臺灣博碩士論文加值系統

穩度是船舶安全的關鍵因素，衡量船舶穩度最主要的參數為KG值（龍骨與重心之間的距離)、KM值（龍骨與定傾中心之間的距離）及GM值（重心與定傾中心之間的距離）。這些數值皆可以透過輕載船隻實施傾測試驗以得到實際值。
本研究使用適應性網路模糊推論系統，即倒傳遞類神經網路架構結合Sugeno模型，以預測船舶之完整穩度。研究結果將與迴歸分析、文化進化演算法和倒傳遞演算法進行比較，將發現本文方法的優異。
本文發現適應性網路模糊推論系統是很好的預測方法。研究結果所建置的預測模型在重現性及推廣能力上都有極佳的表現，並且誤差值均小於5%。分析結果可以提供船舶設計者於船舶初始設計階段，能更精確的掌握船舶穩度參數。如此，將可以提高作業處理時效並有效避免人為因素肇生的錯誤。

Stability is a critical factor for the ship safety. There are three parameters to evaluate the ship stability, including KG (the distance between the keel and the center of gravity), KM (the distance between the keel and the metacenter) and GM (the distance between the center of gravity and metacenter). We can get the actual value by way of the inclining experiment for those light duty vessels.
This thesis combined back-propagation network and Sugeno to form Adaptive Network-Based Fuzzy Inference System (ANFIS) to forecast the intact stability. The results of this study will compare with regression analysis, cultural evolution algorithm and ANN, we will find its better performance.
It is a very good forecasting method to adapting ANFIS in our thesis. The forecasting Models have excellent performance in repeatability and generalization from the results of the study, and the errors of the result are less than 5%. Such the analytic results can provide ship’s designers consider for the accurate ship’s stability parameters during the preliminary ship design phase. As a result, this thesis will not only improve the operating schedule efficiency but also avoid human error.

謝辭 i
摘要 ii
Abstract iii
表目錄 v
圖目錄 vi
符號說明 vii
第一章緒論 1
1.1研究背景與動機 1
1.2研究目的 3
1.3研究流程 3
1.4研究範圍與限制 5
第二章文獻探討 6
2.1船舶穩度 6
2.1.1穩度之定義 6
2.1.2橫傾浮態 8
2.2穩度之研究 9
2.2.1船舶穩度相關研究 9
2.2.2迴歸分析法 13
2.3預測方法比較 14
2.3.1倒傳遞類神經相較於其他方法 14
2.3.2 ANFIS相較於其他方法 15
2.3.3倒傳遞類神經網路與ANFIS之差異 17
第三章研究方法 18
3.1實證資料說明及樣本選擇 18
3.2類神經網路介紹 26
3.3倒傳遞類神經網路 30
3.3.1倒傳遞演算法則 30
3.3.2模型建置步驟 33
3.4適應性網路模糊推論系統 36
3.4.1適應性網路模糊推論系統概述 36
3.4.2演算法則 38
3.4.3流程與模型建置 41
3.5衡量指標 42
第四章實證結果與分析 44
4.1實證資料說明 44
4.2倒傳遞類神經網路模型實證 44
4.3適應性網路模糊推論系統模型實證 49
4.4研究結果比較 51
4.4.1 ANFIS與迴歸分析式比較 52
4.4.2 ANFIS與倒傳遞類神經比較 52
4.4.3 ANFIS與文化演算法比較 53
4.4.4訓練樣本是否存在極端值之比較 54
4.5總結 56
第五章結論與建議 57
5.1研究結果 57
5.2建議及未來研究方向 57
參考文獻 58

