Gypsum 0.90
Paint 0.90–0.95
Clay 0.95
Brickearth 0.93
資料來源：Proc. Estonian Acad. Sci. Eng., 2007
於建築物使用熱影像的一個基本條件是建築內外要有 20°K 以上的溫度差異。而有的文獻中認為 10°K 即可。這意味著建築 物是否合理的檢查，必須要考慮建築內部的溫度，外部風，雨，
雪或太陽等大氣條件，以及建築本身外牆條件(如通風)都會影 響曝光的結果。雖然很多檢測案例，都可於外部呈現熱橋現象，
而內部則是相反的呈現明顯的冷橋現象。尤其是寒冷地區明顯
地出現在牆上、閣樓轉換、地板角落或是窗框等處；若是設置 加熱地板和牆壁上加熱器，更是明顯的可以紅外線熱影像檢測 出來，其位置和長度都可準確的決定。此外，還可以檢測出洩 漏或堵塞的加熱系統，或者絕緣不良、表面抹滿灰漿的隱藏木 製框架11。
任何物體在加熱後，可用紅外線熱影像儀予以拍攝，建築 物或是結構體的缺陷，例如粉刷或馬賽克的剝離，或是混凝土 脫層可觀察得到放射出不同數量的紅外線輻射。如果混凝土沒 有缺陷，紅外線照相機看到的混凝土，將出現相當一致的表面 顏色和機理。但是，如果有任何的裂縫或混凝土表面脫層，而 太陽所照的這些區域將增熱得很快，熱點也會在熱影像紀錄中 觀察到，這些區域因此可以更近地檢查，並且可在結構上作記 號以供顯著識別和進一步的調查。這個方法已經證明是作為快 速評估的大型建築物，特別是高層公寓大樓最有效的偵察工具 如圖 2-4。
圖 2-4 香港建築物的外牆紅外線熱影像檢測對照圖 資料來源：NDT&E International 34 (2001)
左圖照片右邊是它正在修理的部分，左邊剩下的就是沒有 註記，不需要修理的部分。右圖電腦增強的熱影像。建築物的 牆已經呈現嚴重破損，這可以從熱影像左邊暗區看得出來，右 下則是最近完成修理的區域。
熱影像相機拍攝的圖片是被鑑識程序所承認的12，因為它們 提供了草率營建工程的明確證據。營造公司也從中受益，因為 他們也可以在重建舊建築物之前，先拍攝重要的區域，以便設 計目標構造的施工措施。
第四節第四節
第四節第四節 類神經網路與類神經網路與類神經網路與 MATLAB類神經網路與MATLABMATLABMATLAB 一、基本概念與起源
所謂「類神經網路」（Neural Network）就是一種平行計算 系統，使用大量相連的人工神經元來模仿人類腦神經網路的能 力；由於 1910 年代神經電化學 E.D.Adrian 的實驗發現，「當外 界給予神經細胞足夠的刺激電流時，神經細胞便會放出電流脈 波。這種電流脈波，大多具有相同的強度，其放射頻率則與外 來刺激電流的強度成正比」13，這種學說正是後來人工神經元模 型建立的起源。
人工神經元的學習規則，是 1949 年 Hebbian 所提出的。他 指出「當人腦在學習不同事物時，每個腦細胞的聯結都隨時在 改變，如果一個腦神經細胞受到另一個腦神經細胞連續的作用 時，其間的聯結力量就會增強」。實際上人腦的神經細胞是否如 此運作還沒有定論，但在人工的類神經網路研究上，卻是以此 為基礎。
1.生物神經元
下圖為與人類神經細胞類似的水蛭動物神經細胞，只是相 互間節點較少。
圖 2-5 典型神經細胞結構圖
資料來源：《類神經網路與模糊控制理論入門與應用》，2006
每個神經元都是訊息的處理單元，主要由：(1)神經細胞 核、(2)神經軸、(3)神經樹、(4)神經節所構成，依序說明如下
15：
(1) 神經細胞體
細胞體是神經元的主體，包含細胞核、細胞質及細胞膜三 部分，是神經元活動能量提供的地方，也是進行新陳代謝等各 種生化過程的場所。
(2) 神經軸
又稱為軸突，由細胞體向外伸出最長的一條分支，即神經 纖維，相當於訊號的輸出線路，其端部的神經末梢用途為訊號 輸出端子，用來傳遞神經脈衝。
(3) 神經樹
又稱為樹突，從細胞體向外延伸出許多突起的神經纖維，
神經元的神經樹分為輸出及輸入神經樹，接受其他神經元的輸 入訊號，或輸出訊號至其他神經元，相當於神經元的輸出入機 構。
(4) 神經節
又稱為突觸，神經元之間藉由神經元的神經樹末梢和其他 神經元的神經樹末梢進行通訊連接，亦即為神經元間的輸出輸 入接口；神經節是神經網路的記憶體，用來表示神經細胞間的 聯結強度，若以一數值表示，則稱之為加權值。
二、類神經網路模型 1.人工神經元模型
人工神經元運作模式大約是如神經細胞透過神經樹輸入脈 衝訊號後，透過細胞核的加總及非線性訊號轉換，產生一個新
的訊號。如果這個訊號夠強，新的訊號將會透過神經軸傳到神 (sigmoid)、雙曲線正切函數(hyperbolic tangent function)、
高斯徑向基函數等。這些函數絕大部分的共通性，即當輸入值
上述三種常用非線性轉換函數實際使用時，於二進位系統 時，大都使用硬限值函數(兩值函數)。而類神經網路應用在連 續系統時，則較常使用雙彎曲函數、雙曲線正切函數，因為此 二者方便以微分或積分方式進行關係式的推導14
