(3.220.231.235) 您好!臺灣時間:2021/03/07 10:48
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:王炎秋
研究生(外文):yen-chou Wang
論文名稱:應用類神經網路及時間序列預測台南地區空氣品質-PM10
論文名稱(外文):Application of Artificial Neural Network and Time Series on the Prediction of Ambient Air Quality (PM10) in Tainan Region
指導教授:吳春生
學位類別:碩士
校院名稱:立德管理學院
系所名稱:資源環境研究所
學門:環境保護學門
學類:環境資源學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:115
中文關鍵詞:空氣品質時間序列分析倒傳遞類神經網路懸浮微粒模式預測
外文關鍵詞:Back-propagation artificial neural networkssuspended particulatemodel predictiontime seriesair quality
相關次數:
  • 被引用被引用:12
  • 點閱點閱:561
  • 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:0
  • 收藏至我的研究室書目清單書目收藏:0
根據環保署1987年至2004年監測資料顯示,台南地區懸浮微粒(PM10)值自2002年有逐漸升高之趨勢,且近年來若干醫學研究報導指出PM10對人體健康有著高度的相關性。有效的建置空氣品質-懸浮微粒變化趨勢之預測方法,將可提供相關單位對空氣品質(PSI)做預警系統之參考,也可提供民眾提前掌握有關戶外空氣品質的指標數據以規劃活動行程。
本研究以環保署2002年至2004年台南站懸浮微粒(PM10)監測值及中央氣象局台南氣象站各氣象因子之資料為主進行最適化的預測模式,研究中使用擅於處理非線性問題的類神經網路(Artificial Neural Networks, ANN)之倒傳遞(Back Propagation)類神經網路來建立最適化的預測模式,並與傳統時間序列法(Time Series)做比較,以驗證其對台南地區空氣品質預測之優劣。
由研究結果顯示,經篩選出氣溫、降雨量、風速、風向、相對溼度、氣壓、平均雲量、全天空輻射量等八個氣象因子作為ANN之輸入參數,訓練與測試之資料數分別為913筆及183筆,發現預測當日PM10時其實測值與網路訓練值之相關係數R值可達0.7860,測試結果之相關係數R值亦高達為0.7402。此外經進一步採用2005年1月份前十日之10筆資料輸入,更驗證ANN對預測當日之PM10濃度值(R = 0.7429)優於次日PM10濃度值之預測能力
(R = 0.7058)。研究中亦發現影響台南地區PM10濃度之各個氣象因子中以氣壓對PM10之影響最大,其次是相對溼度,再其次是降雨量;至於風向部份以吹北風時有較高之PM10濃度值,吹西南風時其PM10濃度值較低。在針對PM10濃度進行ANN網路與傳統時間序列長、短期之預測能力上,由研究結果顯示類神經網路於長短期之預測能力上確實是比傳統時間序列法來得精準,其R值可高達0.8以上,至於時間序列之預測能力則以預測3日以內為最佳,其R值可達0.891。
The monitoring data (1987-2004) of the Environmental Protection Administration showed that the value of PM10 in Tainan area was gradually rising since 2002. In addition, some medical researches indicated a relatively high correlation between PM 10 and human health. If we can provide an effective method to predict the variation tendency of particles, we can offer some PSI warning information for government. Moreover, people can get more information about index data of outdoor air quality to plan their activities.
In this study, the monitoring data (2002-2004) of PM10 by the Environmental Protection Administration and the data of meteorological factors by the weather station of Central Weather Bureau in Tainan were used to develop prediction model. We used Back Propagation of Artificial Neutral Networks (ANN), which is good at handling non-linear problems, to build up the most suitable prediction model and to compare with the predicting results of Time Series.
