類神經網路

人工類神經網路是一套模擬生物神經網路的系統，可以進行學習、思考。人工類神經網 路使用多個神經元 (Neuron) 相互連接組成，每一個神經元皆代表一個處理單元，兩個神經 元連接的通道會有加權值，也就是權重 (Weight)，權重可以說是人工類神經網路的記憶區，

透過數據的訓練進行權重調整，以達到學習的功能，因此人工類神經網路也被稱為適應系統 (Adaptive System) 下圖 4 為神經元圖示：

圖 4 神經元示意圖

3.1.1 人工神經元

人工類神經網路是由數量眾多的神經元組成的，每個神經元都是一個處理單元，輸入數 據至處理單元進行處理，再輸出其結果，輸出的結果成為其他處理單元的輸入值，神經元輸 入值與輸出值關係數學式，一般可用輸入值和的加權函數式表示，如 3-1 式：

)

(  ^



i

j i ij

j

f w x

y 

j = 偏權值，神經元的最初狀態，為函數轉換過程中的一種映射規則。

w = 鍵結值，可以將它視為一種加權效果，經過不斷的調整， ji

使向量接近目標，並使目標的誤差值越來越小。

y = 輸出值，模擬生物神經傳導訊息的輸出訊號。 j

f = 函數轉換，將神經元每個權重值加總並轉換到輸出的功能。

x

3.1.2 人工類神經網路架構

一般人工類神經網路由一個多層神經元網路組成，如圖 5，包含了輸入層、輸出層、隱 藏層。輸入層的神經元，負責接收數據，隱藏層是由神經元和鍵結組成，可以很多層也可以 只有一層，隱藏層中神經元的數量並沒有固定，神經元的數量並非越多越好，必須依靠不斷 的訓練及測試找出較為適當的神經元數量，輸出層是數據在隱藏層中經過不斷分析與調整權 重值後，形成的結果。

圖 5 神經網路圖

3.1.3 人工類神經網路學習模式

人工類神經網路依照使用者給予的演算法而執行工作。其系統是以多個擁有不同功能的 工作層組合而成，依據學習方式的不同，我們可將其分類為四種：

(一) 監督式學習網路 (Supervised Learning Network)

類神經網路應用極為廣泛，其中監督式學習網路是現今類神經網路最成功、最

重要的應用，約占 95%以上 (葉怡成，2002)，監督式學習網路即是提供大量的訓練 範例，包括輸入與輸出的資料，並進行模組建立，監督式學習網路會從輸出與輸入 的資料中學習其內在對應規則，就如同教師教導學生進行問題的正確解答，學生從 中 學 習 問 題 的 規 則 一 般 。 其 較 為 有 名 的 網 路 就 是 倒 傳 遞 神 經 網 路 法 (Back-Propagation Network)。

(二) 無監督式學習網路 (Unsupervised Learning Network)

無監督式學習網路是一種將原始資料進行歸納分類為目的的人工智慧演算法，

透過演算法的歸納分類讓使用者方便了解資料的內部結構。然而有別於監督式學習 網路，無監督式學習網路所提供給予的範例僅有輸入資料，也就是說在分類過程中，

並不知道其分類是否正確，因為沒有輸出資料可以對照，但是演算法會自動從範例 中找尋潛規則，一旦學習完畢後，經過測試即可使用在新的案例中。其較為有名的 應用為自組織映射網路 (Self-Organizing Map, SOM)。

(三) 聯想式學習網路 (Associate Learning Network)

所謂的聯想式學習網路即是從研究的問題中，取得大量的範例並給予人工類神 經網路進行訓練，人工類神經網路會在訓練過程中找出學習範例的記憶規則進行模 組建立，以應用於新的研究例子。因此當有資料不完全的情形時，聯想式學習網路 就可以推論出資料的完整型態。聯想式學習網路又可依聯想模式區分為兩種：

1.自聯想 (Auto-Associative)

由一個模式聯想到同一模式，例如：由某部影片的片段，可以推論出完整的影

2. 異聯想 (Hetero-Associative)

由一個模式聯想到另一個模式，例如：依據電腦開機的叫聲，可以推論出是哪 部分的系統出現問題 。其中聯想式學習網路較為人所知的就是霍普菲爾網路 (Hopfield Neural Network, HNN)。

(四) 最適化學習網路（Optimization Application Network）

除了學習的應用之外，類神經網路還有最適化學習網路此一應用。最適化學習 網路會替將要處理的問題設計變數值，並在此限制條件之下使問題達到最佳化的目 標狀態，最適化學習網路的架構與聯想式學習網路大致相同。