臺灣博碩士論文加值系統

近年來由於類神經網路具有顯著的學習能力，其學習演算法已廣泛應用於各領域中，然而傳統學習演算法具有區域解之問題，常易導致較差的學習品質之缺失，因此利用最佳化數學理論方法，改善倒傳遞網路收斂品質成為熱門研究課題。目前以最佳化全域或區域收斂解為主要探討之課題，研究顯示，在全域最佳解之求解上，大洪水演算法與模擬退火法可避免區域解且有最佳與穩定的績效，因此本研究以類神經網路之架構為核心，結合全域最佳搜尋演算法，以改善倒傳遞網路學習演算法效率不佳的缺點。
在事故救援資源指派處理上，目前係以資源指派決策人員根據過去處理經驗，直接以人為方式判斷救援資源指派之需求，以致常發生指派救援資源與設備和預期不符的現象，需要經由資源重覆指派方能達成事故需求。事故救援資源指派之處理，目前國內雖無倒傳遞網路學習演算法應用之實例，然而由於倒傳遞網路演算法可以經由學習長時期實際事故救援資源指派之處理經驗，建立事故資訊與救援資源指派決策之對映關係，以應用於監督學習高速公路事件處理之最適資源指派問題上，可提昇未來高速公路事件救援處理效率。
經本研究分析，可得到下列之具體結果：
1.大洪水類神經網路與模擬退火類神經網路於隱藏層結點數較少之
網路架構下，對於收斂速度與品質方面之改善，確實優於傳統類神
經網路之學習機制。
2.修正之類神經網路於單一事件的救援資源數量指派，可產生80%以
上之準確率，由此可見類神經網路對於須針對不同事件屬性產生不
同資源需求之事件管理，確實能夠有效預測。
3.利用較有效率之線性搜尋演算法可使網路收斂速度較為快速，因此
配合有效率之跳離機制對於傳統類神經網路收斂速度緩慢及收斂值
可能較差之缺失能夠有所助益。
4.由於現今高速公路事件之管理由於並無一套較有效率，且能夠反應
個別事件實際狀況之自動化識別機制，利用類神經網路學習舊事件
之方式，以自動產生判斷決策之方式，因應未來實際之需求，實是
良好之決策機制。

Due to the significant learning ability, the Neural Network algorithm has been applied to all kinds of domains recently. However, the existence of local optimal points, using global searching algorithm to improve the performance for Back Propagation Network (BPN) becomes a common research topic. The investigation declared that Threshold Accepting (TA), Great Deluge Algorithm (GDA) and Simulated Annealing (SA) have better performance in solving problems with local optimal points. So, this study employs architecture of Neural Network as the kernel and combines with global optimization search algorithm to improve the performance of traditional BPN algorithm.
Regarding the allocation process of rescue resources, the quality of current resource assignment processes is depended upon dispatcher’s work experiences. In usual, the assignments are completed by hand and responses must be made right away, so it's easy to happen the mismatches of the resource allocation in turn the needs of extra efforts for re-allocation. Although there is no any application instance of BPN in Taiwan now, using BPN can easily establish the mapping relations between accident information and the work load for the resource allocation.
From this study, we can draw a few significant results as follows.
1.With fewer nodes, TA, GDA and SA have better performance
in convergence for problem learning mechanism than the
traditional Neural Network algorithm.
2.For single event, the modified algorithm has accuracy in
average more than 80%.
3.To cope with the local optimal points and improve
inferior solution, the global optimal search algorithm
can improve the quality of convergent solution and save
computation time.
4.Due to the ineffective incident management procedures,
the needs to develop an automatic identification
surveillance system using self learning BNP algorithm for
incident management are the urgent task.

第一章 緒論
1.1 研究背景與動機………………………………………………1
1.2 研究目的………………………………………………………3
1.3 研究範圍………………………………………………………4
1.4 研究方法與流程………………………………………………5
第二章 文獻回顧………………………………………………………7
2.1 倒傳遞網路……………………………………………………9
2.1.1 轉換函數型式與目標函數……………………………………10
2.1.2 倒傳遞網路最佳化搜尋方法…………………………………11
2.2 全域最佳解搜尋法……………………………………………14
2.3 高速公路事件之救援與管理…………………………………15
2.3.1 國內事件救援指派之現況……………………………………16
2.3.2 美國事件救援指派之現況……………………………………17
2.3.3 高速公路緊急應變管理決策系統……………………………18
2.3.4 救援資源管理決策系統………………………………………20
2.4 小結……………………………………………………………21
第三章 改良型之類神經網路模式
3.1 類神經網路演算法……………………………………………22
3.2 線性搜尋最佳化方法…………………………………………29
3.2.1 近似牛頓法……………………………………………………30
3.3 模擬退火演算法………………………………………………33
3.4 門檻接受法……………………………………………………36
3.5 大洪水演算法…………………………………………………37
3.6 改良式倒傳遞網路模式………………………………………39
3.6.1 改良式倒傳遞網路模式之測試………………………………45
3.6.2 小結……………………………………………………………64
第四章 救援資源指派實例分析………………………………………69
4.1 救援資源指派資料蒐集與分析………………………………72
4.2 救援資源指派模式之學習階段………………………………77
4.3 救援資源指派模式之測試階段………………………………89
第五章 結論與建議……………………………………………………101
5.1 結論……………………………………………………………101
5.2 建議……………………………………………………………102
參考文獻…………………………………………………………………103