Input variables of ANN were eight meteorological factors: atmospheric temperature, rainfall, wind speed, wind direction, relative humidity, atmospheric pressure, cloud condition and surface radiation. The amount of training data set was 913, and that of the testing data set was 183. The results showed that the correlation coefficient (R) between the actual value of PM10 and the training value was 0.7860, and the R value between the actual value of PM10 and the testing value was 0.7402. Furthermore, we input 10 data of the first ten days of January in 2005. As to the predicting ability of ANN in predicting PM10, we found that the predicting results of the experimental day (R = 0.7429)were better than the results of the next day (R = 0.7058). Among the eight meteorological factors, atmospheric pressure influenced PM10 the most. Relative humidity ranked the second and rainfall ranked the third. As to the results of wind direction, the north wind caused higher value of PM10, and the southwest wind caused lower value of PM10. The predicting ability of Time Series was the best during the first three days (R = 0.891). However, the performance of ANN in predicting PM10 was more specific than that of Time Series, not only in long period of time but in short period of time as well.
目錄
中文摘要...................................... ...i
英文摘要...................................... ..ii
誌謝......................................... ...iv
目錄 .......................................... ..v
表目錄.........................................viii
圖目錄 ..........................................ix
第一章 緒論 ......................................1
1.1研究動機.......................................1
1.2研究目的.......................................2
1.3研究流程 ......................................5
第二章 文獻回顧 ..................................7
2.1台南地區空氣品質測站與現況分析之描述...........7
2.1.1台南地區監測站之描述.....................7
2.1.2 台南地區空氣品質現況之分析..............8
2.2 懸浮微粒(Particulate Matter)之特性...........17
2.2.1 懸浮微粒之定義 .......................17
2.2.2 懸浮微粒之來源 .......................18
2.2.3懸浮微粒之種類.........................20
2.3懸浮微粒(Particulate Matter)之影響............21
2.3.1懸浮微粒對環境之影響...................21
2.3.2懸浮微粒對人體健康之影響...............22
2.4懸浮微粒與氣象因子之相關性....................24
2.5類神經網路於預測之應用 .......................30
2.6時間序列分析於預測之應用......................33
第三章 研究方法 .................................34
3.1預測的定義與方法 .............................34
3.2類神經網路(Artificial Neural Network, ANN)簡介 ...................36
3.2.1類神經網路的發展與應用..................36
3.2.2類神經網路的基本架構....................36
3.2.3類神經網路的種類 .......................41
3.3 倒傳遞類神經網路(Back- Propagation Networks, BPN)..............43
3.3.1 倒傳遞類神經網路簡介...................43
3.3.2 倒傳遞類神經網路架構 ..................44
3.4 L-M (Levenberg-Marquardt)演算法..............46
3.5 網路之建構流程 .............................47
3.6 資料收集與前置處理 ..........................50
3.6.1 研究資料來源...........................50
3.6.2 數據前處理.............................50
3.7 遺失值之處理 ................................53
3.8 網路參數設定.................................53
3.9網路預測效能之評估 ...........................54
3.10敏感度分析...................................55
3.11時間序列法(Time Series)....................56
3.11.1平穩型時間序列 ........................56
3.11.2 無定向型時間序列......................58
第四章 結果與討論................................63
4.1 類神經網路之預測模式.........................63
