| 主权项 |
一种智慧型理论设计双环型滤波器方法，利用智慧型理论设计双环型滤波器方法流程包含有学习过程、检测过程与再学习过程，其中学习过程是从学习样本资料库，藉由双环型滤波器设计参数做向量化作为神经网路的输入向量i>x/i>i，而i>n/i>个输出节点分别对应于i>s/i>种双环型滤波器参数，然后再以神经网路输出值与样本实际输出值之误差最小化作为目标函数，将神经网路各节点键结值调整至最佳化，以获取最精确之双环型滤波器数据结果，并获得神经网路每一个节点之最佳键结值，以下就神经网路学习过程之步骤包含有，步骤一：设定初始键结值i>u/i>ij,i>w/i>jk及沿水平轴之饱和函数之偏差θj,θk均为很小乱数；步骤二：当停止条件尚未到达时，神经网路输出值与训练样本实际输出差异小于容许值，作步骤三到步骤十，否则结束学习过程；步骤三：对每一个双环型滤波器参数训练样本，作步骤四到步骤九；步骤四：将辨识向量(双环型滤波器参数向量)i>x/i>i传送到隐藏层的每一个节点作全连结运算；步骤五：计算隐藏层之输出值i>h/i>j，@sIMGCHAR!d10020.TIF@eIMG!，其中作用函数定义为@sIMGCHAR!d10017.TIF@eIMG!；步骤六：计算每一个输出节点i>y/i>k，@sIMGCHAR!d10021.TIF@eIMG!；步骤七：计算每一个输出节点之回传误差@sIMGCHAR!d10018.TIF@eIMG!，(i>y/i>k,i>k/i>=1,2,…,i>m/i>)及键结修正量@sIMGCHAR!d10019.TIF@eIMG!，其中学习率0<α<1，实际输出值i>t/i>k；步骤八：计算隐藏层每一节点之键结修正值@sIMGCHAR!d10023.TIF@eIMG!及回传误差@sIMGCHAR!d10022.TIF@eIMG!，(i>h/i>j,i>j/i>=1,2,…,i>p/i>)；步骤九：更新每一个键结值i>w/i>jk(i>new/i>),i>u/i>ij(i>new/i>),θk(i>new/i>),θj(i>new/i>)，其中i>w/i>jk(i>new/i>)=i>w/i>jk(i>old/i>)+Δi>w/i>jk，i>u/i>ij(i>new/i>)=i>u/i>ij(i>old/i>)+Δi>u/i>ij，θk(i>new/i>)=θk(i>old/i>)+Δθk，θj(i>new/i>)=θj(i>old/i>)+Δθj；步骤十：测试停止条件是否为真，如果否则回步骤二，是则停止学习；b>检测过程/b>，其步骤含括有，步骤一：输入双环型滤波器之参数向量；步骤二：神经网路计算双环型滤波器之特性，将双环型滤波器之参数向量作为神经网路输入向量，并计算神经网路各输出节点输出值，以最大输出值之输出节点相对应于所代表之双环型滤波器之参数，其中智慧型理论设计双环型滤波器方法评估步骤说明如下：评估1：将学习过程将中所训练完成之神经网路键结值固定i>u/i>ij,i>w/i>jk,θj,θk；评估2：对每一个测试样本，作评估3至评估5；评估3：将辨识向量(双环型滤波器参数向量)i>x/i>i传送到隐藏层的每一个节点作全连结运算；评估4：计算隐藏层之输出值i>h/i>j，@sIMGCHAR!d10024.TIF@eIMG!，其中作用函数定义为@sIMGCHAR!d10025.TIF@eIMG!；评估5：计算每一个输出层之输出值i>y/i>k，@sIMGCHAR!d10026.TIF@eIMG!