吳耿毓，民國八十五年六月，類神經網路應用於自動化高速公路匝道儀控
之研究，國立成功大學交通管理科學研究所碩士論文。
徐君豪，民國八十七年六月，全域工程最佳化之模擬退火法，淡江大學機
械工程學系碩士班碩士論文。
高速公路交通管制規則，民國八十八年二月，交通部台灣區國道高速公路
局。
淡江大學，民國八十八年，高速公路事故救援指揮體系與救援路線規劃之
研究，交通部台灣區國道高速公路局。
梁定澎，民國八十年十二月，決策支援系統，松岡電腦圖書資料股份有限
公司。
陳國清，民國八十七年六月，GDA與RRT啟發式解法在VRP問題上之應用，
國立交通大學交通運輸研究所碩士論文。
張吉祥，民國八十四年六月，類神經網路學習演算法收斂之改良與評估及
在結構工程之應用，國立交通大學土木工程研究所碩士論文。
葉怡成，民國八十二年，類神經網路模式應用與實作，儒林圖書，初版。
葉怡成等，民國八十一年四月，專家系統方法應用與實作，全訊資訊圖書
股份有限公司。
道路交通事故處理規範，民國八十六年十一月，內政部警政署。
趙崇仁，民國八十五年六月，應用類神經網路鑑別高速公路危險路段之研
究，國立中央警察大學警政研究所碩士論文。
韓復華、陳國清，民國八十五年，成本擾動法(NM)與 兩極跳躍法(FF)在
TSP問題應用之研究，國立交通大學運輸工程與管理學系畢業專題研
究報告。
嚴紀中等，民國八十八年六月，管理資訊系統：理論科技實務與應用，松
岡電腦圖書資料股份有限公司。
Alexander G. Parlos et al. “An Accelerated Learning Algorithm
for Multilayer Perceptron Networks,” IEEE Transactions on
Neural Networks, V.5, No 3, pp.493-497, 1994.
Barnard, E. and Holm, J.E.W. “A comparative study of
optimization techniques for backpropagation,”
Neurocomputing 6, pp.19-30, 1994.
Battiti, Roberto. “First and Second-Order Method for
Learning:Between Steepest Descent and Newton’s Method,”
Neural Computation, V.4, pp.141-166, 1992.
Bazaraa, Mokhtar S. and Shetty, C.M. “Nonlinear Programming
Theory and Algorithms.” John Wiley & Sons, 1979.
Charon I. and Hudry, O., “The Noising Method: a New Method for
Combinatiorial Optimization,” Operation Research Letters,
Vol. 14, No. 3, pp.133-137, 1993.
Dueck, Gunter and Scheuer, Tobias, “Threshold Accepting: A
General Purpose Optimization Algorithm Appearing Superior
to Simulated Annealing,” Journal of Computational Physics
90, pp.161-175, 1990.
Dueck, Gunter. “New Optimization Heuristics: The Great Deluge
Algorithm and the Record-to-Record Travel,” Journal of
Computational Physics 104, pp.86-92, 1993.
Groot, Class de and Wurtz, Diethelm. “Plain backpropagation
and advanced optimization algorithms:Acomparative study,”
Neurocomputing 6, pp.153-161, 1994.
Gu, J. and Huang, X., “Efficient Local Search With Search
Space Smoothing: A Case Study of the Traveling Salesman
Problems (TSP),” IEEE Transaction on Systems, Man and
Cybernetics, Vol;.24, No. 5, pp.728-736, August, 1994.
Hirose,Yoshio, Yamashita, Koichi and Hijiya, Shimpei. “Back-
Propagation Algorithm Which Varies the Number of Hidden
Unit”, Neural Networks, Vol. 4, pp.61-66, 1991.
Jacobs, Robert A. “Increased Rates of Convergence Through
Learning Rate Adaptation,” Neural Network, V.1, pp.295-
307, 1988.
Mannering, Fred. Hallenbeck, Mark. And Jodi, Koehne.
“Framework For Developing incident Management Systems,”
Washington State Department of Transportation, 1991.
Metropolis, N, Rosenbluth, A. Rosenbluth, M., Teller A. and
Teller, E., “Equation of State Calculations by Fast
Computing Machines,” Journal of Chem. Physics, Vol. 21,
pp.1087-1092, 1953.
Ozbay, Kaan and Kachroo, Pushkin, “Incident Management in
Intelligent Transportation Systems,” Arrech House
intelligent transportation systems library, 1999.
Reiss, Robert A. and Walter M. Dunn, Jr. “Freeway Incident
Management Handbook,” Office of Traffic Operations & IVHS
Federal Highway Administration, July, 1991.
Wang, Jin. and Jean, Jack. S. N. “Weight Smoothing to Improve
Network Generalization”, IEEE Transaction on Neural
Networks, Vol. 5, No. 5, September 1994.
Weir, Michael K. “A Method for Self-Determination of Adaptive
Learning Rates in Back Propagation,” Neural Network, V.4,
pp.371-379, 1991.