4.1.1 網路參數的設定.........................66
4.1.2 網路訓練與模擬.........................71
4.2 當日與次日懸浮微粒濃度預報之比較 ............78
4.3氣象因子與懸浮微粒(PM10)敏感度之分析..........80
4.4時間序列ARIMA模式建構 ........................82
4.5 ANN網路與傳統時間序列長短期預測之比較..... ..86
第五章 結論與建議................................89
5.1 結論 ........................................89
5.2 建議 ........................................90
參考文獻.........................................92
作者簡歷 .......................................100

表目錄
表1-1台南測站、安南測站空氣污染指標不良日數歷年統計 ..........3
表1-2 台南地區歷年空氣污染指標不良日數百分比統計表 ..........4
表2-1台南市空氣品質監測站設置概況.................8
表2-2 台南站歷年空氣品質(PM10)監測資料統計.......10
表2-3 安南站歷年空氣品質(PM10)監測資料統計.......11
表2-4台南站歷年空氣品質(O3)監測資料統計..........15
表2-5安南站歷年空氣品質(O3)監測資料統計..........16
表 2-6 Summary of symptoms and injury thresholds for partialate matter damage to human............24
表3-1 風標方向、實際度數及電碼對照表............ 52
表3-2 無季節性之時間序列參數選取準則 ............61
表3-3 季節性之時間序列參數選取準則 ..............61
表4-1當日懸浮微粒(PM10)濃度預測之網路隱藏層神經元數測試結果 ...........68
表4-2次日懸浮微粒(PM10)濃度預測之網路隱藏層神經元數測試結果 ...........69
表4-3 類神經網路之網路層設定.....................70
表4-4 網路訓練參數之設定 ........................70
表4-5 網路對當日PM10濃度值與次日PM10濃度值之預測比較 .................78
表 4-6台南站懸浮微粒網路敏感度分析結果...........81
表 4-7 台南站風向與懸浮微粒之相關性..............82
表 4-8 SARIMA(2,1,2)(0,0,1)7 Parameter Estimates ....................83
表4-9 ANN網路長短期預測之比較....................87
表4-10 Time series長短期預測之比較...............88

圖目錄
圖1-1台南地區歷年空氣污染指標(PM10)不良日數....4
圖1-2研究流程圖..................................6
圖2-1各測站地理位置..............................7
圖2-2 台南站歷年PM10監測值之變化趨勢 ...........12
圖2-3 台南站歷年PM10監測值之變化趨勢(不含沙塵暴).. ..........12
圖2-4 台南站含沙塵暴與不含沙塵暴之PM10日平均值超出標準比率.............13
圖2-5 安南站歷年PM10監測值之變化趨勢.............13
圖2-6 安南站歷年PM10監測值之變化趨勢(不含沙塵暴)... ..............14
圖2-7 安南站含沙塵暴與不含沙塵暴之PM10日平均值超出標準比率...........14
圖2-8台南站歷年O3監測值之變化趨勢................15
圖2-9安南站歷年O3監測值之變化趨勢................16
圖2-10大氣懸浮微粒之來源及組成說明 ..............19
圖3-1 生物神經元模型.............................38
圖3-2人工神經元運算模型..........................39
圖3-3 以人工神經元模擬生物神經元.................39
圖3-4 類神經網路架構示意圖.......................41
圖3-5單層前饋網路(single-layer feedforward networks)...............42
圖3-6多層前饋網路(multilayer feedforward networks).............. 42
圖3-7循環式網路(recurrent connection).........43
圖 3-8 BPN 基本架構 ............................45
圖 3-9網路之建構流程圖 .........................49
圖3-10風向之座標示意圖 .........................52
圖3-11時間數列模型建立之流程....................62
圖4-1 MATLAB Neural Networks Toolbox 視窗-1.....65
圖4-2 MATLAB Neural Networks Toolbox 視窗-2 ....65
圖4-3倒傳遞類神經網路圖形架構...................66
圖4-4 預測當日PM10值訓練後之實際值與訓練值散佈圖 .............72
圖4-5 預測當日PM10值訓練後之實際值與測試值散佈圖 .............72
圖4-6 當日懸浮微粒實際值與訓練值趨勢分析比較 ...73
圖4-7 當日懸浮微粒實際值與測試值趨勢分析比較 ...74
圖4-8 預測次日PM10值訓練後之實際值與訓練值散佈圖 .............75
圖4-9 預測次日PM10值訓練後之實際值與測試值散佈圖 .............75
圖4-10 次日懸浮微粒實際值與訓練值趨勢分析比較...76
圖4-11 次日懸浮微粒實際值與測試值趨勢分析比較...77
圖4-12網路對當日PM10濃度值與次日PM10濃度值之預測比較...........79
圖4-13自我相關係數(ACF).........................84
圖4-14偏自我相關係數(PACF) .....................84
圖4-15 殘差值自我相關係數(ACF)................85
圖4-16 殘差值自我相關係數(PACF)...............85
Burchard, J.K., 1974. The significance of particle emission. Journal Air Pollution Control
Assoc 24, 114.
Chu, S.H., 1997. Meteorological Conditions Conducive to Regional High Particulate Matter Episodes. Air and Waste Management Association’s 90th Annual Meeting and Exhibition, June 8-13, Toronto, Ontario, Canada 97-MP112.06.