一、中文部份
王勝明、史貴竹、郭真祥、陳彥均、陳昭銘（2003年3月）。網路環境之船舶靜水性能與穩度計算系統的開發。李雅榮（主持人），第十五屆中國造船暨輪機工程研討會及國科會成果發表會。高雄海洋技術學院。
田川昇（2002）。利用基因演算法與類神經網路建立台灣西南海域深部地層滲透率模式之研究（未出版之碩士論文）。國立成功大學，臺南市。
吳志文（2002）。以類神經網路探討船舶事故之研究（未出版之碩士論文）。國立成功大學，臺南市。
邱進東、郭信川、林青海（2011）。文化進化演算法於類神經網路的訓練。中國造船暨輪機工程學刊，30(4)，195-204。
李　穎（2002）。類神經網路應用於國道客運班車旅行時間預測模式之研究（未出版之碩士論文）。國立成功大學，臺南市。
袁智清（無日期）。穩度。2012年9月12日，取自http://ap6.pccu.edu.tw/Encyclopedia/data.asp?id=6400
林春欉（2006）。應用類神經模糊推論系統於銑床加工模型之預測（未出版之碩士論文）。國立高雄第一科技大學，高雄市。
林佩萱（2012）。運用人工智慧於信用卡額度之研究（未出版之碩士論文）。國防管理學院，臺北市。
陳宏洋（2004）。應用於存貨額預測之統計與類神經網路的比較研究（未出版之碩士論文）。淡江大學，新北市。
涂進財（2006）。倒傳遞類神經網路應用於船舶穩度之探討（未出版之碩士論文）。國防大學，桃園縣。
張昱仁（2009）。以類神經網路技術預測半導體價格之研究—以DRAM 為例（未出版之碩士論文）。逢甲大學，臺中市。
張衍祥（2010）。利用調適性模糊類神經系統預測核三廠冷卻水流失事故之破口大小（未出版之碩士論文）。國立清華大學，新竹市。
曹瑞凌（2005）。船舶建造重量監控系統之研發（未出版之碩士論文）。國立中山大學，高雄市。
葉怡成（2009）。《類神經網路模式應用與實作》。臺北市：儒林。
曾治瑋（2009）。應用適應性模糊類神經系統於台灣地區汽車銷售預測（未出版之碩士論文）。國立臺灣科技大學，臺北市。
船舶應具有的基本性能。船舶與港口─終身學習網路教材網頁。2012年9月15日，取自：http://ship.nmmst.gov.tw/ship/ship03.asp
楊東翰（2004）整合基因演算法及類神經網路於印刷電路板生產預測之研究（未出版之碩士論文）。元智大學，桃園縣。
詹詠堯（2010）應用適應性類神經模糊推論系統於冷凍庫除霜預測模型之建構與分析（未出版之碩士論文）。國立高雄第一科技大學，高雄市。
蘇漢昌（2008）應用適應性模糊推論系統改善類神經網路預測工業廢水廠出流水水質之研究（未出版之碩士論文）。朝陽科技大學，臺中市。
陸磐安（1995）。《造船原理—船舶靜力學》。臺北市：大中國。
譚海林（2007）。艦艇穩度之重要性。2012年9月10日，取自： http://www2.cna.edu.tw/961213/month/cnadata/mm/23-3/23-3-8.htm
蘇木春、張孝德（2006）。《機器學習—類神經網路、模糊系統以及基因演算法則》。臺北市：全華。

二、外文部份
Alkan, D. A., Gulez, K., & Yilmaz, H (2004). Design of a robust neural network structure for determining initial stability particulars of fishing vessels. Ocean Engineering, 31, 761-777.
Assarzadeh, S. & Ghoreishi, M. (2008). Neural-network-based modeling and optimization of the electro-discharge machining process. Int J Adv Manuf Technol , 39, 488-500.
Boyacioglu, A. M., Avci D. (2010). An Adaptive Network-Based Fuzzy Inference System (ANFIS) for the prediction of stock market return: The case of the Istanbul Stock Exchange. Expert Systems with Applications, 37, 7908-7912.
Elabd, S. & Schlenkhoff A. (2009). ANFIS and BP Neural Network for travel time prediction. World Academy of Science, Engineering and Technology , 57, 116-121.
Gholam, F-G. A., Majid, H-N., Mohammad, M-B., Javad, K. & Akbar, B.S. (2010). Spring rainfall prediction based on remote linkage controlling using adaptive neuro-fuzzy inference system (ANFIS). Theor Appl Climatol, 101, 217-233.
Jang, J-S. R.(1993) ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics, 23(3),665-685.
Malhotra, R. & Malhotra, K. D.(2002). Differentiating between good credits and bad credits using neuro-fuzzy systems. European Journal of Operational Research, 136, 190-211.
Wang. Y., Wang, G. & Shengjing, F. (2012). The Dynamic Model Prediction Study of the Forest Disease, Insect Pest and Rat Based on BP Neural Networks. Journal of Agricultural Science, 4(3), 291-297.
Yilmaz, H. & Kükner, A. (1999). An Approximate Method for Intact Stability of Fishing Vessels. Marine Technology, 36(3), 171-174.