如前所述，侵襲角公式為θ3=θ2-θ1。颱風風速結構圖如圖 2.7 所示，
圖 2.7 中顯示颱風暴風範圍內的風速並非均勻分布的，如以象限劃 分，在北半球行進中的颱風其右前方象限的風最大，因該象限颱風環 流風向與導引氣流風向相同。如向西行進之颱風此象限吹東北風與夏 季西太平洋的東北信風合併而增強了風速，至於右後方及左前方象限 則是偏南的風與偏西的風，因與東北信風有抵消作用，風勢較小，在 左後方象限的風最小，因該象限吹西南風恰與西太平洋的東北信風相 反，故大量抵消，所以一般而言，颱風前半部風力大於後半部。由於 RVM 模型颱風模式並未考量到這種颱風的不對稱性，故需輸入此參
2-20
數用以判斷目標點是位於颱風的左半圓還是右半圓(以前進方向為中 心)。本研究同時考慮θ3與θ1兩種方位角的影響，意即同時考慮到 颱風的不對稱性與地形的遮蔽效應，而同時θ3 隱含了θ2(颱風移動 方位角)的資訊，意即輸入θ3 也輸入了θ2，也等於將颱風的行進路 徑一起納入考量。
圖
2.7 颱風在等壓面上內平均風速分布示意圖(引自中央氣象局) 5.目標點 10m 風向 V
deg：Vdeg是由 RVM 模型風場模式中計算而得，此處的風向定義為風的去 向，而一般定義風向為來向。由於目標點安平港位於臺灣西南方，當 風向為從海上往陸上吹時，其所造成的波浪應較大，而從陸上往海上 吹時，造成的波浪則較小，本研究期望藉由Vdeg讓類神經網路判別風 向所造成波浪大小的影響。
2-21
2.2.4 歸屬函數修正輸入參數
本研究在輸入參數的選擇上，挑選了具有能夠代表颱風遠近特 性、位置特性、左右不對稱性，共三個輸入參數D、θ1、θ3，以及能夠 代表目標點特性的風速與風向，共兩個輸入參數V、Vdeg。但在正式開 始訓練前可先透過相關性分析來了解各輸入因子與輸出層波高值間的 關係，其結果如表2.5 所示。
表
2.5 輸入因子與波浪間的相關性分析
安平港輸入因子 相關性R
目標點風速V 0.46 距離D 0.33 目標點方位角θ1 -0.49
颱風侵襲角θ3 0.06 目標點風向Vdeg -0.38
臺北港
輸入因子 相關性R
目標點風速V 0.50 距離D 0.55 目標點方位角θ1 -0.07
颱風侵襲角θ3 0.06 目標點風向Vdeg 0.13
輸入因子與波浪間的相關性分析顯示目前輸入參數只有目標點風 速 V、距離 D 與波高的相關性是正相關，而其餘三個參數與波高的相 關性都偏低或是呈現負相關的現象。
θ1、θ3、Vdeg這三個輸入參數為「角度」，但是角度的大小值卻不一 定能有效地反映出該輸入參數與波高的關聯性。以 θ1為例，當 θ1=90°
時代表颱風是在目標點的左側，對應到的輸出波高會較大，以直觀想 法僅為將 90°輸入類神經，告訴類神經當角度等於 90°時波高就會大，
但在類神經內部90°是被當作一個值，先被正規化處理，再與權重相乘
2-22
後，被送進隱藏層神經元並與其他參數相加，此種運算方式無法有效 地告知類神經角度與波高的關聯性。
本研究欲以一個歸屬函數來描述角度與波高的關係，透過歸屬函 數的轉換後再輸入類神經，用意為將「角度資訊」轉換為「影響度資 訊」，其值介於 0 至 1，當影響度越高對應到的波高就越大。以 θ1為例，
當θ1=90°時，透過歸屬函數的轉換得到影響度會接近 1，代表其影響程 度大。而在類神經內部計算時，影響度的大小便可以控制隱藏層神經 元內的整體函數值的大小，讓類神經對於輸入參數的學習更加直接。
影響度的大小，代表轉換前的參數角度對波高的影響力，轉換前對應 到的波高大，轉換後得到的影響度就會大；轉換前對應到的波高小，
則轉換後得到的影響度就會小。此種關係顯示，經由轉換後的影響度 與波高會是一個正線性相關。欲找到一個高斯函數作為合適的歸屬函 數，以提高輸入參數與波高的相關性，本研究將三個角度參數做了以 下分析：