Gardner, M.W., Dorling, S.R., 1998. Artificial neural networks (the multi-layer feed-forward neural networks) - a review of applications in the atmospheric sciences. Atmospheric Environmental 30, 2627-2636.
Gunasekaran, S., Venkatesh, B., Sagar, B.S.D., 2003. Convergence index for BPN training. Neurocomputing. 55, 711-719.
Yi, J., Prybutok, V.R., 1995. A neural network model forecasting for prediction of daily maximum ozone concentration in an industrialized urban area. Environmental Pollution 92, 349-357.
Jammalamadaka, S.R., Lund, U.J., 2005. The effect of wind direction on ozone levels a Case study. Environmental and Ecological Statistics 12.
Kaminski, W., Skrzypski, J., Strumillo, P., 2000. Forecasting of air pollution in urban areas by means of artificial neural networks. In: Sucharov, L.J. (Ed.), Urban Transport and the Environment for the 21st Century. WIT Press, Southampton, 114-124.
Kukkonen, J., Partanen, L., Karppinen, A., Ruuskanen, J., Junninen, H., Kolehmainen, M., 2003. Extensive evaluation of neural network models for the prediction of NO2 and PM10 concentrations, compared with a deterministic modeling system and measurements in central Helsinki. Atmospheric Environment 37, 4539-4550.
Kyle, A.D., Woodruff, T.J, Buffler, P.A., Davis, D.L., 2002. Use of an index to reflect the aggregateburden of long-term exposure to criteria air pollutants in the United States.
Environmental Health Perspectives 110, 95-102.
Lam, K.C., Cheng, S., 1998. A synoptic climatological approach to forecast concentration of sulfur dioxide and nitrogen oxides in Hong Kong. Environmental Pollution 101, 183-191.
Lam, G.C.K., Leung, D.Y.C., Niewiadomski, M., Pang, S.W., Lee, A.W.F., Louie, P.K.K., 1999. Street-level concentrations of nitrogen dioxide and suspended particulate matter in Hong Kong. Atmospheric Environment 33, 1-11.
Lam, K.C., Cheng, S., 2000. Synoptic typing and its application to the assessment of climatic impact on concentration of sulfur dioxide and nitrogen oxides in Hong Kong. Atmospheric Environmental 34, 585-594.
Lu, W.Z., Wang, W.J., Wang, X.K., Yan, S.H., Lam, J.C., 2004. Potential assessment of a neural network model with PCA/RBF approach for forecasting pollutant trends in Mong Kok urban air, Hong Kong. Environmental Research 96, 79-87.
Lippmann, M., Ito, K., 1965-1972. Separating the elects of temperature and season on daily mortality from those of air pollution in London. Inhalation Toxicology 7, 85-97.
Loomis, D., Castillejos, M., Gold, D.R., McDonnell, W., Borja Abruto, V.H., 1999. Air pollution and infant mortality in Mexico City. Epidemiology 10, 118–23.
Monn, C.H., Braendli, O., Schaeppi, G., Schindler, C.H., Ackermann, U., Leuenberger, P. H., Sapldia, T., 1995. Particulate Matter < 10 mm in urban, Rural and Alpine Air in Switzerland. Atmospheric Environment, 29, 2565-2573.
Pope, C.A., Dockery, D.W., 1992. Acute health effects of PM10 pollution on symptomatic and asymptomatic children. Am. Rev. Respire. Dis., 145, 1123-1128.


Perez, P., Reyes, J., 2002. Prediction of maximum of 24-h average of PM10 concentrations 30 h in advance in Santiago, Chile. Atmospheric Environment 36, 4555-4561.
Perez, P., Reyes, J., 2006. An integrated neural network model for PM10 forecasting. Atmospheric Environment 40, 2845-2851.
Pio, C.A., Castro, L.M., Cerqueira, M.A., Santos, I.M., Belchior, F., Salgueiro, M.L., 1996 Source Assessment of Particle Air Pollutants Measured at the Southwest European Coast. Atmospheric Environment, 30, 3309-3320.