；评估6：将i>y/i>k带入方程式，求得对应之双环型滤波器之参数，i>category/i>(i>x/i>1,i>x/i>2,…,i>x/i>n)={i>k/i>∣max{i>y/i>1,i>y/i>2,…,i>y/i>s}}；步骤三：检测是否有误差样本，如果有，将误判样本资料储存于学习样本资料库以利再学习资料之取得；步骤四：检测是否结束，如果否回步骤一，如果是则停止检测过程；b>再学习过程/b>，其步骤包含有，步骤一：将所有误差样本加入于学习样本资料库；步骤二：重新进行上述学习过程，使神经网路各节点权重可重新进行调整达至最佳化，以有效对近似或雷同之误差样本不会再发生误判，而提升本发明之辨识精确度；藉由上述诸流程之组合，以双环型滤波器之参数i>n/i>项属性向量作为神经网路的i>n/i>个输入向量i>x/i>i,i>i/i>=1,2,…,i>n/i>，i>s/i>个输出节点i>y/i>k,i>k/i>=1,2,…,i>s/i>分别对应于i>s/i>种双环型滤波器之参数，依序进行学习过程、检测过程与再学习过程，其中学习过程中，藉由神经网路利用训练样本已知之输入值与输出值调整各节点权重，使神经网路输出值与样本实际输出值之误差最小作为目标函数，将各节点键结值调整至最佳化，以提升神经网路辨识精度，学习过程结束后并固定各节点权重，以利检测过程之辨识；检测过程中将等待检测样本属性向量作为辨识向量，经由神经网路进行双环型滤波器参数计算，评估过程如果有误差样本，则将误差样本资料储存于学习样本资料库以利再学习资料之取得；再学习过程是经由误差样本加入于学习样本资料库，使神经网路调整各节点权重，以达至后续检测过程对于相似或雷同之前述误判样本不再产生误判情形，以提高双环型滤波器设计之精确度。如申请专利范围第1项所述之智慧型理论设计双环型滤波器之方法，其中该训练样本之双环型滤波器之参数向量，可由标准方法先求得双环型滤波器之参数向量，作为双环型滤波器参数之训练样本。如申请专利范围第1项所述之智慧型理论设计双环型滤波器之方法，其中双环型滤波器参数向量是经由实验或模拟所获取，每一笔训练资料包含7项(或其他更多项之i>n/i>+i>1/i>维)数据，前7项(或前i>n/i>维)数据为双环型滤波器系统设计属性向量，依序为i>X/i>1到i>X/i>7，其中i>X/i>1输入与输出夹角、i>X/i>2输出与中心线夹角、i>X/i>3耦合线宽、i>X/i>4耦合电容、i>X/i>5外圆半径、i>X/i>6内圆半径、i>X/i>7测试信号；第8项(或i>n/i>+i>1/i>项)至第17项(或i>n/i>+i>10/i>项)数据是依据现有已知标准方法所获取之双环型滤波器系统设计参数属性向量为i>Y/i>1频宽、i>Y/i>2增益，输出与输入值之对应关系可由实验过程获得(或由已知标准方法获取之输入与输出之评估值)。如申请专利范围第1项所述之智慧型理论设计双环型滤波器之方法，其中，该神经网路的i>n/i>个输出节点分别对应于i>s/i>种双环型滤波器之参数，其对应方式分别为依序为i>X/i>1到i>X/i>7，其中i>X/i>1输入与输出夹角、i>X/i>2输出与中心线夹角、i>X/i>3耦合线宽、i>X/i>4耦合电容、i>X/i>5外圆半径、i>X/i>6内圆半径、i>X/i>7测试信号。一种智慧型理论设计双环型滤波器之装置，其中该智慧型理论设计双环型滤波器之方法计算装置包含有电脑内设有学习样本资料库与神经网路作级之方法，藉由该神经网路作双环型滤波器参数计算，首先将双环型滤波器参数i>n/i>项属性向量作为神经网路的i>n/i>个输入向量i>x/i>i,i>i/i>=1,2,…,i>n/i>，i>s/i>个输出节点i>y/i>k,i>k/i>=1,2,…,i>s/i>分别对应于i>s/i>输出节点，依序进行学习过程、检测过程与再学习过程，其中学习过程中，藉由神经网路利用训练样本已知之输入值与输出值调整各节点权重，使神经网路输出值与样本实际输出值之误差最小作为目标函数，将各节点键结值调整至最佳化，以提升神经网路辨识精度，学习过程结束后并固定各节点权重，以利检测过程之辨识；检测过程中将等待检测样本属性向量作为辨识向量，经由神经网路进行双环型滤波器参数计算，评估过程如果有误差样本，则将误差样本资料储存于学习样本资料库以利再学习资料之取得；再学习过程是经由误差样本加入于学习样本资料库，使神经网路调整各节点权重，以达至后续检测过程对于相似或雷同之前述误差样本不再产生误判情形，以提升双环型滤波器的精度。 |
