類神經網路 B

分別採用三組不同數目之訓練案例來對類神經網路 B 作訓練，再 使用測詴案例來作分析(如表 4-2)。訓練結果與測詴結果如下：

a.訓練案例數目為 1130 組 類神經網路之訓練結果：

採用比例共軛梯度演算法來訓練網路。在訓練次數為 540 次時達 到收斂，如圖 4-37。訓練 R 值結果為 0.99935，如圖 4-38。

類神經網路之測詴結果：

測詴案例數目為 640 組，分別比較期望值與網路輸出的平均相對 誤差、最大相對誤差，還有判定係數(R²)。最小系統彈性週期(T_min)的 平均相對誤差為 11.64%，最大相對誤差為 101.2%，判定係數(R²)為 0.8799。最大系統彈性週期(Tmax)的平均相對誤差為 9.7%，最大相對 誤差為 117.04%，判定係數(R²)為 0.9011。如圖 4-39、圖 4-40。

b.訓練案例數目為 4678 組 類神經網路之訓練結果：

採用比例共軛梯度演算法來訓練網路。在訓練次數為 1120 次時 達到收斂，如圖 4-41。訓練 R 值結果為 0.99972，如圖 4-42。

類神經網路之測詴結果：

測詴案例數目為 640 組，分別比較期望值與網路輸出的平均相對 誤差、最大相對誤差，還有判定係數(R²)。最小系統彈性週期(T_min)的 平均相對誤差為 1.64%，最大相對誤差為 16.69%，判定係數(R²)為 0.9891。最大系統彈性週期(T_max)的平均相對誤差為 1.6%，最大相對 誤差為 15.26%，判定係數(R²)為 0.9907。如圖 4-43、圖 4-44。

37

c.訓練案例數目為 11509 組 類神經網路之訓練結果：

採用比例共軛梯度演算法來訓練網路。在訓練次數為 2119 次時 達到收斂，如圖 4-45。訓練 R 值結果為 0.99973，如圖 4-46。

類神經網路之測詴結果：

測詴案例數目為 640 組，分別比較期望值與網路輸出的平均相對 誤差、最大相對誤差，還有判定係數(R²)。最小系統彈性週期(Tmin)的 平均相對誤差為 1%，最大相對誤差為 7.35%，判定係數(R²)為 0.9976。

最大系統彈性週期(T_max)的平均相對誤差為 0.94%，最大相對誤差為 5.97%，判定係數(R²)為 0.9982。如圖 4-47、圖 4-48。

d.不同訓練案例數目比較與討論

將三組不同訓練案例數目對類神經網路作訓練而得到的測詴結 果，分別對平均相對誤差、最大相對誤差、判定係數(R²)作比較，如 圖 4-49、圖 4-50、圖 4-51。由圖中可以發現隨著訓練案例數目的增 加，不論是平均相對誤差、最大相對誤差或判定係數(R²)的測詴結果 都明顯變佳的趨勢。

類神經網路 B 是用來檢驗系統彈性週期(T_n)是否介於最小系統彈 性週期(T_min)與最大系統彈性週期(Tmax)此限制之間，而訓練案例數目 為 1130 組時，最小系統彈性週期(T_min)與最大系統彈性週期(Tmax)的最 大相對誤差皆超過 100%，此測詴結果顯示此時的類神經網路 B 檢驗

效果沒有太大用處，但是隨著訓練案例數目的增加，相對誤差皆大幅 下降(如圖 4-39、圖 4-43、圖 4-47)，其中訓練案例數目為 11509 組時，

最大相對誤差已小於 10%，平均相對誤差更是小於 1%，判定係數(R²) 也都高達 0.99 以上，而最小系統彈性週期(T_min)與最大系統彈性週期 (T_max)的範圍通常為 1~4(s)，以此測詴結果而言，類神經網路 B 的精 確度是相當高的。