Ransom, M.R., Pope, C.A., 1992. Elementary school absences and PM10 pollution in Utah Valley. Environmental Research 58, 204-219.
Schwartz, J., Slater, D., Larson, T.V., Pierson, W.E., Koening, J.Q., 1993. Particulate air pollution and hospital emergency room visits for asthma in Seattle. Am. Rev. Respir. Dis. 147, 826-831.
Schwartz, J., Morris, R., 1995. Air pollution and hospital admissions for cardiovascular disease in Detroit, Michigan. Am. J. Epidemiol.142, 23-35.
Smith, S., Stribley, F.T., Milligan, P., Barratt, B., 2001. Factors influencing measurements of PM10 during 1995-1997 in London. Atmospheric Environment 35, 4651-4662.
Seinfeld, J.H., Pandis, S.N., Bowman, F.M., Odum, J.R., 1997. Mathematical model for gas- particle partitioning of secondary organic aerosols. Atmospheric Environment 31, 3921-3931.
Seinfeld, J.H., Wexler, A.S., Pandis, S.N., Musarra, S., Kumar, N., Lurmann, F.W., 1997 Modelling urban and regional aerosols-II application to California’s south coast air basin. Atmospheric Environment 31, 2695-2715.
Spellman, G., 1998. An Application of Artificial Neural Networks to the Prediction of Surface Ozone Concentrations in United Kingdom. Applied Geography 19, 123-136.
Tsuang, B.J., Chao, C.P., 1999. Application of circuit model for Taipei City PM10 simulation. Atmospheric Environment 133, 1789-1801.
Thurston, G.D., Spengler, J.D., 1985. A quantitative assessment of source contributions to inhalable particulates in metropolitan Boston. Atmospheric Environment, 19, 9-25.
Triantafyllou, A.G., 2001. PM10 pollution episodes as a function of synoptic climatology in a mountainous industrial area. Environmental Pollution 112, 491-500.
Triantafyllou, A.G., Kassomenos, P.A., 2002. Aspects of atmospheric flow and dispersion of air pollutants in a mountainous basin. The Science of the Total Environment 297, 85-103.
Van Der Wal, J.T., Janssen, L.H.J.M., 1996. How contribute emission of PM10 and meteorology to concentration of fine particles in the Netherlands. Journal of Aerosol Science 27, S681-S682.
Van Der Wal, J.T., Janssen, L.H.J.M., 2000. Analysis of spatial and temporal variations of PM 10 concentrations in the Netherlands using Kalman filtering. Atmospheric Environment 34, 3675-3687.
Wang, W., Lu, W., Wang, X., Leung, 2003. Andrew Y.T. Prediction of maximum daily ozone level using combined neural network and statistical characteristics. Environment International, 29, 555-562.
Yang, K.L., 2002. Spatial and seasonal variation of PM10 mass concentrations in Taiwan. Atmospheric Environment, 36, 3403-3411.
Yi, J., Prybutok, V.R., 1996. A Neural Network Model Forecasting for Prediction of Daily Maximun Ozone Concentration in An Industrialized Area. Environment Pollution 92, 349-357.


