臺灣博碩士論文加值系統

本研究利用「最小平方支援向量機」（Least Square Support Vector Machine，LSSVM）做為預測工具，其不需先提供充足的資訊範圍及預設任何的假設，且正確性不易受到資料量大小之限制；並於預測模型中納入影響經濟環境的變數，使得預測模式在經濟環境改變時，仍保有其正確性。本研究利用「類神經網路」圈選出所要訓練範圍來做訓練和測試後分類出植生分佈區域，加上「支援向量機」需先提供充足的資訊範圍及預設任何的假設，且正確性容易受到資料量大小之限制；並於預測模型中納入影響環境的變數，使得預測模式在環境改變時，仍保有其正確性。本研究以類神經網路分類出資料和支援向量機分類出資料進行比較，探討支援向量機是否為更精準，在變數量的多寡對網路所花費的訓練時間也會有影響，因此如何在變數數量及考量訓練的時間當中取一個平衡點，是值得探討的問題。

This research employed Least Square Support Vector Machine (LSSVM) as the prediction tool. It didn’t require the advance supply of adequate data ranges with any presumption; its accuracy was shielded from the limitation of a sizable data requirement. It accommodated the variables for economic environment in the prediction model so that it retained its accuracy when the economic environment changed. This research applied Artificial Neural Network (ANN) in selected training prerequisites that categorized the vegetation cover area. The support vector machine required the input of adequate data range with presumptions, and its accuracy could be easily influenced by the restriction on data volume. It accommodated the variables for environment changes so that when the environment changed the accuracy was retained. This research applied artificial neural network to categorize the data then to compare them with the data categorized by the support vector machine. It was aimed to find out if support vector machine rendered findings that were superior in accuracy while the amount of variables affected the time spent by the network. It was a worthy discussion to explore the consensus on balancing the amount of variables with the training time.

摘要I
AbstractII
致謝III
目錄V
圖目錄Ⅷ
第一章 緒論1
1.1研究動機1
1.2研究目的2
1.3論文架構與研究流程3
第二章 文獻回顧6
2.1遙感探測（Remote Sensing, RS)6
2.2影像分類方法之應用8
2.2.1非監督式分類8
2.2.2監督式分類法10
2.3類神經網路14
2.3.1類神經網路原理16
2.3.2類神經網路分類17
2.4倒傳遞類神經網路20
2.4.1基本架構20
2.4.2倒傳遞神經網路演算法22
2.5本章小結32
第三章 研究方法介紹33
3.1支援向量機用於分類（Support Vector Classification）33
3.2支援向量機用於迴歸（Support Vector Regression）36
3.3拉格郎奇乘算子41
3.4核函數 44
3.5損失函數45
3.6最小平方支持向量機46
第四章 實驗與分析48
4.1研究區域概況48
4.1.1地理資料48
4.1.2影像資料49
4.2類神經網路分類法-實驗與結果51
4.2.1影像樣本選取53
4.2.2評估訓練成果準確性55
4.2.3類神經網路分類法結果56
4.3支援向量分類法-實驗與結果59
4.3.1支援向量機類法結果59
第五章 結論與建議62
5.1 結論62
5.2 建議62
參考文獻63
圖目錄
圖1-1 研究流程圖5
圖2-1 生物神經元模型15
圖2-2 人工神經元模型示意圖17
圖2-3 網路架構基本分類19
圖2-4 倒傳遞網路基本架構22
圖2-5 轉移函數分類 24
圖3-1 最佳分類超平面35
圖3-2 線性不可分割情形36
圖3-3 轉換成特徵空間之示意圖36
圖3-5 傳統線性迴歸與支援向量迴歸之比較圖41
圖3-7 Bayesian分類結果圖43
圖3.8 Loss Function45
圖4-1 竹山地理位置49
圖4-2 1999年10月南投竹山衛星影像51
圖4-3 nntool 使用者介面視窗52
圖4-4 影像訓練的圈選位置53
圖4-5 訓練區域現地照片54
圖4-6 18234筆類神經網路分類成果56
圖4-7 10234筆神經網路分類成果57
圖4-8 8324筆類神經網路分類成果57
圖4-9 5353筆類神經網路分類成果58
圖4-10 2276筆類神經網路分類成果58
圖4-11 18234筆支援向量機分類成果59
圖4-12 10234筆支援向量機分類成果60
圖4-13 8234筆支援向量機分類成果60
圖4-14 5353筆支援向量機分類成果61
圖4-15 2276筆支援向量機分類成果61

