(3.239.159.107) 您好!臺灣時間:2021/03/08 20:39
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:吳志文
研究生(外文):Cei-We Wu
論文名稱:以類神經網路探討船舶事故之研究
論文名稱(外文):The research of accident of the vessel with Artificial Neural Networks
指導教授:林佐鼎林佐鼎引用關係
指導教授(外文):Tso-Ting Lin
學位類別:碩士
校院名稱:國立成功大學
系所名稱:交通管理學系碩博士班
學門:運輸服務學門
學類:運輸管理學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:81
中文關鍵詞:碰撞類神經網路擱淺沈沒
外文關鍵詞:sinkingGroudingCollisionArtificual Neural Network(ANN)
相關次數:
  • 被引用被引用:27
  • 點閱點閱:1307
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:413
  • 收藏至我的研究室書目清單書目收藏:16
摘要
  由於造船技術的進步,以及對貨物快速流通的要求,過去20年海上運輸產生巨大的變化,尤其是船舶噸位增加以及船舶的航速更快。從1960年到1980,油輪數量成長兩倍,油輪噸位成長七倍;快速的貨櫃船、化學船、天然氣船航行於公海之上與海上探油及探氣平臺被建於海上,使得海上交通流密度增加,船舶事故發生的機率也隨之上升。
  船舶事故提供一些有利於海上安全措施,特別是船舶、船員和貨物的安全。航管機構為減少海上碰撞事故的發生,輸入一些類別變數例如時間、季節、位置、天候、噸位、引水人等,使用類神經網路進行運算便能夠預測可能船舶事故型態。
影響類神經網路預測正確的因素很多,本研究將訓練與測試範例、輸入的自變數、隱藏層處理單元數、隱藏層的數目、學習法則、轉換函數、學習速率及慣性因子等因素陸續加入模型中,找出最佳的模型。在變數之選取上,本研究採用貢獻圖的概念,評估輸入層處理單元之影響性,選出較具影響之變數,其次利用多神經元編碼與單神經元編碼之方式,分別構建類神經網路模式,以比較兩者之間的異同。
本研究結果發現,以多神經元編碼的船舶事故型態,平均總正確率為85.78﹪(碰撞為96.55﹪、其他(擱淺,沉沒)為75.00﹪),以單神經元編碼的船舶事故型態,平均總正確率為72.41﹪(碰撞為94.83﹪、其他(擱淺,沉沒)為50.00﹪)。
Abstract
A considerable change in size and structure of marine traffic has taken place in the last two decades. This is mainly due to the jerky rise of cargo transport across the sea and new technical developments in the recent past. The number of tankers, for example, has doubled from 1960 to 1980 and their tonnage has increased sevenfold. New ship types have come into the world such as fast container ships and medium-speed vessels for the carriage of dangerous cargoes such as gas and chemical tankers. In addition, numerous structures for oil and gas production have been erected at sea which only serve to complicate marine traffic flow.With the growth of traffic density it has been assumed that the dangers of an accident would also increase.
Accidents serve as an operational measure of marine safety, and specifically the safety of vessels, crew, and cargoes. The ability of Neural Network to accurately predict the type of vessel accident with the categorical input variables of time, season, position, weather, pilot, tonnage, and traffic could significantly reduce marine casualties by alerting port authorities and navigation groups.
The performance of ANN model was affected by the elements including “training & testing set”, “input variable”, “hidden layer”, “learning rule”, transfer function”, and “momentum factor” ect. These elements were considered to develop the best ANN model. The variables were selected by the contribution graph approach, and the multiple neurons and single neuron ANN models were developed to compare the similarities & differences.
This reseach shows the types of vessel accidents correct rate can achieve 85.78﹪(collision 96.55﹪、others(grounding,sinking) 75.00﹪)for multiple neurons and 72.41﹪(collision 94.83﹪、others(grounding,sinking)50.00﹪)for single neuron.
