本研究利用類神經網路建立小型巡防艇在海上航行的運動模型，模型中包含滾轉、俯仰、偏航三個旋轉角度的船舶運動姿態。藉由量測實際的巡防艇航行於海上受到海浪之影響所產生的各種船體運動情況所得到的數據資料，並利用時間序列以及類神經網路進行建模與測試，提供航海模擬機重現船舶在海上運動的基礎模型。經由實際海上實驗所獲得的資料與本文提出的類神經網路運動模型進行比較後發現，本文所提出的類神經網路模型具有相當高的精確度，可以正確預測船舶在波浪中運動的姿態變化狀態。綜合本研究所得到之成果可以提供新進航海人員熟悉、瞭解並及早適應船舶在海上航行的運動模式與感受。藉以提高航海人員對於暈船的適應能力。

The purpose of this study was to set up the frigate motion model by applying the artificial neural networks. In this model, the three angles of the ship motions, including rolling, pitching and deviation were analyzed. In order to use the ship maneuvering simulator to reconstruct ship motion model, the study would collect the data primarily by means of the real examination of the various frigate motions on sea as well as make a new model and conduct a test using time order and artificial neural networks. In this investigation we compared the data collected via the real test of the ship motion on sea with that of the ship motion constructed by ship maneuvering simulator with the application of the artificial neural networks, and proves that the frigate motion model with the application of the artificial neural networks can predict all kinds of ship motions with great accuracy. The results showed that new model can provide authentic training for the new seafarers to understand and adapt to the ship motions, thereby improving their adaptability to seasickness.

中文摘要 I
Abstract II
目錄 III
圖目錄 Ⅴ
表目錄 Ⅶ
第一章 緒論 1
1.1 研究動機與目的 1
1.2 論文大綱 2
第二章 類神經網路簡述與應用 3
2.1 類神經網路的發展史 3
2.2 神經元的架構 4
2.3 類神經網路架構及演算法 7
2.3.1類神經網路的種類 11
2.3.2類神經網路的應用 14
2.4 倒傳遞演算法 16
第三章 巡防艇海上航行運動量測 26
3.1 陀螺儀儀器之簡介 27
3.2 巡防艇之性能諸元介紹 29
3.3 學習訓練測試網路模式 33
3.4 巡防艇實驗結果 35
3.4.1 訓練結果 35
3.4.2 測試結果 41
第四章 結論與未來展望 49
4.1 結論 49
4.2 未來展望 49
參考文獻 50

圖目錄
圖2.2.1 生物神經元組成 5
圖2.2.2 人工神經元組成 6
圖2.3.1 類神經網路架構 8
圖2.3.2 雙彎曲線函數 10
圖2.3.3 單層前饋式網路 12
圖2.3.4 多層前饋式網路 12
圖2.3.5 循環式網路 13
圖2.3.6 類神經網路應用範圍 14
圖2.4.1 監督式學習網路 18
圖2.4.2 倒傳遞網路的修正路線 19
圖2.4.3 倒傳遞演算法流程 25
圖3.1.1 船舶的六個自由度 27
圖3.1.2 陀螺儀儀器簡介 28
圖3.2.1 20噸級巡防艇 30
圖3.2.2 30噸級巡防艇 31
圖3.2.3 .100噸級巡防艇 32
圖3.4.1 (100噸)(20噸)巡防艇 Pitch學習結果及收斂情形 37
圖3.4.2 (100噸)(20噸)巡防艇Roll學習結果及收斂情形 37
圖3.4.3 (100噸)(20噸)巡防艇Yaw學習結果及收斂情形 38
圖3.4.4 (100噸)(30噸)巡防艇Pitch學習結果及收斂情形 38
圖3.4.5 (100噸)(30噸)巡防艇Roll學習結果及收斂情形 39
圖3.4.6 (100噸)(30噸)巡防艇Yaw學習結果及收斂情形 39
圖3.4.7 (20噸)(30噸)巡防艇Pitch學習結果及收斂情形 40
圖3.4.8 (20噸)(30噸)巡防艇Roll學習結果及收斂情形 40
圖3.4.9 (20噸)(30噸)巡防艇Yaw學習結果及收斂情形 41
圖3.4.10 (30噸)巡防艇船速21節Pitch測試結果誤差 44
圖3.4.11 (30噸)巡防艇船速21節Roll測試結果誤差 44
圖3.4.12 (30噸)巡防艇船速21節Yaw測試結果誤差 45
圖3.4.14 (20噸)巡防艇船速10節Roll測試結果誤差 46
圖3.4.15 (30噸)巡防艇船速10節Yaw測試結果誤差 46
圖3.4.16 (100噸)巡防艇船速15節Pitch測試結果誤差 47
圖3.4.17 (100噸)巡防艇船速15節Roll測試結果誤差 47
圖3.4.18 (100噸)巡防艇船速15節Yaw測試結果誤差 48

表目錄

表3.1.3 角度性能表 28
表3.1.4 加速度性能表 29
表3.1.5 定向性能表 29
表3.2.1 20噸巡防艇諸元表 30
表3.2.2 30噸巡防艇諸元表 31
表3.2.3 100噸巡防艇諸元表 32
表3.3.1 訓練及測試模式表 33
表3.3.2 資料排序表 33
表3.3.3 Pitch、Roll、Yaw學習網路設定表 34
表3.3.4 Pitch、Roll、Yaw測試網路設定表 35
表3.3.5 平均誤差及總平均誤差表 43

[1]鄭翔元，船舶運動模式建模與動態實現之研究國立高雄海洋科技大學輪機工程研究所，碩士論文，2007。
[2]葉怡成，類神經網路模式應用與實作，儒林出版社，1993。
[3]Y. H. Zweiri, L. D. Seneviratne, and K. Althoefer, “Stability Analysis of A Three-Term Backpropagation Algorithm”, Neural Networks, Vol. 18, No. 1, pp. 1341-1347, 2005.
[4]J. C. Principe, N. R. Euliano, and W. C. Lefebvre, “Neural and Adaptive Systems”, John Wiley & Sons Inc. 1999.
[5]H. K. Khalil, “Nonlinear Systems”, 2nd edition, Prentice Hall, 1996.
[6]蘇木春、張孝德，機器學習：類神經網路、模糊系統及基因演算法則，全華科技圖書，2003。
[7]J. J. Hopfield, “Artificial Neural Networks”, IEEE Circuits and Devices Magazine, Vol. 4, pp. 3-10, 1988.
[8]莊益瑞、梁仁楷，C++程式設計實務最新版，碁峰資訊，2005。
[9]D. Svozil, V. Kvasnička, and J. Pospíchal, “Introduction to Multi-Layer Feed- Forward Neural Networks”, Chemometrics and Intelligent Laboratory Systems, Vol. 39, No. 1, pp. 43-62, 1997.
[10]A. R. Gaiduk, Y. A. Vershinin, and M. J. West, “Neural Networks and Optimization Problems”, Proceeding of IEEE International Conference Control Application, Vol. 1, pp. 37-41, 2002.