3. 研究方法
3.3 Artificial Neural Network (ANN)
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
16
【圖 3-5】EEMD 拆解 Input 的結果5
【圖 3-5】為同樣的 Input 經由 EEMD 拆解後的 IMFs 結果，可看出 EEMD 比 EMD 更有效地拆解出隱含在 Input Data 內的高頻振動模式，解 決了 mode mixing 問題，而 Zhang, Lai, Wang(2008)這篇文章利用 EEMD 方 法分析輕原油價格走勢，有提到在實證中，ensemble number 的值都設為 100，signal-noise ratio 的值都設為 0.1 或 0.2，本文就引用此篇論文的參數 設定值來拆解台股加權指數的走勢。
3.3 Artificial Neural Network (ANN)
類神經網路是一種計算系統，由許許多多的人工神經元聯結所組成 的，而人工神經元則是最基本的類神經網路單元，又可稱它為處理單元
5 圖 3-5 的參考資料來源：Ensemble Empirical Mode Decomposition :A Noise-Assisted Data Analysis Method, Huang and Wu, 2009
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
17
(processing element)或節點 (node)，用來處理資訊並對外部的輸入以網路 動態來回應。
類神經網路具有三層：輸入層、隱藏層、輸出層，如下圖所示，每一 個節點都是獨立地進行運作，可視為一個單獨的處理器，而且這些處理器 都是以並行方式運作的。
【圖 3-6】類神經網路架構圖6
類神經網路可視為一個黑盒子，經由輸入層的所有節點來輸入訊號，
透過層與層之間各節點的相互聯接關係(權重連結)來作訊號的處理，而且 整個處理過程對我們而言是隱藏的，且將最終處理結果由輸出層傳出，【表 3-2】列出各層的功能：
6 圖 3-6 的參考資料來源：類神經網路 – MATLAB 的應用，羅華強編著(2005)
處理單元或節點
輸入 輸出
輸入層 隱藏層 輸出層
權重連結
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
18
層 功 能
輸入層 從外面接受訊號並將此訊號輸入類神經網路中，以方便進行訊 號處理
隱藏層 接受輸入層的訊號，對訊號進行處理，然而整個訊號處理過程 對網路使用者來說是隱藏的，猶如一個黑盒子
輸出層 接受網路處理後的訊號，並將結果輸出
【表 3-2】各神經層的功能
在類神經網路中，訊號處理過程是以數值方式來進行的，網路可以儲 存訊號，而且所儲存的資訊是數值型態的，因此，類神經網路可以用來做 為多變數經驗建模的工具。
神經元為一個類神經網路最基本的元素，所以我們必需了解到神經元 的運作流程，下圖為單一神經層有多個神經元的運作流程圖：
【圖 3-7】單一神經層多個神經元的運作流程圖7
7 圖 3-7 的參考資料來源：類神經網路 – MATLAB 的應用，羅華強編著(2005)
P1
P2
P3
PR
輸入端
Σ F
神經層
W1,1
WS,R
N1 A1
Σ
Σ
b1
b2
bS
F
F
N2
NS
A2
AS
A=F(W·P+b)
‧
‧
經層層數為三層(Shaikh A.Hamid, Zahid Iqbal,2004)，其運作流程圖如下：【圖 3-8】三層神經層多個神經元的運作流程圖8
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
22
第 3 層：Purelin(線性轉換函數)
第 1 層與第 2 層的轉換函數是被廣泛運用的雙彎曲函數，而第 3 層的 轉換函數使用線性函數，是要利用線性組合的方式將所有輸入至類神經網 路模型模擬預測的結果加總。
本文所使用的類神經網路模型為前饋式倒傳遞類神經網路，屬於監督 式學習網路，給予的模擬訓練資料中包含輸入資料和目標資料，藉此訓練 網路，學習出規則，並進一步預測新的輸入資料的輸出結果，下圖為前饋 式倒傳遞類神經網路運作流程圖：
【圖 3-9】倒傳遞類神經網路流程圖 a
n 0
1
-1
n a
輸入向量
類神經網路
輸出向量
計算誤差
輸出結果 目標向量
調 整 權 重