王美文,2002,臺灣地區懸浮微粒品質標準合理性之探討,國立台灣大學環境工程研究所碩士論文。
江世民,台北地區臭氧及懸浮微粒型態與其他污染物及氣象條件之分析比較, 第十六屆空氣污染控制技術研討會,1999。
李瑞源,1997,空氣污染與氣喘病發作嚴重度之關係,國立中山醫學院醫學研究所碩士論文。
李崇德、酗憍驉A台灣地區懸浮微粒特性監測及其區域性污染來源推估,國立中央大學環境工程學刊,第二期,97-123,1995。
李清勝、陳泰然、垣a忠,即時氣象資料應用在空氣品質分析的研究與實驗,EPA-81-E3L1-09-02,行政院環境保護署,1992。
林逸塵,2002,類神經網路應用於空氣品質預測之研究,國立中山大學環境工程研究所碩士論文。
林斌龍、李崇德,台北地區PM10濃度與氣象因子之多變量統計分析,第七屆空氣污染控制技術研討會,1990。
林倉龍,2004,國家風景特定區遊客人次預測之研究,朝陽科技大學休閒事業管理系研究所碩士論文。
林軍維,2003,郊區大氣懸浮微粒特徵探討,屏東科技大學環境工程與科學系研究所碩士論文。
林政剛、林國雄、洪培元、黃政賢、劉光宇,空氣污染,高立出版社,2001。
施柏屹,2000,倒傳遞類神經網路學習收斂之初步探討,國立中央大學機械工程研究所碩士論文。
高全興,1997,類神經網路於空氣品質短期預測之研究,國立雲林科技大學環境與安全工程研究所碩士論文。
徐桂祥,1997,灰色系統在商情預測上之研究,國立雲林科技大學資訊管理技術研究所碩士論文。
雀振瓷A2004,應用類神經網路於結構損傷即時診斷,國立成奶j學建築學系研究所碩士論文。
陳秉鈺,2004,空氣污染與先天性缺陷發生之相關性研究,國立成奶j學環境醫學研究所碩士論文。
陳威昇,2003,類神經網路訓練程序之些釩媊部A國立成奶j學航空太空工程學系研究所碩士論文。
陳昭良,2000,伴隨全台空氣高污染之綜觀天氣分析,中國文化大學大氣科學系研究所碩士論文。
袁中新、袁景嵩、張瑞正、袁菁、張韋堂,台灣南部地區PM2.5及PM10 之時空分佈趨勢探討,第十五屆空氣污染控制技術研討會,1998。
張耀華,1996,以時間序列法預測中部地區臭氧濃度之探討,東海大學環境科學系研究所碩士論文。
張順欽、李崇德,大陸沙塵影響空氣中懸浮微粒濃度之評估,第九屆中華民國氣膠科技研討會,2001。
鄒倫、謝廣明、魏憶琳,氣象型態及氣象因子與空氣品質之關聯探討,第十七屆空氣污染控制技術研討會,2000。
郭富聚,2002,應用類神經網路預測台北市臭氧濃度之研究,國立台北科技大學環境規劃與管理研究所碩士論文。
莊秉潔,地表層擴散係數、風速、雨量及混合層高對台北都會早上八時懸浮微粒濃度之影饗,中國環境工程學刊,第三卷,第二期,1993。
莊秉潔、陵a彰、陳建隆,懸浮微粒濃度與微氣象因子之關係探討-台北案例研究,第十八屆空氣污染控制技術研討會,2001。
程萬里、黃怡嘉,中部地區臭氧及懸浮微粒與氣象因子之相關研究,第十七屆空氣污染控制技術研討會,2000。
黃尚雄,1995,應用類神經網路預測空氣品質之研究,國立交通大學環境工程研究所碩士論文。
黃宗仁,2001,利用類神經網路預測台中都會區臭氧趨勢之研究,國立中興大學環境工程學系研究所碩士論文。
湯健文,2003,類神經網路於因果關係模型與時間數列模型之應用,中華大學土木工程研究所碩士論文。
馮欽賜,1988,懸浮微粒對近地面太陽輻射通量之影響研究,國立台灣大學大氣科學研究所碩士論文。
葛應欽,台灣空氣污染與社區居民健康效應,高雄醫學科學雜誌,第12期,657-
669,1996。
楊川德,2005,懸浮微粒輻射效應對亞洲夏季季風影響—NASAGMAO AGCM 模擬,國立台灣大學大氣科學所碩士論文。
蔣本基、張子琦,懸浮微粒污染與氣相因子相關性研究,第十三屆空氣污染技術控制研討會,1996。
蔡燿州,2004,台南市大氣中懸浮微粒及鹽類特性分析研究,國立高雄第一科技大學環境與安全衛生工程所碩士論文。
鄭淑燕、望熙榮、鄭曼婷,台中地區空氣品質分析,第八屆空氣污染控制技術研討會, 1991。