目錄…………………………………….Ⅰ
圖目錄………………………………….Ⅴ
表目錄………………………………….Ⅵ
第一章 緒論………………………………….1
第一節 研究背景與動機………………….1
第二節 研究目的………………………….6
第三節 研究範圍與限制………………….8
第四節 研究方法與流程…………………….9
第二章 文獻回顧…………………………….12
第一節 海上交通事故及相關名辭定義……….12
第二節 國內外以統計方法在船舶事故之相關文獻之探討…….14
第三節 國內外有關類神經網路在交通運輸與肇事分析上之應用…….16
第三章 類神經網路理論基礎………………….18
第一節 類神經網路…………………………….18
3-1-1 類神經網路之基本概念與特性………….18
3-1-2 網路架構分析……………………………22
第二節 倒傳遞網路…………………………….25
3-2-1 倒傳遞網路的結構與演算法…………….25
3-2-2 倒傳遞網路效能評估的標準與穩定性…….31
第四章 資料蒐集整理與分析……………………….32
第一節 臺灣西岸水域概論…………………….32
第二節 高雄港………………………………….33
第三節 海上事故相關因素探討…………….35
第四節 資料蒐集整理………………………….36
第五章 網路模式構建與實證結果……………….54
第一節 模式構建……………………………….54
5-1-1 網路參數說明…………………………….56
5-1-2 網路績效評估的準則…………………….59
第二節 模式中的變數說明………………….59
第三節 船舶事故類神經網路模式…………….62
5-3-1 多神經元編碼…………………………….62
5-3-2 單神經元編碼…………………………….69
第四節 小結……………………………………….73
第六章 結論與建議……………………………….76
第一節 結論…………………………………….76
第二節 建議………………………………………….77
參考文獻……………………………………………….79
中文部分……………………………………………….79
英文部分……………………………………………….81
中 文 部 分
1.交通部運輸研究所,「台灣地區海上交通安全體系之研究(一)--建立台灣地區港埠交通安全體系之研究」,民國82年11月。
2.交通部運輸研究所,「台灣地區海上交通安全體系之研究(二)--建立海上交通事故分析系統之研究」,民國83年11月。
3.交通部運輸研究所,「運輸安全白皮書(二)--海運安全篇」,民國88年9月。
4.交通部運輸研究所,「運輸資料分析」,民國88年6月。
5.交通部統計處,「交通部重要交通統計分析彙輯第五輯」,民國85年7月。
6.林彬,「海難發生原因之分析與對策」,航運季刊,第25卷,第二期,PP.1-30,民國73年12月。
7.周雍傑,「以類神經網路探討都市地區肇事嚴重程度之研究」,國立成功大學交通管理科學研究所碩士論文,民國89年6月。
8.黃仁邦,「台灣地區海事特性分析與海上交通事故分析模式之建立」,國立交通大學運輸研究所,民國81年6月。
9.陳志立,「海上交通事故分析模式之研究」,國立海洋大學航運技術研究所,民國80年6月。
10.陳武正、張甫升,「台灣地區國際港未來之展望」,二十一世紀航運發展與口港管理國際研討會,民國87年3月。
11.陳基國,「台中、基隆兩港商船事故率預測模式之研究」,中華民國第四屆運輸安全研討會論文集,民國86年11月。
12.郭璧奎,「船舶碰撞措施之探討」,航運季刊,第23卷,第三期,PP.19-29,民國76年1月。
13.葉怡成,「應用類神經網路」,儒林圖書公司,民國76年7月。
14.葉怡成,「類神經網路模式應用與實作」,第六版,儒林圖書公司,民國88年3月。
15.葉怡成,「類神經網路建構工具」,中綱科技股份有限公司,民國81年7月。
16趙榆生,「台灣海域上遇險事故之調查研究」,海運學報,第四期,民國85年3月。
17.魏健宏、楊雨青,「高雄港轉口貨櫃運量預測-以類神經網路評選輸入變數」,海運學刊,第十一卷,第三期,PP.1-20,民國88年10月。
18.蘇志強、趙崇仁,「應用類神經網路鑑別中山高速公路危險路段之研究」,中華民國運輸學會第十一屆論文研討會,PP.501-511,民國85年12月。

英 文 部 分
1.Hashemi,R.R., Le Blanc,L.A., Ruck,C.T., Shearry,A. A Neural For Transportation Safety Modeling.1995
2.Kwik,k.h. Collision Rate As Danger Criter For Marine Traffic. Journal Of Navigation,39,203-212,1986
3.Nelson, M., and Illingworth, W.T. A Practical Guide to Neural Nets, Addison-Wesley,1991.
4.Yoon, Y., Swales, G.J., and Margavio, T.M.. A Comparision of Discriminant Analysis Versus Artifical Neural Networks.Journal of Operation Research Science Vol.44,No.1,pp.51-60,1993.
5.Zurada,J.M. Introduction to Artificial Neural Systems.Info Access Distribution Pte Ltd., Singapore,pp.207-219,1992.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