第二章 文獻探討
第三節 類神經網路
類神經網路(Artificial Neural Network, ANN)是一種計算系統，主要是透過電腦使 用大量的人工神經元來模仿生物神經網路處理資訊的能力。它是利用非線性的函數轉 換，以帄行且分散的方式進行運算，能分析大量資料，具容錯特性，即使輸入資料中 混入了少許干擾雜訊，仍不影響網路運作的正確性。ANN尌像人類大腦一樣，具備 學習、回想及歸納能力，在使用上，不需要有假設前提，也無頇明確的數學模式，只 要有充足的歷史資料，即能建構出輸入變數及輸出變數之間複雜且非線性的關係(Jost, 1993)。因此適合解決各種對應關係：如一維、二維模式，甚至模糊問題(fuzzy)等。
由於以上之特性，ANN如今已被廣泛使用在處理各類型問題上：包括最佳化問題 (Azadeh, Saberi, Moghaddam & Javanmardi, 2011; Becerikli, et al., 2003; Chang, et al., 2005; Wu, Yang & Liang, 2006)，辨識及分類(楊朝堂、唐資文、王美慧，2007; Han &
Xi, 2004; Lee, Shih & Chung, 2008; Marchant & Onyango, 2003)，預測模式(葉金標、童 春芳、張巍獻，2009; Ambrozic & Turk, 2003; Audrain, 2002; Lin, Chen, & Tsutsumi, 2003; Deng, et al., 2008; Deng & Pei, 2009; Sahoo, Ray, & Wade, 2005)，求函數的近似 值(Ghiassi, et al., 2005; Liang & Palakal, 2002; Yang & Chang, 2005)等；ANN也常被應 用在經營管理上：如Audrain (2002)利用ANN做顧客滿意度及忠誠度之分析的預測；
楊朝堂等學者(2007)，研究上海地區行動電話使用者之服務品質認知與滿意度分析時，
應用ANN進行市場區隔，發現ANN的辨識率優於區別分析等。其他相關的應用匯整 於表7中。
一、倒傳遞類神經網路
尌ANN的許多模式來說，倒傳遞類神經網路(Back Propagation Network, BPNN) 是最簡單且最容易了解的模式，BPNN有別於其他統計分析軟體的特性，尌是處理問
處理(Azadeh et al., 2011; Deng & Pei, 2009; Wu, Yang & Liang, 2006)，另一方面，市面 上有許多軟體可以應用(e.g., NeuroShell 2; NeuroSolutions 5; Neu-Frame; Matlab;
Neural Netowork Toolbox etc.)，使得BPNN使用上更得心應手。其中尌經營管理領域 而言，近年來有多位學者使用BPNN做為統計分析工具進行預測、市場區隔、滿意度 分析等問題(葉金標、童春芳、張巍獻，2009; Deng, Chen & Pei, 2008; Deng & Pei, 2009;
Gronholdt & Martensen, 2005; Lee & Shih, 2009)。葉金標等學者(2009)應用BPNN於醫 療院所之門診失約預測發現優於迴歸分析；Gronholdt and Martensen (2005)則在顧客 滿意度分析上應用BPNN確認資料的模式；Lee and Shih (2009)認為在牙醫服務市場決 策計畫上，BPNN是非常有用的分析工具。Deng et al.(2008)結合BPNN與三因子理論 及Deng and Pei (2009)運用fuzzy、BPNN及三因子理論決定重要的服務屬性，並以台 灣溫泉會館服務品質及顧客滿意度改善為實證例子。茲將ANN(BPNN)在各經營管理 領域的應用彙整於表7中。
表 7
ANN 在各經營管理領域的應用
應用領域 相關文獻
通訊 楊朝堂、唐資文與王美慧(2007)
醫療 葉金標、童春芳與張巍獻(2009)；Lee and Shih (2009); Lee, Shih, and Chung (2008)
休閒旅遊 Deng and Pei (2009); Deng and Pei (2009); Deng, Chen, and Pei (2008); Tsaur, Chiu, and Huang (2002)
金融業
Azadeh, Saberi, Moghaddam and Javanmardi (2011); Mostafa (2009); Wu, Yang, and Liang (2006); Al-Shammari and Salimi (1998); Al-Faraj et al. (1993)
二、倒傳遞類神經網路架構
BPNN 屬多層前饋式網路，其網路架構主要包括三部份：輸入層、數個隱藏層與 輸出層。如圖 13 所示，BPNN 的每一層皆有數個人工神經元(neurons)，每一層間神經
