc.sinica.edu.tw/gis/ISTIS/tools.html
LSSVMlab1.8，Math Works，取用日期 2014 年 7 月，