本論文以類神經網路來預測隔日高雄市空氣能見度，欲從眾多的氣象參數中選取出與能見度最有相關性的特徵變數組合，以找到此變數組合與能見度間的映射關係。
由於氣象參數眾多，在進行類神經網路訓練前，利用特徵選取技巧中次最佳化的Sequential Floating Search Method來選取出對各網路有最佳分類效果的輸入變數組合。論文中使用的是函數模擬型RBF類神經網路，其特性是在不知明確系統數學模式的情形下，能夠找到輸出入值間的對應關係。本論文提出7種分季網路的架構來進行訓練以及預測的工作，由結果得知分季網路的組合，其分類效果比不分季網路要來得佳。
論文中將所有資料依時間分成三大群組，每組資料均進行特徵變數選取、RBF網路測試、與92年資料預測，最後並將所有結果進行比較分析。

none

摘要 ………………………………………………………………………… i
目錄 ………………………………………………………………………... ii
圖目錄 ……………………………………………………………………... v
表目錄 ………………………………………………………….………….. vii
第一章 緒論 ………………………………………………………...…… 1
1.1 前言 ……………………………………………………………… 1
1.2 研究動機與目的 ………………………………………………… 2
1.3 論文架構 ………………………………………………………… 3
第二章 時間序列分析與特徵變數選取技巧 ………………………...… 5
2.1高雄地區氣象及空氣品質現況描述 ……………………………. 5
2.1.1空氣污染物 …………….………………………………..… 6
2.1.2氣象參數 ………………………………………………...… 7
2.1.3空氣能見度 …………………………..………………...… 10
2.2時間序列分析 ….……………...……………………………….... 13
2.2.1 Trend ……………….…………………………………..… 13
2.2.2 ARMA Model ……………………………………………. 19
2.3 特徵變數選取方法 ….…….………….……………………… 24
2.3.1 Sequential Backward Selection …………..…………...… 25
2.3.2 Sequential Forward Selection …………………………… 25
2.3.3 Sequential Floating Search Method ……………………… 29
第三章 RBF網路架構與其演算法 …………………………………… 33
3.1網路架構 ………………………..………………………..……… 33
3.2正交最小平方法則 ……………………………………….……... 34
3.3隱藏層神經元參數 ………….………………..…………………. 38
3.4 Early Stop …………………………..…….……………………... 41
第四章 研究方法 ………………………………………………….…… 44
4.1數據前處理 …………………..………………………………..… 44
4.1.1無效點的線性近似 ……..……..………………………… 45
4.1.2正規化 ……..……………..……………………………… 46
4.2網路架構及參數之設定 ………………………………………… 47
4.3分季網路架構 ………………….………………………...……… 49
4.4資料分群訓練 ..…………………………………………..……… 50
4.5研究流程 ..………………………………………………..……… 51
第五章 實驗結果與驗證 …………………..……………………...…… 54
5.1輸入與輸出變數間的對應比較 ……………………………….... 54
5.2特徵變數組合選取結果 ……………………...……...………….. 55
5.2.1 SFSM人造資料測試 .……………………..…………….. 55
5.2.2 SFSM與SFS效果比較 ……………...…………………... 57
5.2.3各網路SFSM結果組合 ……………...………………….. 58
5.3 RBF網路效果測試 …………………………………………...… 62
5.4以MLP網路訓練夏季及夏半季資料 ..………………………… 64
5.5 92年資料預測 ..……………………………………………….… 66
5.6連續610筆資料網路訓練模式 ..……………………………..… 68
第六章 結論與建議 ……………………………………………………. 69
6.1結論 ………………………..……………………………………. 69
6.2建議 …………………….……………………...……...………… 70
參考文獻 …………………………………………………………………. 72

G.E.P. Box, G.M. Jenkins, and G.C. Reinsel., 1994,“Time Series Analysis, Forecasting and Control,”3 edition, Ed. Englewood Cliffs: Prentice Hall.

G.Zhang, B.E. Patuwo, and M.Y.Hu,“Forecasting with Artificial Neural Networks: The State of The Art,”Int. J. Forecast., vol. 14, pp.35-62, 1998.

J. Barry Gomm, and Ding Li Yu,“Selecting Radial Basis Function Network Centers with Recursive Orthogonal Least Squares Training”, IEEE Transactions on Neural Networks, vol.11, pp.306-314, 2000.

J.T. Connor and R.D. Martin., 1994,“Recurrent Neural Networks and Robust Time Series Prediction.”, IEEE Transactions of Neural Networks, 2(5):240-253, 1994.

P. A. Devijver and J. Kittler. , 1982,“Pattern Recognition: A Statistical Approach.”, Prentice-Hall.

P. Pudil, J. Novovičová, and J. Kittler.,“Floating search methods in feature selection.”, Pattern Recognition Letters, 15(11):1119–1125, 1994.

T. M. Cover and P. E. Hart,“Nearest neighbor pattern classification”, IEEE Trans. Inform. Theory, vol. IT-13, pp.21-27, 1967.

丁裕國, 江志紅,“氣象數據時間序列處理”, 台灣高等教育出版社, 1998。

林楨喨,“以線性迴歸的技巧加強RBF類神經網路的引申能力”, 碩士論文, 國立中山大學機械工程研究所, 2001。

林逸塵,“類神經網路應用於空氣品質預測之研究”, 碩士論文, 國立中山大學環境工程研究所, 2002。

袁中新, 楊宏宇, 林文印, 袁菁, 周本生, 李崇垓,“空氣中能見度改善計劃”, 高雄市政府環境保護局, 1999。