國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
8
第五節 論文架構
本論文架構主要分成六個章節，各章節之內容編排如下：
第一章、緒論
以台灣地籍坐標發展為背景，說明本研究之動機與目的，並介紹研究 流程與論文的基本架構。
第二章、文獻回顧
回顧目前國內外在地籍坐標轉換、最小二乘法六參數坐標轉換、
LSSVM 之相關書籍、研究論文、期刊等理論基礎，並說明本研究方法之可 能性。
第三章、理論基礎
本章介紹 LSSVM 之緣起、理論基礎、基因演算法理論、六參數坐標 轉換及如何應用於地籍坐標轉換。
第四章、實驗方法與資料處理
介紹模擬實驗區的模擬方法和真實實驗區的資料來源與內容，以及這 些實驗區資料的預處理和實驗方法，說明實驗包括那些步驟、工作項目和 流程等。
第五章、實驗成果與分析
根據實驗成果，分析與討論不同方法所得到的坐標轉換成果與精度。
第六章、結論與建議
根據實驗成果分析做出總結，以提供後續研究者對 LSSVM、RBF+GA 於坐標轉換相關研究之參考及建議未來可繼續研究的方向。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二章 文獻回顧
第一節 地籍坐標轉換之研究
陳世平(2003)，根據地政事務所使用之「土地登記複丈地價地用電腦作 業系統」為作業平台，採用六參數轉換模式，期望藉由圖根點補建及參數 轉換改正之程序，建立一套能以數值法圖解數化區土地複丈之作業模式。
實驗顯示，此研究能有效圖解數化資料，藉由連接數值重測區的 TWD67 坐標系統，解決圖解數化資料與真實空間坐標間無法連結的問題，達成直 接以數值法圖解數化區土地複丈作業之目標。該研究假設，圖解數化成果 是依正確之數值地籍圖資料，不因數值化過程而發生改變之前提下進行轉 換。研究中在沒有附加約制條件下進行坐標轉換，雖然面積及界址有些許 變形扭曲，研究中之實驗區域為農業區，能容許之誤差較大，但若在住宅 或商業地區進行作業的話則易引起糾紛。
許皓寧（2003），以臺北市為例，使用四參數與七參數方式來對 TWD67 與 TWD97 坐標系統進行地籍資料轉換。研究顯示，兩種轉換方法之轉換 結果相同，因其七參數轉換原理，假設任兩軸垂直正交，而三軸間只有一 個尺度上的變形；四參數轉換之假設為兩坐標軸正交，且僅有一尺度變形。
此研究認為地籍坐標為平面坐標，在進行七參數轉換時，假設坐標之正高 及大地坐標之橢球高為零，因此實質上與四參數轉換無異，故兩種者結果 無明顯差異。而在測區方面，實驗中以不同大小及不同歷史背景為根據將 測區分成四個不同的區域，探討不同測區適用的轉換方式及其精度。而此 研究中所採取的方法，較適用於較大範圍（台北市）；運用於小範圍（地政 事務所管轄範圍）時，則精度較低。此外，有些小區域其精度不高，但因 埋沒在大區域中，而無法凸顯問題所在。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
10
王奕鈞(2006)，在研究中使用神經網路方式轉換地籍坐標系統，成果顯 示經神經網路方法轉換後其精度與四參數及六參數轉換法相比，成果精度 相當甚至更佳。文章中說明，常用之四參數與六參數轉換較不適用於大區 域的坐標轉換，原因為此兩種轉換方法轉換後無法達到精度的要求，因此 大多用於小地區之坐標轉換。
吳亞翰(2009)，以台中市北屯區一圖解區地段為例，先對各區塊實施測 量，分別使用四參數及六參數坐標轉換方法，對各區塊以最小二乘法附加 限制條件進行約制，目的在使轉換後之面積與現況面積相等。研究結果顯 示，該方法改善了傳統四參數與六參數坐標轉換後面積不同的情形；在精 度方面，六參數坐標轉換之精度較四參數坐標轉換精度為佳，差值約6.6公 分，但均符合公差15公分限定之範圍。
林怡君(2013)，以模擬資料及真實資料，測試最小一乘法及最小二乘法 之四參數轉換及六參數轉換精度，研究顯示如果在坐標資料沒有含粗差的 情況下，六參數轉換之轉換精度較其他方法為高。且經測試後發現，當坐 標之參考點及檢核點以 2:1 之數量測試時，精度表現較好。
經以上相關文獻可歸結出，適用性較佳的地籍坐標轉換方法為二維的 六參數轉換方法。因地籍為平面坐標系統，無須考慮高程，不必使用三維 的坐標轉換方式。至於實驗區範圍方面，本研究將以不同之模擬資料及選 取不同條件及大小之真實區域進行測試，比較各方法於不同類型區域之適 用性。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 最小二乘支持向量機之應用
Florian 等人(2005)，以支持向量機(SVM)進行 3D 圖形處理，發現當圖 形含有粗差之點位時，以 SVM 進行轉換，可以將圖形以 2D 的方式進行評 估，並從中更容易將該資料找出並去除，其成果較過去傳統之最小二乘法 擬合之效果更好，更能穩健(robust)處理圖形。
Suykens 等人(1999)，在研究中以最小二乘支持向量機(LSSVM)進行分 類並與過去 SVM 做比較，因為 SVM 在解算參數時之約制條件式為不等式，
而 LSSVM 的約制條件是使用等式(詳見第 3 章第二節)，導致解算過程當中 前者花費時間較久且過程較複雜，後者運算就只是簡單之最小二乘法計算，
