第三章 基礎理論
第四節 類神經網路
26
2.外部雜音(External Noise)
產品的使用環境以及使用者操作、處理方式的不同所造成的變異。以飛機降落所 需距離來說,跑道的乾溼狀況以及摩擦係數的不同均屬於環境雜音因子,承載的重量 則屬於處理方式的雜音因子。
3.產品之間的變異(Unit-to-Unit Variation)
在相同的製程和規格設定下,所生產的產品依然會有些許差異。如相同品牌、工 廠和製程所製造出來的兩支日光燈管,其亮度依然會有差異。
27
類神經網路因用途的不同而種類繁多。若依學習方式分類,則可分為監督型學習 (Supervised Learning)網路及非監督型學習(Unsupervised Learning)網路兩種:
(一)監督式學習網路
類神經網路在訓練的過程中,每一筆輸入之資料皆對應一個目標或期望輸出值,
藉由迭代方式不斷修正內部的權重值(Weight),希望輸出值符合期待的結果。舉例來 說,我們給予神經網路一個輸入值和期望輸出值,這個期望輸出值便扮演老師的角 色,不斷監督神經網路去修正權值,將誤差縮小至容許的範圍之內才停止訓練,如圖 28所示。目前所應用的神經網路中,學習向量量化網路(Learning Vector Quantization, LVQ)以及倒傳遞神經網路等,均屬於監督式學習網路。
圖28 監督型學習網路示意圖
(二)非監督式學習網路
神經網路在訓練的過程中,僅需要提供輸入值而不需要期望輸出值作為參考依 據,也就是說它不需要誤差訊息去改善神經網路的輸出值,僅需要依照輸 入資料便 可以判斷其類別,此種方法常運用於找出輸入資料間的關連性,如圖29所示。一般常 應用的有自適應共振理論網路(Adaptive Resonance Theory)及自組織映射圖網路 (Self-Organizing Map, SOM)等。
28
圖29 非監督式學習網路示意圖
在眾多型態的類神經網路之中,倒傳遞類神經網路被運用的最廣泛,學習模式也 最具代表性。此外,本論文也使用此網路進行研究,在此略為介紹。倒傳遞類神經網 路是由多層的神經元結構所構成,其架構包含輸入層、隱藏層與輸出層,如圖30所示。
在輸入層的部份,神經元的數目即所欲輸入變數的個數,其輸入變數的個數視處理問 題的狀況而定;隱藏層的層數可以是一層或是多層,主要功能是增加類神經網路的複 雜性,使其能處理複雜的非線性關係,一般認為至多只要二層隱藏層即可處理大多數 問題,至於隱藏層中神經元的數目,截至日前仍無最佳方式可供使用;而輸出層則是 用來表示網路的輸出變數(預測結果),其神經元的數目與變數個數相同。
圖30 倒傳遞類神經網路之架構
倒傳遞類神經網路的學習過程,可以分成正向傳遞與反向傳遞兩個部分。所謂的 正向傳遞是指輸入訊號從輸入層神經元進入到隱藏層,隱藏層內的神經元會將其乘上 相對應的權重值再加總,利用轉移函數轉換成激發值(Activation Value)然後傳遞至輸
29
出層,而反向傳遞則是當輸出值(預測結果)與期望結果有誤差時,在回傳這些訊息給 隱藏層去修正權重值,目的是將輸出值與目標值之均方誤差最小化(張斐章、張麗秋、
黃 浩 倫 ,2004) 。 倒 傳 遞 類 神 經 網 路 最 常 用 的 轉 移 函 數 為 雙 彎 曲 函 數 (Sigmoid function),如圖31所示,主要學習流程如圖32所示,其學習步驟如下:
Step01. 設定學習率、容忍誤差與學習次數等網路參數。
Step02. 以亂數產生輸入層與隱藏層間的連結權重W 、隱藏層與輸出層間的連結權重ih
W 以及隱藏層神經元偏權值hj h、輸出層神經元偏權值j。 Step03. 輸入訓練資料之輸入值(X 與目標輸出值) (T 。 )
Step04. 計算隱藏層神經元的輸出值。
h i
i ih
h W X
net
(14)neth
h
h f net
H
-exp 1 ) 1 (
(15)
Step05. 計算輸出層神經元的輸出值。
j h h
hj
j W H
net
(16)netj
j
j f net
Y
-exp 1 ) 1
(
(17)
Step06. 計算輸出層神經元之誤差項。
) (
) 1
( j j j
j
j Y Y T Y
(18)
Step07. 將此誤差項反饋至隱藏層,計算出隱藏層神經元誤差項。
j h
hj h
h
h H H W δ
δ (1 )
(19)Step08. 根據神經元誤差項,修正隱藏層與輸出層神經元的權重及偏權值,其中 t 為 網路訓練過程的訓練次數。
i h n ih n
ih W X
W +1= + (20)
h j n hj n
hj W H
W 1 (21)
30
h n h n
h
1 (22)
j n j n
j θ ηδ
θ 1 (23)
Step09. 重複步驟3~7,直到收斂誤差達至要求或一定數目之學習循環。
Step10. 計算所有樣本輸出值與實際值的差異,通常使用均方和誤差(Means Squared Error, MSE)或是均方和誤差根(Root Mean Squared Error, RMSE)來表示一個 學習循環的誤差程度。MSE與RMSE定義如下:
n
j
j
j Y n
T MSE
1
2/ )
( (24)
n
j
j
j Y n
T RMSE
1
2/ )
( (25)
圖31 雙彎曲函數圖形
31
圖32 倒傳遞類神經網路學習流程