簡家宏,2004,應用基因類神經網路於空氣品質短期預測及監測資料異常值診斷之研究-以台中縣沙鹿空品測站為例,雲林科技大學環境與安全工程系研究所碩士論文。
羅思懿,2002,導致台灣地區冷季區域性PM10高汙染之氣象條件分析,國立台灣大學大氣科學研究所碩士論文。
羅夢娜、黃文璋、沈世宏,下雨及雨後空氣品質變化之時間序列分析研究,行政院環境保護署,1989。
周海龍,1995,台北都會區生活用水量之預測─類神經網路之應用,國立中興大學資源管理研究所碩士論文。
林志純,1996,台中彰化地區隔日空氣品質預測之探討,私立東海大學環境科學系研究所碩士論文。
樓康寧、郭重巖, 類神經網路的應用簡介1,自動化科技,1993,第115期,168。
郭嘉騰、樓康寧,類神經網路的應用簡介2,自動化科技,1993,第117期,119。
于宗先,經濟預測,1972,台北,大中國圖書有限公司。
方世杰,市場預測方法一百種,1988,台北,書泉出版社。
陳耀茂,時間數列分析的SPSS 使用手冊,台北,鼎茂圖書出版股份有限公司,2004。
葉怡成,類神經網路模式應用與實作,第八版,台北市,儒林圖書有限公司,2004。
葉怡成,類神經網路模式應用與實作,第六版,台北,儒林書局,1999。
羅華強,類神經網路-MATLAB的應用,第六版,台北市,清蔚科技有限公司,2001。
環保署,中華民國台灣地區空氣品質監測報告:九十年年報,行政院環境保護署。
環保署,中華民國台灣地區空氣品質監測報告:九十一年年報,行政院環境保護署。
環保署,中華民國台灣地區空氣品質監測報告:九十二年年報,行政院環境保護署。
台南市環保局空氣品質管理計畫,2002。
台南市空氣污染防制計畫書,2003。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 6.王萩賢,〈銀行保密責任之法規分析〉,《企銀報導》,第19卷第6期,2001年6月。
2. 4.王煦棋,〈中國加入世界貿易組織對其銀行法規建制之影響〉,《全國律師》,2002年5月。
3. 7.王濬智,〈美國金融機構財務隱私權之揭露及其特別規定〉,《今日合庫》,1999年2月20日。
4. 8.朱柏松,〈隱私權概念之演變及其損害防止立法之動向〉,《法學叢刊》,第134期,1989年4月。
5. 11.李婉萍、鄭菀瓊,〈金融服務百貨化與消費者個人資料之保護-法律與經濟分析之觀點〉,《法令月刊》,第14卷第10期,2003年10月。
6. 12.李智仁,〈日本金融隱私權保障規範之發展,兼論我國面臨之問題與對策〉,《國立中正大學法學集刊》,2005年11月,第19卷。
7. 13.李智仁、鄭少珏,〈我國信用資訊機構之探索-沿革、法制與展望〉,《全國律師》,第10卷第1期,2006年1月。
8. 16.汪漢卿,〈What Constitutes and Adequate Privacy Policy?-Review of the U.S.DMA is Privacy Policy by Applying the EU Directive Criteria 〉,《萬國法律》,第113期,2000年10月。
9. 17.谷玲玲,〈隱私權概念初探〉,《民意研究季刊》,第205卷,1998年7月。
10. 18.周慧蓮,〈資訊隱私保護爭議之國際化〉,《月旦法學》,第104期,2004年1月。
11. 20.林世宗,〈隱私權〉,《全國律師》,第5卷第4期,2001年4月。
12. 21.林江峰、蔡明錩,〈美國「金融服業現化法」有關個人隱私權保障之規範-對我國之啟示〉,《臺灣經濟金融月刊》,2001年9月。
13. 23.林建中,〈隱私權概念初探-從美國法之觀點切入〉,《憲政時代》,第23卷第1期,1997年7月。
14. 25.施峰達,〈財務隱私權之再建構-以我國現行銀行業監理為中心〉,《臺灣經濟金融月刊》,第41卷第1期,2005年1月。
15. 31.張國清,〈隱私權保護概念的比較探討〉,《全國律師》,第5卷第6期,2001年6月。
 
系統版面圖檔 系統版面圖檔