張斐章臺灣大學：生物環境系統工程學研究所林永堂Lin, Yung-TangYung-TangLin2007-11-272018-06-292007-11-272018-06-292004http://ntur.lib.ntu.edu.tw//handle/246246/56113類神經網路能辨識複雜的輸入與輸出間非線性關係，為一新穎的科學技術。本研究以輻狀基底函數類神經網路來架構集水區降雨－逕流模式。在訓練輻狀基底函數類神經網路過程中分為兩階段，前階段以垂直最小平方法(OLS)決定隱藏層中輻狀基底函數之個數及其中心位置；後階段以序率坡降法(SGA)推求網路隱藏層與輸出層之參數(包含基底函數之中心點位置、寬度值及連結權重)。OLS演算法能有系統地從輸入向量中挑選出影響推估結果最大的輸入資料當作隱藏層的神經元，既能決定隱藏層的神經元個數又能給予其初始點，並解決一般分類方法中使用者在試誤法上面的時間耗費；而SGA則利用最陡坡降法的概念，以推估的誤差修正網路之參數。在本研究中，先以傳統的傅立葉函數與混沌時間序列來驗證OLS搭配SGA之輻狀基底函數類神經網路(RBFNN)，結果顯示其具有其良好的推估能力與準確性；為了進一步研究模式的應用性，以蘭陽溪降雨-逕流資料為例，並與倒傳遞類神經網路(BPNN)進行比較，結果顯示輻狀基底函數類神經網路比倒傳遞類神經網路有更好的表現，輻狀基底函數類神經網路不僅能有效地架構蘭陽溪降雨－逕流模式，且能夠精確推估推估下一時刻與下二時刻的洪水事件。Artificial neural network (ANN) is a state of arts technique that is capable of identifying complex non-linear relationships between input and output data without understanding the mechanisms of system. In this study, the Radial basis function neural network (RBFNN) is used to model the rainfall-runoff process. The training process in RBFNN includes two phases. In the first phase, Orthogonal Least Squares (OLS) is used to determine the number and the center of radial basis function in the hidden layer. In the second phase, the parameters in radial basis functions and the connected weights between the hidden layer and output layer are determined by Stochastic Gradient Approach (SGA). The OLS algorithm can systematically identify effective input data and then set them to be the nodes of hidden layer, so that the time-consuming trial-and-error procedure can be relieved. In the second phase, SGA algorithm is used to search optimal parameters of the network. The proposed RBFNN is first verified by using a theoretical Fourier function and a chaotic time series. The results show that the model has great ability and high accuracy in simulation and/or estimation the theroretical cases. . To further investigate the model’s applicability, the Lan-Young River is used as case study. The Back propagation neural network (BPNN) is also performed for the purpose of comparison. The results demonstrate that the proposed RBFNN has much better performance than the BPNN. The RBFNN not only provides an efficient way to model the rainfall-runoff process, but also give precise one-step and two-step ahead flood forecasts.章節目錄 摘要 I ABSTRACT II 章節目錄 IV 表目錄 VII 圖目錄 VIII 第一章 序論 1 1.1研究動機 1 1.2論文架構 2 第二章 文獻回顧 4 2.1類神經網路發展史 4 2.2 RBFNN的相關文獻 5 2.3 類神經網路於水文預測上的應用 5 第三章 理論概述 7 3.1 類神經網路概述 7 3.2 類神經網路的學習方式 8 3.3 輻狀基底函數類神經網路概述 9 3.4 輻狀基底函數類神經網路架構 10 3.5 垂直最小平方法 12 3.6 序率坡降法 18 3.7 函數驗證 20 3.7.1 正餘弦相乘之函數 21 3.7.2 混沌時間序列 27 第四章 研究案例 32 4.1 蘭陽溪區域概況 32 4.2 模式架構 34 4.2.1 RBFNN與BPNN之架構 34 4.2.2 輸入資料的處理 34 4.2.3 評比指標 35 4.3 研究成果 36 4.3.1 下一時刻流量推估 36 4.3.2 下二時刻流量推估 51 第五章 結論與建議 61 結論 61 建議 62 參考文獻 64 附錄 71 附錄一水資源資訊系統研究室相關類神經網路之碩博士論文 71 附錄二水資源資訊系統研究室相關類神經網路之國外期刊 72 附錄三水資源資訊系統研究室相關類神經網路之國內期刊 73660286 bytesapplication/pdfen-US垂直最小平方法類神經網路序率坡降法倒傳遞類神經網路輻狀基底函數類神經網路降雨－逕流模式Radial basis function neural networkBack propagation neural networkOrthogonal Least SquaresStochastic Gradient ApproachRainfall-runoff modelArtificial neural network (ANN)thesishttp://ntur.lib.ntu.edu.tw/bitstream/246246/56113/1/ntu-93-R91622029-1.pdf