相對於過去 SVM，LSSVM 花費之時間較短且運算過程也較簡單，經分類 後之表現也較為良好。
張展羽等人(2005)，指出逕流量的解算，除了受到降水、蒸發、分流、
匯流影響外，還會受到地形、地貌、人文活動等因素影響，為得到精準的 預測模型。實驗中使用 LSSVM 對年逕流量進行預測，文中指出 LSSVM 之 高維度運算、非線性擬合之特性適合解決上述之問題。實驗中以水庫實測 之逕流資料做為逕流量模型預測之根據，並將實驗成果與 BP 神經網路之預 測模型比較，結果顯示 LSSVM 之預測成果在平均相對誤差較神經網路之 預測成果為佳。
蘇高利等人(2007)，根據 2003 年到 2005 年浙江省氣象站的晴空逐時太 陽輻射量資料為根據，以 LSSVM 建立該區之太陽輻射量預測模型。該實 驗中將天文輻射、氣溫、氣壓、水汽壓、能見度、風速做為輸入層；太陽 輻射量為輸出層，以 2003 年之氣象數據做為訓練樣本，2004 及 2005 年之 氣象數據做為檢核樣本，結果顯示 LSSVM 能夠很好地擬合氣象因素對太 陽輻射量的非線性影響，所建立的太陽輻射預測模型精度較高，其均方根
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
12
誤差為 0.1590 MJ/m2(單位面積中所照射到之太陽輻射能量)，證實 LSSVM 可利用過去之氣象資料，得到相似氣象條件的太陽輻射預測。
范千(2008)，以 LSSVM 機應用於似大地水準面的確定上，並用工程實 例進行似大地水準面的模型擬合，最後將該成果與神經網路擬合模型及二 次曲面擬合模型比較，實驗證實 LSSVM 不論在參考點精度或檢核點精度 都較其他兩種方法高，驗證 LSSVM 之有效性。
姜華(2010)，在文中指出目前已有多種方法運用在鐵路客運量的問題上，
如迴歸模型法、神經網路模型、支持向量機模型。在該文之實驗中，用 LSSVM 為理論依據，以 2001 年二月到 2008 年六月的客運量數據，建立了 鐵路客運量的 LSSVM 預測模型，實驗驗證 LSSVM 適合應用在客運量預測 上。
沈昱廷（2011），在研究中使用 LSSVM 方式，擬合區域性大地起伏值，
文中以 LSSVM 在不同之核函數設定下所建立之區域性大地起伏模型，並 對該模型進行分析與研究。實驗成果顯示，以徑向基核函數(Radial Basis Function, RBF)所計算出之區域性大地起伏整體精度可達 1.4 公分，已滿足 一般工程測量對高程精度之要求，並與其他分區成果比較後，分析後得知 RBF 核函數之擬合效果較佳。
從上述相關文獻中可以看出，LSSVM 能夠解決小樣本、非線性、高維 度和局部極小點等實際問題的特性，近年來已被廣泛應用在建立預測模型 的方面上。因此本研究嘗試應用 LSSVM 之迴歸功能建立 TWD67 與 TWD97 地籍坐標系統之間的坐標轉換參數，再根據檢核點之坐標轉換後精度表現 檢核之，以此探討 LSSVM 於地籍坐標系統轉換之可能性。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三節 優化最小二乘支持向量機系統參數之研究
趙洪波(2004)，在實驗中提出 SVM 為最近開始發展的人工學習方法，
以統計學習為理論基礎，已在模式識別、分類問題、及函數迴歸…等應用 上顯示其優越性，並漸為國內外學者所關注。文中指出對 SVM 之應用能力 具有很大影響力之要素為核函數寬度(σ2)及懲罰參數(C)，目前尚無很好的 方法來確定上述兩種系統參數之大小。針對此問題，實驗中將 GA 及 SVM 結合應用，提出自動優化 SVM 系統參數的方法，結果顯示，此種方法是有 效的。
周輝仁等人(2009)，針對 LSSVM 之優化問題，在該實驗中以 GA 對 LSSVM 進行參數優化，並以經濟系統中的人口數據對 LSSVM 進行訓練，
將訓練成果用於預測城市的人口問題上。再將訓練成果與傳統 SVM 及 BP 神經網路演算之預測結果進行比較。結果證實，LSSVM 結合 GA 所得到之 預測模型其相對誤差較小，在運算過程中所需時間較短，且採用 GA 後，
能有效避免過度擬合(over-fitting)的現象。
陳帥等人(2008)，針對 LSSVM 的參數尋優問題，將 GA 及粒子群演算 法應用其中，以 Sinc 函數加入誤差做為模擬資料進行測試；在真實資料方 面，應用此一方法於德士古煤氣化爐的爐溫預測問題上，以工程測量之實 測數據分為訓練樣本及測試樣本進行爐溫預測。再將參數優化後的 LSSVM 預測成果與 BP 神經網路的預測成果比較。結果證實此兩種參數優化演算法，
都能得到不錯的預測模型。
張根保等人(2010)，提出為了提高解算速度及穩健性(robustness)，實驗 以 GA 對 LSSVM 進行參數優化(GA+LSSVM)，最後將演算結果與 BP 神經 網路演算法進行比較，證明在 GA+LSSVM 之預測成果，其預測精度較 BP 神經網路為優越。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
14
Avci (2009)，在研究中提出，如果以網格搜索法優化 RBF 核函數之系
Avci (2009)，在研究中提出，如果以網格搜索法優化 RBF 核函數之系