三、類神經網路的結構
人腦因有大量的生物神經細胞聯結，而成為高等智慧生 物。同樣的如果將大量人工神經元以適當的聯結方式(拓墣)，
構成群體平行處理的運算結構，則就是人工神經網路，亦即類 神經網路。一般類神經網路為兩大類15：
1.分層網路：
分層網路又稱為前授型網路，係將一個神經網路模型中所 有神經元依其功能，一般分為一層的輸入層、若干的隱藏層，
即一層的輸出層，各層依序聯結；又可細分為單純的前向網路、
具有回饋功能的前向網路，以及各層內神經元可互聯的前向網 路，最具代表性的是倒傳遞網路(Back-propagation net)。
圖 2-7 倒傳遞分層網路
資料來源：《類神經網路與模糊控制理論入門與應用》，2006 2.互聯網路：
圖 2-8 霍普菲爾分層網路
資料來源：《類神經網路與模糊控制理論入門與應用》，2006
互聯網路又稱為回歸型網路，是指網路中任意兩個單元之 間都是可以傳遞訊號，即存在連結路徑。又可分為部分互聯和 全部互聯。這種類型最著名的是霍普菲爾(Hopfield)網路。
四、類神經網路的運作 1.無監督式學習
此一學習方式，為一記憶的過程，從外部輸入的範例以一 定的學習規則來調整網路中神經元與神經元間的聯結加權值，
形成「記憶」的範例。之後，如果輸入不完整資訊時，會依最 接近的條件反射，產生對應的輸出。
2.監督式學習
監督式學習過程同時要求提供輸入及正確的目標輸出值，
網路會依據二者的差，反覆調整網路的連結加權值，使得網路 最後的實際輸出與目標輸出值越接近越好。
五、類神經網路的分類
類神經網路依照結構、功能、學習法則以及網路進行分類 為15：
1. 感知機神經網路：
感知機是最古老的類神經網路，最簡單的只有單層，利用 兩值函數作為轉換函數，適用於簡單的線性二類劃分問題。但 因不具學習能力，現在已很少使用。
2. 線性類神經網路：
單層結構的神經網路，利用線性函數作為轉換函數，適用 於數據的擬合與逼近方面的應用。
3. 倒傳遞類神經網路（Back-propagation Neural Network BP）： 是目前應用最廣泛的類神經網路，具多層的網路結構，含 有一或多層的隱藏層；BP 類神經經網路應用 Widrow-Hoff 學習 演算法所規定的最陡坡降法，反覆調節網路的加權值及偏權 值，使輸出值最後得以與目標值越來越接近。尤其利用非線性 轉換函數(Sigmoid)，使得 BP 類神經經網路能夠以任意的精度 逼近任何非線性函數。
4. 徑向基類神經網路（Radial Basis Function Neural Network RBF）：
徑向基類神經網路與倒傳遞類神經網路結構、學習過程類 似，主要的不同是的隱藏層是以高斯基底函數非線性轉換函 數，具有比 BP 網路更快的訓練速度，適用於即時控制的領域。
5. 競 爭 類 神 經 網 路 （ Radial Basis Function Neural Network RBF）：
這種網路類型的特點，是每個神經元之間的關係是相互競 爭的關係，競爭後產生的優勝者代表最適原型，因此非常適合 於模式分類的應用；常見的競爭型的類神經網路包括自組織映 射網路(Self-Organizing Feature Map, SOM)、學習向量量化 網路(Learning Vector Quantization, LVQ)等。
6.回饋類神經網路：
回饋類神經網路是一種回饋的動力學，網路中每個神經元 除了接收其他神經元的訊號外，也同時將本身的訊號輸出至其
他神經元中，網路型態可與電子線路對應。以圖 X-X 所示最基 本的或普菲爾網路(Hopfied)來說，可以看得出來是一種平行輸 入、平行輸出的網路架構，整個運作可分為學習範例的記憶過 程，以及求最佳解的聯想過程，適用於快速找到最佳化的問題。
7.隨機類神經網路：
所謂隨機類神經網路，即在網路中導入隨機的機制，使神 經元依機率原理運作，整個網路已依概率取得不同的網路狀 態，最典型的就是採用統計物裡的模擬退火算法進行訓練的 Boltzmann 模型。這種網路型態適用於解決組合最佳化的問題。
六 類神經網路的發展
類神經網路的發展開始於 1940 年代，至今己有 70 年，大 致分為三個階段14：
1. 20 世紀 50～60 年代－第一次研究熱潮：
1943 年，心理學家 McCulloch 和數學家 Pitts 共同提出了 神經元的數學模型，即 MP 模型，開創了神經科學理論研究的時 代。
1949 年，心理學家 Hebb 提出了神經元之間突觸聯繫強度可 變的假設，即改變種經元連接強度的 Hebb 規則，為神經網絡的 學習演算法奠定了基礎。
1957 年，Rosenblatt 提出感知機(Perceptron)模型，把神 經網路研究從純理論的探討付諸實踐。
1957 年，Rosenblatt 提出感知機(Perceptron)模型，把神 經網路研究從純理論的探討付諸實踐。