類神經網路輔助系統

  在上節中，描述一個典型專家系統的組成與建構的程序，以本研究 為主軸，是屬於一個法則式推論的專家系統，在建立法則之過程，雖然 有許多橋梁安全評估領域之專家參與，但是亦不容易建構完整之法則來 涵蓋所有橋梁安全檢測所需要的推論結果，從上述圖 2.1‐3 可以看出，

它將是一個不斷修正的循環過程，期間可能需要調整知識的表達結構或 是修正推論法則等等，經過逐一地修正，以求得讓推論的結果能接近專 家評估的水準。 

  為強化專家系統推論的能力，除了由專家與知識工程師共同建立的 法則知識庫外，亦可以藉由類神經網路技術的輔助，將一些專家已完成 評估的案例(或稱為範例)，經由類神經網路的分析與學習，建立以類神 經為核心輔助推論的知識庫。 

人工神經網路(Artificial Neural Network，縮寫 ANN)，簡稱類神經網 路(Neural Network，縮寫 NN)，類神經網路仿照真實神經的網路關係與 結構，建立一套數學模型，類神經網路是由許多神經元連結而成，並仿 照神經網路訊息傳遞的方式進行計算(參考圖 2.2-1 所示)。

  圖 2.2-1 類神經元模型

類神經網路是一個計算模型，神經元包含輸入變數(X)、輸出變數(Y)、

處理單元(



利用此數學模型，可以用來處理輸入和輸出間複雜的關係，或用來探索 數據的模式。

∑ ... 公式 2.2-1 其中： 

Y_j：摸擬神經元輸出的訊號。 

f：轉換函數(Transfer function)，將處理單元輸入值加權乘積和，

轉換為處理單元輸出值的數學公式。 

X_i：摸擬神經元輸入的訊號。 

W_ij：模擬突觸強度功能的連結加權值。 



類神經網路由「神經元」或「單元」和之間相互聯接構成，每個節 點代表一種特定的輸出函數，或稱激勵函數(Activation Function)。每兩 個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重 (Weight)，這相當於類神經網路的記憶，這此權重是由訓練類神經網路 計算而求得，這些權重的組成又稱為矩陣式知識庫。網路的輸出則依網 路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是 對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達 (參考：http://zh.wikipedia.org/wiki/人工神經網路)。

類 神 經 網 路 通 常 是 通 過 一 個 基 於 數 學 統 計 學 類 型 的 學 習 方 法 (Learning Method)得以求得矩陣式知識，所以類神經網路也是數學統計 學方法的一種實際應用，此種方式與 2.1 節所陳述之法則式專家系統不

2、容錯(Fault Tolerance)特性：

類神經網路在操作上具有很高之容錯性，如果輸入資料混雜少許雜 訊干擾，仍然不影響其運作之正確，即使部份的神經元失效，仍能照常 運作，求得一定精準程度的解。 

3、結合式記憶(Associative Memory)的特性：

又稱為內容定址記憶(Content Addressable Memory)，它可以記憶曾 經訓練過的輸入樣式以及對應的理想輸出值。我們只要給予一部份的輸 入資料，便可以得到全部的輸出資料，並且可以容忍一定程度的輸入錯 誤，就像人類只要看到某一部份的影像，就可以回憶起全部的影像。

4、解決最佳化(Optimization)問題：

利用神經元間連結所組成的類神經網路，當隱藏層愈多時，代表神 經元間的連結相對複雜，其相對處理的也是一個較無法用演算法所表達 的數學模型，常用來求解較無法用演算法表達的最佳化求解問題。 

5、超大型積體電路實作(VLSI Implementation)：

類神經網路是由神經元連結而成，其特性與電路元件連結的原理相

層節點間多了一層或多層的隱藏層(Hidden Layer)，即輸入節點沒有直接 接往輸出節點，每一個隱藏層由多個神經元組成，各層神經元的組成方 式與閥值等，則需要利用演算法來調整節點與節點的加權及節點本身的 偏移量等。例如倒傳遞訓練演算法(Backpropagation Training Algorithm) 的基本精神，在於使輸出層之實際輸出值(Actual Output)和希望達到的 期望(Desired Output)之間的平均平方差(Mean Square Error)達到最小，使 整個網路的加權，儘可能朝向所希望的目標值調整。像橋梁檢測評估這

權重所建立的數值矩陣，雖然它不比法則容易理解與閱讀，但是對於一 些法則不夠明確或是法則不夠完整的領域問題確是一個可行的解決方 案，比較圖 2.1‐2 的專家系統，可以看出知識庫建立的方式完全不同，

一個是由專家與知識工程師透過對話，由知識擷取介面建立的法則知識 庫；而另一個則是由範例學習而成。 

  在表 2.2‐1 中比較專家系統與類神經網路特性之不同，可以擷取其應 用時機與特性，整合在本研究中，本研究擬以法則推論為主，而以類神 經網路為輔，當專家逐步建立法測的過程中，可以藉由類神經網路協助，

找到一些未定義清楚的法則，或是建立知識庫的盲點，另外一些法則判 斷的門檻值亦可以藉由類神經網路找到合理的參考值，以達到整合應用，

相輔相成之效果。 

圖 2.2-3 以類神經網路為基礎的專家系統架構(參考：葉怡成，2009)

定應用領域之後，接著定義輸出層、輸入層及隱藏層。在法則推論專家

的評定，所以其工程亦不小。 

  圖 2.2-4 主梁耐用性評估架構

  圖 2.2-5 以類神經網路模擬之主梁耐用性評估架構