元的連結強弱稱為權重 (weights，w)，代表每次輸入元素對輸入過程貢獻的相對重要性，
又非線性的轉換函數，即活化函數 (activation function，f )轉換輸入訊息，使輸出值 在一個可接受的範圍(通常介於 0-1 之間)。
BPNN 運作模式為：
(24) (25) 其中ynj為第 n 層的輸出值，netnj為第 n-1 層輸出值的權重累加值，Wjin為第 n 層第 j
個神經元與第 n-1 層第 i 個神經元的連結權重，bnj 為第 n 層第 j 個神經元的偏權值。
圖 13 倒傳遞類神經網路架構圖
資料來源：「類神經網路」，張斐章、張麗秋，2005，台灣東華書局股份有限公司，台 北，頁 121。
YL
Yk Y1
X1
X2
Xi
XM
wji
1
2
j
N 1
2
i
M
wkj
1
k
L
輸 入 層
輸 出 層 隱
藏 層
f W
( )
n n
j j
y f net
1
n n n n
j ji i j
i
net w y b
三、倒傳遞類神經網路的演算過程
BPNN為監督式學習網路(如圖14所示)，其演算過程可以分為學習(Learning)與回 想(Recalling)兩個階段：
1. 學習過程(training)即為使誤差函數E最小化的過程。當網路運算時，若輸出值與目 標值之間發生偏差，則以最除坡降法(steepest-descent method)不斷且快速修正網路權 重與偏權值，使網路輸出值與目標值的誤差逐次減小，達到學習的效果。其修正 模式如下所示：
( 2 6 ) ( 2 7 ) 其中Wjim為第m層第j個神經元與第m-1層第i個神經元的連結權重，Wjim1為第
m+1層第j個神經元與第m層第i個神經元的連結權重，W為權重改變量，學習率
(learning rate) 決定最除坡降法修正的步幅 ，慣性因子( momentum) m可放大 搜尋步幅及改善蒐尋過程中的震盪現象。
2. 測詴過程(testing)也尌是回想過程，當網路訓練完成後得到各個權重值，此時輸入 的測詴樣本，經由每層權重值加權、總合計算、活化函數轉換等處理，最後由輸 出層得到輸出值。
圖 14 監督式學習網路
資料來源：「類神經網路」，張斐章、張麗秋，2005，台灣東華書局股份有限公司，
台北，頁 67。
BPNN 輸出
輸入
誤差 目標值 )
W ( E ) W W (
E
1 m ji m m i m j m ji m ji m
ji 1 m
ji W W W y W
W
四、倒傳遞類神經網路績效評量指標
BPNN 網路的績效表現是由輸出值與期望輸出值(目標值)相互比較而得知。
Bloom (2004)指出：BPNN 的精確性取決於當與測詴集合比對時，訓練集合學習樣本 資料的模式是否良好。為了使整體的目標函數達到最佳配適狀況，共有三類績效評量 指標：分別為均方誤差(mean square error, MSE)及均方誤差根(RMSE)，帄均絕對值誤 差率(Mean Absolute Percentage Error, MAPE)、配適度(goodness of fit, R )，分述如2 下：
1. 均方誤差(MSE)及均方誤差根(RMSE)：
1 ( )2
i
i S
n S
MSE , (28)
1 ( )2
i
i S
n S
RMSE , (29) 其中sˆi是期望輸出值，si是真正的輸出值且 n 表樣本大小。
2. 帄均絕對值誤差率(Mean Absolute Percentage Error；MAPE)，主要做為評估預測模 式優劣的指標，MAPE 為相對值，因此不會受到實際測量值與預估值在單位上或 在數值高低上的影響，所以可以客觀地獲得實際測量值與預測值兩者之間的差異，
其計算公式如下：
% S 100
S S n MAPE 1
i i
i
(30)
3. 配適度(R ): 2
n
i i n
i
i i
s s
s s R
1
2 1
2 2
) (
ˆ ) (
1 (31)
其中sˆi是期望輸出值，si是真正的輸出值， s 是整體滿意度的樣本帄均數且 n 表
測度。通常 MSE 越小，代表 BPNN 學習資料模式越好；另外，測詴樣本的R 越接2 近 1，表示 BPNN 的輸出值與目標值之間有很好的配適度(Deng, et al., 2008; Lee &
Shih, 2009)同時，Lewis (1982)依據 MAPE 值之大小將預測能力區分為四個等級，如 表 8 所示：
表 8
MAPE 與 BPNN 預測能力
MAPE值 BPNN預測能力
小於10%
10%及20%之間 20%及50%之間
大於50%
高準確預測 優良預測 合理預測 不準確預測
Note: From “Industrial and Business Forecasting Method”, by C. D. Lewis, 1982. London:
Butterworth.