類神經網路模組

類神經網路是一種屬於人工智慧的平行運算系統，其原理是利用大 量相連的人工神經元來模擬生物神經網路的能力，由於人腦是經過幾千 萬年演化而成，對於圖形與語音辨識的能力遠比數位電腦優秀。因此，

普遍認為人腦中必定存在某種功能強大的運算能力，可處理更複雜的事 物。本文即是運用類神經網路這種強大的運算功能處理纜索振動試驗數

據，並預測出纜索拉力值。

4.1.1 倒傳遞神經網路

目 前 較 普 遍 的 類 神 經 網 路 學 習 應 用 模 式 為 倒 傳 遞 神 經 網 路 (Back-propagation neural network，簡稱 BPN)。倒傳遞神經網路具有一層 或多層隱藏層，使得網路可利用平滑可微分轉換函數表示輸入與輸出處 理單元間的映射關係，再應用最陡坡降法的觀念將誤差函數予以最小 化，使得網路可推導出修正網路的加權值，達到最佳化之目的。

如圖4.1.1所示之網路架構，為典型的三層倒傳遞網路架構，第一層

為輸入層，第二層為隱藏層，第三層則為輸入層。每一層皆由多個節點 所組成，而且每一層之節點與相鄰層的每一個節點相互連結，形成一個 網絡架構。o、j 與 i 分別為隱藏層、輸入層與輸出層的節點數。另外，

轉換函數可為線性或非線性函數，在本文中將採用正切雙彎曲轉移函數 (Tan-sigmoid transfer function)。

1. 隱藏層神經元數目(節點數目)

隱藏層神經元個數會直接影響到輸出的結果，若神經元數目太少，

容易無法完全表示輸入與輸出之間的關係，導致產生較大的誤差量；然 而假若神經元數目太大，雖然可以降低誤差量，但可能因為網路較為複 雜，導致網路運算速度及收斂速度變慢。因此，如何適當的選擇隱藏層

神經元個數是一個重要的問題。

2. 隱藏層層數

隱藏層層數一樣關係到系統之誤差值。若選擇較少的層數，則無法 反應變數間的相互關係；若使用較多的隱藏層層數，因網路較複雜容易 無法收斂。所以在決定隱藏層層數時，通常可先採用無隱藏層的網路架 構，若收斂情形比有隱藏層者佳，則不需設隱藏層，反之則增加隱藏層 層數。一般用一層或二層即足夠表達變數間的關係，本文皆採用一層隱 藏層層數作數值上的預測。

3. 學習速率

學習速率依系統狀況而有不同的數值範圍。學習速率越大其收斂速 度越快，但易造成模擬時數值的震盪現象甚至造成網路發散。而學習速 率越小其收斂速度越慢，數值震盪的現象也愈小但易收斂至局部最小而 不再繼續收斂。本文，是針對有限元素模式中所得到的不同的資料來進 行網路的訓練。

通常採用類神經網路來預測某些參數時，必須先訓練類神經網路，在 訓練過程中需要建立相當數目的學習範例以供學習，範例越多，模擬效 果及範圍越廣，然而往往基於時間、成本的因素等等，無法取得數量過 於龐大的學習範例。

4.1.2 神經網路階段測試

在本研究中，為建立類神經網路訓練案例資料庫，將利用有限元素法 建立纜索分析模式進行動力分析，並變化中垂量與索力值，求得纜索索 力變化時所對應的幾何與頻率變化關係作為案例資料庫，並以類神經網 路的特性，預測出近似於量測頻率值所對應的索力值。另外，為驗證本 方法之可行性，神經網路架構必須經過三個階段：

(1). 訓練學習階段：以現有已知纜索頻率、索力、中垂量作為神經網路基 本案例資料庫進行學習訓練，並建立神經網路預測架構。

(2). 第一次預測階段：將訓練學習階段所使用之原基本案例資料庫其中一 組作為輸入值，經由已建立的神經網路預測架構之運算，驗證是否能 夠預測出此組的索力值和中垂量。由於選擇的纜索資料為案例資料庫 內資料之ㄧ，理論上，神經網路之訓練已涵蓋此纜索狀況資料，應可 順利地預測出其索力，此步驟稱之為第一階段預測。若是此一預測階 段都無法將案例資料庫纜索之索力值預測出來，則表示訓練學習階段 是失敗的，此時須重新修正輸入參數或增加隱藏層節點數，直到本階 段預測是成功的為止。因此，神經網路預測架構須具有成功的第一次 預測階段，方能映射出輸入與輸出之關係。

(3). 第二次預測階段：選擇一組未在基本案例資料庫中使用過的纜索資 料，作為預測的未知對象(雖已知其索力但僅作預測結果比對之用)，

並利用第一次預測階段成功的神經網路預測架構進行索力之預測。由 於此未知纜索資料未曾在神經網路架構出現過，因此，若能順利預測 出相同的索力值，則顯示本文所建立的預測架構確實可在不須經過複 雜的非線性疊代計算即可求得索力。