中文部份
1.王鑫，「遙測學」，大中國出版社，1977。
2.林家慶，「應用福衛二號時間序列影像監測曾文水庫集水區崩塌地之時空變化」，碩士論文，國立成功大學地球科學系，台南，2007。
3.蕭國鑫，遙測與 GIS 結合應用於德基水庫集水區土地利用/覆蓋監測，遙感探測，21：21-54，1994。
4.葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，2001 年4 月七版。
5.黃信茗，「地理資訊系統及衛星影像應用於灌溉計畫之研究」，碩士論文，國立屏東科技大學土木工程系碩士班，屏東，2000。
6.黃筱梅，「SPOT 衛星影像於裸露地變遷之偵測研究-以和社地區為例」，碩士論文，國立台灣大學森林學研究所，台北，2000。
7.陳繼潘、徐守道、陳世旺，「應用非監督性類神經網路於SPOT衛星影像分類之研究」，航測及遙測學刊，第二卷，第一期，第1-12 61頁，1997。
8.陳哲俊，「研究計畫綜合報告」，國立中央大學太空及遙測研究中心研究計畫報告，桃園，1989。
9.魏曉萍，「Quick Bird衛星影像探討分類方法之研究」，碩士論文，中華大學土木工程學系碩士班，新竹，2003。
10.戴志強，「運用空間資訊技術擷取海洋表面衛星影像特徵之研究」，碩士論文，義守大學資訊管理研究所，高雄，2007。
11.謝漢欽、鄭祈全，福山地區SPOT多期影像植生綠度分析，林業試驗所研究報告期刊，第10卷，第1期，p105-p120，1995。
12.葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，2001 年4 月七版。
13.林家慶，「應用福衛二號時間序列影像監測曾文水庫集水區崩塌地之時空變化」，碩士論文，國立成功大學地球科學系，台南，2007。
14.羅華強，「類神經網路－MATLAB 的應用」，清蔚科技，2001。
15.鄞祺蔚，「使用層集多重分類法探討衛星影像中河道變遷趨勢之研究-以南投竹山陳有蘭溪為例」，碩士論文，朝陽科大營建工程系，台中，2009。
16.簡世宏，「SPOT衛星遙測影像與DEM應用於崩塌地潛勢分析之研究－以清水溪集水區為例」，碩士論文，國立中興大學水土保持學系，台中，2004。
17.李澄興，「應用類神經路於混凝土強度及彈性模數之預測」，國立台灣大學，碩士論文，台北，1997。
18.陳明澤，「用類神經網路建立以SPT、CPT 及Vs 為主之臨界液化曲線」，私立朝陽科技大學，碩士論文，台中，2002。
19.林長青，「支撐向量機應用於科學探索」，碩士論文，雲林科技大學電子與資訊工程研究所，雲林，2003。
20.林立明，「使用以圖找圖技術之個人臉部獨照檢索系統」，碩士論文，海洋大學資訊工程學系，基隆，2004。
21.陳寬裕、何嘉惠、蕭宏誠，「應用支援向量迴歸於國際旅遊需求之預測」，旅遊管理研究，第四卷，第一期，第81-97 頁，2004。
22.黃敏菁，「支援向量機在財務時間序列預測之應用」，碩士論文，輔仁大學金融研究所，台北，2005。
英文部分
1.Cao, L.,“Support vector machines experts for time series forecasting, ”Neurocomputing, Vol.51, pp.321-339, 2003.
2.Gianinetto, M., Villa P., Lechi G.,“Postflood Damage Evaluation Using Landsat TM and ETM+ Data Integrated With DEM, ”IEEE3.Gunn, S.R., “Support Vector Machine for Classification and Reg-ression, ”Technical Report, Faculty of Engineering and Applied Science,Department of Electronics and Computer Science, University of Southampton,U.S.A, 1998.
4.Lillesand, T.M., and Kiefer, R.W.,“Remote Sensing and Image Interpretation, ” John Wiley & Sons, Inc, New York, U.S, 1994.
5.Müller, K.R., Mike, S., Rätsch, G., Tsuda, K., and Schölkopf, B., “AnIntroduction to Kernel-Based Learning Algorithms, ” Neural Network, Vol.12,No.2, pp.181-201, 2001.
6.Rnsactions Noscience and Remote Sensing, VOL. 44, NO. 1, pp.236-243, 2006.
7.Vapnik, V.N., and Cortes C., “Support vector networks,” Machine Learning,Vol.20, No.3, pp.273-297, 1995.
8.Vapnik, V.N., Golowich, S.E., and Smola, A., “Support vector method forfunction approximation, regression estimation, and signal processing,”Advance in Neural information Processing System, MIT Press, Vol.9,pp.281-287, 1997.
9.V. Vapnik, Statistical Learning Theory. New York: Wiley, 1998.
10.N. Cristianini and J. Shawe-Taylor, An Introduction to Support VectorMachines: Cambridge Univ. Press, 2000.
11.B.J.D. Kruif and T.J.A.D. Vries, “Pruning error minimization in least squares support vector machines”, IEEE Trans. on Neural Netw-orks, vol. 4, no. 3, pp. 696-702, May 2003.
網站部份
1.2009年12月12日南投縣竹山鎮公所
http://village.nantou.gov.tw/chushang/index.asp。