類神經網路

類神經網路為處理非線性複雜問題的一種良好工具，本章將先對 類神經網路的理論和概念做一介紹。首先第一節將先介紹類神經網路 的基本理論與架構，第二節則是主要介紹人工神經元的模型，以及簡 略的概述人工神經元和生物神經元的異同，最後再介紹本研究所使用 的類神經網路類型。

3.2.1 類神經網路之基本理論

類神經網路是指模仿生物神經網路而成的資訊處理系統，其原理 為大量的使用簡單且相連的人工神經元來模仿生物特有的學習能力，

故類神經網路就像生物大腦內的神經系統一樣有自行修正學習的特 性，且具備大量處理平行運算及擅長於傳統電腦缺乏的圖樣辨認能力、

加上對系統錯誤的容忍(Error Tolerance)及自適應性(Adaptive)等多項 優點，故在今日被廣泛的應用於真實世界的複雜問題中。類神經網路 的基本架構包括，如圖3-3 所示：

1. 輸入層(Input Layer)：供訊息輸入的層，神經元數量依題目而定。

2. 輸出層(Output Layer)：供訊息輸出的層，神經元數量依題目而定。

3. 隱藏層(Hidden Layer)：提供各種數學模型以處理資料的部分，包 含線性與非線性關係。

4. 結點(Node)：結點即等同於生物腦內的神經元，可接受外在訊息，

輸入訊息經過結點的各種值及函數計算後，再將新的訊息輸出到 下個結點。

5. 權值(Weight)：用於表示結點間互相重要程度的值，會隨著結點關

27

係改變而改變。

6. 門檻值(Threshold Value)：存在於結點上的函數，用來過濾每個結 點上輸入的訊號。

7. 激發函數(Activation Function)：同樣存在於結點上的函數，不過激 發函數是預先設定好的，且在每一個結點上皆相同，主要目的為 將訊號轉換後輸出。

3.2.2 人工神經元模型

人工神經元即是一種模仿生物神經元的模型，在此先簡述生物神 經元的構造，若以人類為例，人類的大腦中約有數百億個神經元細胞，

其細胞間藉由神經纖維相互連結，並經由神經脈衝以類似電碼的方式 來傳遞訊息，生物神經元的構造大致可分為神經核、突觸、樹突、軸 索等部分，如圖3-4 所示，樹突為呈樹枝狀的組織，其為生物神經元 的輸入結構，經由突觸可從其他神經元獲得訊息，而軸索則是神經細 胞的輸出結構，其可將訊息傳遞到其他的神經細胞，當神經網路在進 行學習時，外界刺激神經細胞所產生的電流會去改變突觸上的權重，

而在學習的過程中外界刺激所產生的電流反覆在網路上的流動，突觸 的權重也隨之改變，最後趨向於穩定後即表示學習完成。而一個人工 的神經元為了有模仿生物神經元的能力，其構造包括結點、權值、門 檻值和激發函數，如圖3-5 所示，輸入的訊號藉由權重關係各自加權 後進入人工神經元的結點，此時進入的訊號將透過門檻值先過濾，繼 而再經由激發函數轉換後輸出至下結點。這樣的關係可用下列公式表 示：

∑ (3-45)

28

(3-46) 符號說明：

第j 個節點與上一層第 i 個節點連接的權值 上一層第i 個節點的輸出值

結點的門檻值

第j 個節點的輸出值 激發函數

3.2.3 本研究使用之類神經網路類型

本研究所使用的類神經網路模式為前饋式倒傳遞(Feed-forward backprop)，前饋式為神經元分層排列，每層只接受前一層的輸出當作 輸入者，而倒傳遞為目前最常用也最具代表性的一種類神經網路，基 本原理為利用最陡坡降法(The gradient steepest descent method)將誤差 最小化，而其餘的函數設定如下：

1. 訓練函數：L-M 優化演算法(TRAINLM) 2. 學習函數：動量梯度下降法(LEARNGDM) 3. 表現函數：均方誤差(MSE)

4. 轉讓函數：雙彎曲正切函數(TANSIG)

本研究的類神經學習模式為監督式學習，監督式的訓練需要事先 知道目標向量，輸入向量和目標向量兩者稱之為一個訓練對，一個類 神經訓練經常需要很多的訓練對，當輸入向量進入時，就可以計算出 網路的輸出並與目標向量比較，計算兩者之間的誤差，此誤差會往前 一層一層的傳遞，網路會依某種學習法來調整以達到誤差最小，計算 全體誤差總和直到收斂至最佳結果為止；而對於相對的非監督式訓練

29

(Unsupervised learning)則是不需要目標向量，訓練資料純粹是由輸入 信號組成，訓練法則是修正網路權衡以產生一致的輸出向量，所謂一 致的輸出向量是不論輸入訓練向量或接近訓練向量都會得到相同的 輸出量向，此種訓練方式是將訓練資料及其統計性質相近的向量歸為 一類，但在訓練之前無法得知該訓練資料會產生怎樣的輸出向量，而 是以分類的方式，將某一類的訓練資料輸入而得到某一個輸出向量。

本研究的類神經架構如圖 3-6 所示，架構共有輸入層、隱藏層、

及輸出層各一層，輸入層有六個神經元，分別為構架在某種程度損壞 下六層樓各自的頻率函數反應值，而輸出層有六個神經元，分別為構 架在某種程度損壞下六層樓各自的勁度損失量，隱藏層有十個神經元，

十個神經元為測試之後的最佳結果。而整體網路的訓練類型和模式就 如同前之所述，希望藉此來建立結構健康監測系統的輸出資料和損壞 程度之間複雜的關係，使系統的建置更加完整。

30