第二節 第二節
第二節 類神經網路 類神經網路 類神經網路 類神經網路
2.2.1 類神經網路發展類神經網路發展類神經網路發展類神經網路發展
類神經網路之研究起始於 McCulloch 和 Pitts（1943）兩人所提出來結合神 經生理學以及邏輯數學的神經網路模型。在此研究之後，Hebb（1949）在其著 作 The Organization of Behavior 中發表了神經生理的學習，乃是由於神經元之間 的突觸（Synaptic）產生了變化所導致。而 Rosenblatt（1957）將其運用此資訊 發展出可訓練學習之認知器（Perceptron）並從事於文字辨識方面的工作。其後 Widrow 和 Hoff（1960）更進一步發表適應線性元件（Adaptive Linear Element）， 使用最小誤差法（LMS）來訓練網路學習。在接下來數十年之中陸續發展出各種 不同的學習網路，其中 Rumelhart 和 PDP 研究群於 1986 年提出倒傳遞神經網 路（Back-propagation Neural Network），此種類神經網路屬於多層的認知網路，
具有非線性運算能力來處理相當複雜的資訊，其目的在於將某個待推估的範例輸 入後，網路能做出預測或是分類的工作。此種網路較常運用在資料壓縮、分類、
預測以及雜訊過濾等方面。
2.2.2 類神經網路概述類神經網路概述類神經網路概述類神經網路概述
類神經網路(Artificial Neural Network, ANN)是「一種基於腦與神經系統研究 所啟發的資訊處理技術」，它可以利用一組範例(即系統輸入與輸出所組成的資料) 建立系統模型(輸入與輸出的關係)，有了這樣的系統模型便可用於推估、預測、
決策、診斷。(葉怡成，2004)
類神經元的目的就是希望能夠跟生物神經一般運作，所以在結構上具有與一 般神經元相似的模型。生物神經元與類神經元模型如圖 2-3 所示，主要有幾個重 要的單元：
而以上只探討單個神經元
網路是一種計算系統，由許多高度聯結的節點 部的輸入以網路動態來回應
圖 圖 圖 圖
由圖 2-4 可知，類神經網路的輸入曾從外部接收訊號 網路中，而隱藏層接收輸入層的訊號
對網路使用者來說是看不見的 到外部。
15
圖圖
圖圖 2-3 類神經元模型類神經元模型類神經元模型 類神經元模型 資料來源：羅華強(2011)
探討單個神經元，羅華強(2011)對類神經網路所下的定義 由許多高度聯結的節點(或處理單元)所組成 部的輸入以網路動態來回應。”
圖 圖 圖
圖 2-4 具有隱藏層的類神經網路架構具有隱藏層的類神經網路架構具有隱藏層的類神經網路架構具有隱藏層的類神經網路架構 資料來源：羅華強(2011)
類神經網路的輸入曾從外部接收訊號，並將訊號傳入類神經 而隱藏層接收輸入層的訊號，對訊號進行處理，然而整個訊號處理過程 對網路使用者來說是看不見的，輸出層接收隱藏層處理後的訊號後
對類神經網路所下的定義：”類神經 所組成，用來處理外
並將訊號傳入類神經 然而整個訊號處理過程 輸出層接收隱藏層處理後的訊號後，將結果輸出
16
2.2.3 類神經網路之相關應用文獻類神經網路之相關應用文獻類神經網路之相關應用文獻類神經網路之相關應用文獻
類神經網路是近期興起的資料探勘模型之一，目前廣泛運用在各個領域非線 性模型開發上。其中包含金融、生醫、商業、工程、地質、土木等，以下針對類 神經網路在金融及匯率的應用文獻作探討，加以彙整如下。
Yoon and Swales(1991)以影響公司股價之因素為倒傳遞類神經網路輸入變數，
為公司績效分類，預測未來股價表現，發現倒傳遞類神經網路分析的結果優於統 計的區別分析。
葉柏村(2002)將影響匯率變動因素：M2 貨幣供給額，工業生產指數，短期 利率，長期債券利率，消費者物價指數，生產成本指數，歐元整合區域相關經濟 變數。以類神經網路的倒傳遞網路，建構歐元匯率預測模型。發現倒傳遞類神經 網路模式在歐元匯率誤差均方根、平均誤差百分比與預測準確率方面，相對於統 計迴規模式有較佳的表現。
Mirmirani and Li(2004)認為經濟理論並沒有提供足夠的解釋對於隨著時間 推移的價格變動動態路徑，所以使用任何線性或非線性函數形式模型的黃金價格 走勢必然是任意的性質，研究顯示利用類神經網路和遺傳演算法能夠比傳統經濟 模型在預測黃金價格走勢上能有更好的結果。
張瓊文、張瑞芳(2010)利用倒傳遞類神經網路結合基因演算法(GAPBN)來發 展新台幣兌美元的匯率預測模型，利用基因演算法(GA)的特性，再全部輸入變 數中，找出最具代表性的輸入資訊與訊息個數，輸入變數為下表 2-1(物價指數、
銀行利率、國際收支、匯率走勢、外匯存底、貨幣供給等)；之後再使用三層倒 傳遞類神經網路訓練匯率預測模型。結果顯示不必使用全部變數，只需代表性輸 入資訊即可成功建立更好的預測模型。
表表
根據文獻，設計出本研究之