類神經網路的系統架構

網路架構的形態與大小會影響到系統的學習能力，如網路神經元太少無 法處理較複雜的事件，而神經元太多除了效率不好外，也可能造成過度訓練

的問題。如何設定網路的大小，可依據問題的複雜程度、可用於訓練網路的 範例個數以及所需的精確度等來決定。類神經網路的分類與學習方式有很多 方式，以下就常用的分類加以說明。

ㄧ、前饋式類神經網路(Feedforward)

前饋式類神經網路之架構，其連結方式為單一方向的向前連結，且 網路所有神經元皆無向後或側向的連結方式。

(ㄧ) 單層前饋式類神經網路

如圖 3.2 所示，這是ㄧ種最簡單的網路架構，訊息由輸入層進 入，經過加權後進入到神經元中，經由處理後再由神經元輸出，而 這裡所謂的「單層」是指「輸出層」。

圖 3.2 單層前饋式類神經網路 資料來源：本研究整理 (二) 多層前饋式類神經網路

輸入層 輸出層

圖 3.3 多層前饋式類神經網路 資料來源：本研究整理

如圖 3.3 所示，多層前饋式類神經網路與單層前饋式類神經網路的 最大區別在於網路本身含有「隱藏層」，其功能為調節網路內部輸入值與 網路整體的輸出值。

二、回饋式類神經網路(Feedback)

如圖 3.4 所示，回饋式類神經網路與前饋式類神經網路的最大不同 在於回饋式類神經網路至少會含有一回饋迴圈。一個回饋式類神經網路 可能僅包含一層神經元，而此層的神經元將其輸出訊號回傳給同一層中 的其他神經元或前ㄧ層的神經元作為輸入資料。

輸入層 隱藏層 輸出層

圖 3.4 回饋式類神經網路 資料來源：本研究整理 三、監督式學習(Supervised Learning)

監督式學習可以不斷修正網路中的傳遞權重，如圖 3.5 所示，以符 合目標值，這個目標值不斷督促網路修正傳遞權重的值，藉由訓練過程 中不斷調整網路連結的強弱，來降低網路的輸出值與目標值間的差異，

直到差異小於一定的臨界值才停止，倒傳遞類神經網路即屬於此類。

圖 3.5 監督式學習演算法 資料來源：本研究整理

輸入 ANN 輸出

誤差 真實值

輸入層 隱藏層 輸出層

四、非監督式學習(Unsupervised Learning)

非監督式學習的特色在於訓練過程中只需提供輸入資料，如圖 3.6 所示，網路依輸入資料的特性自行學習及調整權重，自組織映射圖網路 即屬於此類。這種學習方式通常用於聚類的問題，在訓練時輸入變數藉 由學習法找出聚類的規則，當有新的輸入資料輸入時可判斷該筆輸入資 料所屬的類別。

圖 3.6 非監督式學習演算法 資料來源：本研究整理