Pattern Recognition by Artificial Neural Networks
博士 === 國立清華大學 === 工業工程與工程管理學系 === 96 === 型樣識別為一尋找資料結構的過程，並且試圖將資料分類成數各資料群體，以利於辨別資料的特性，其主要工作包含了因素/特徵分析、資料聚類與資料分群。類神經網路則是具有學習的特性，可透過學習的方法來擷資料型態；然而事實上，也有許多的資料在本質上具有不精確性與模糊性，用模糊類神經網路來進行模糊資料的型樣識別，便可獲得並掌握這些具有不精確性的資訊。 本論文的目的在探索明確與模糊資料的特性，尤其針對目前在型樣識別中存在的幾項主要議題提出討論、並提出解決的方法。本論文基於資料的特性分為兩大部分：第一部份針對明確資料的因素分析，首先...
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Format: | Others |
| Language: | en_US |
| Published: |
2008
|
| Online Access: | http://ndltd.ncl.edu.tw/handle/40043183912470294803 |
| Summary: | 博士 === 國立清華大學 === 工業工程與工程管理學系 === 96 === 型樣識別為一尋找資料結構的過程，並且試圖將資料分類成數各資料群體，以利於辨別資料的特性，其主要工作包含了因素/特徵分析、資料聚類與資料分群。類神經網路則是具有學習的特性，可透過學習的方法來擷資料型態；然而事實上，也有許多的資料在本質上具有不精確性與模糊性，用模糊類神經網路來進行模糊資料的型樣識別，便可獲得並掌握這些具有不精確性的資訊。
本論文的目的在探索明確與模糊資料的特性，尤其針對目前在型樣識別中存在的幾項主要議題提出討論、並提出解決的方法。本論文基於資料的特性分為兩大部分：第一部份針對明確資料的因素分析，首先提出一套流程，以滿足因素分析要求因子必需獨立且重要的之充分必要條件，其中以督導式的類神經網路學習法決定擷取因子的重要性；接著，提出一似競爭學習(Pseudo-competitive learning)的模糊聚類分析法，對資料依其特徵進行聚類，並且同時藉由這學習方法來決定資料的類別數(群數)。第二部份乃針對模糊資料的分群在模糊類神經網路的學習架構下，根據所發展的一般性模糊數運算近似法有效辨認與分類模糊資料。
對於各一提所提出之解決方法，我們均以示例說明、並以實際案例來測試與比較之。由所應用的案例如電信業顧客分析、台灣茶葉品質評估、台灣地區的地震預測、IRIS聚類分析、模糊邏輯規則資料顯示所提出的分析方法在效率與準確度上均能達到相當良好的型樣識別的目的。
|
|---|