Browsing by Author "HUANG KOU-YUAN"

Now showing 1 - 20 of 22

Hough 轉換之類神經網路於震測圖型之偵測(II)
(2006)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系(所)
近年來，類神經網路的理論和應用之發展在國際上變得越來越重要。過去一年，我們的計劃獲得國科會的支持，我們提出改良式的Hough transform network，能減少傳統 Hough transform 的龐大計算量與記憶體空間，並且有效的偵測出非傾斜地層的直接波的直線圖型與反射波的雙曲線圖型。今年，我們將延續上一年的計劃，將繼續研究及利用改良式的Hough transform network，此一network 包含gradient descent 的方法與競爭學習，並且強調於傾斜地層中反射波的雙曲線圖型之偵測，在求得參數後，我們就可以計算出傾斜地層的傾斜角，除此之外也將加入折射波的直線圖型之偵測。我們將提出一套完整的「震測圖形處理與辨識系統」，針對單炸點震測圖，辨識直接波、反射波、與折射波，除了模擬的震測數據 (simulated seismic data)之外，我們也將應用到實際的震測數據(real seismic data)，藉由這一套系統偵測的結果，將有助於震測訊號的解釋與進一步之處理。
Hough轉換之類神經網路於震測圖型之偵測
(2005)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊科學學系(所)
類神經網路的理論及應用之研究，近年來在國際上是愈來愈重要，應用範圍也相當的廣泛。我們提出利用Hough 轉換的類神經網路的競爭學習法則，完成決定直線與雙曲線，此一方法將可減少傳統的Hough 轉換的龐大計算量與記憶體空間，而所決定的直線與雙曲線的參數將更精確，進而應用到單炸點震測圖，辨識直接波與反射波，偵測的結果將有助於震測訊號的進一步處理與解釋。
多層感知器結合粒子群演算法於井測資料反推之研究
(2013)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系（所）
模擬退火參數偵測系統於物件偵測與震測圖形之應用
(2007)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系(所)
類神經網路的理論及應用之研究，近年來在國際上愈來愈重要，應用範圍也相當的廣泛。我們將提出利用模擬退火演算法的系統，偵測直線、圓、與橢圓的參數，不同於赫夫轉換類神經網路(Hough transform neural network)會受到收斂到區域最小值的影響，此一系統利用模擬退火演算法求得的參數，會使得誤差為全域的最佳化(最小值)，因而能夠使得偵測的直線、圓、與橢圓的參數將更精確。此系統並能夠改善傳統赫夫轉換(Hough transform)需要大量記憶體空間的缺點。對於參數物件的數量的決定，赫夫轉換類神經網路需要人為先設定，我們將提出一套估計的準則，利用誤差的控制，能夠達到自動化的估計參數物件的數量。在此系統成功後，我們將擴展到偵測直線與雙曲線，並應用於偵測震測圖形中的直線的直接波與雙曲線的反射波的參數，偵測的結果將有助於震測訊號的解釋與進一步的處理。
模擬退火參數偵測系統於物件偵測與震測圖形之應用(II)
(2008)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系(所)
類神經網路的理論及應用之研究，近年來在國際上愈來愈重要，應用範圍也相當的廣泛。今年現在做的國科會計畫，我們提出利用模擬退火演算法的圖形偵測系統，偵測直線、圓、橢圓、與雙曲線的參數。不同於赫夫轉換類神經網路(Hough transform neural network)會受到收斂到區域最小值的影響，此一系統利用模擬退火演算法求得的參數，會使得誤差為全域的最佳化(最小值)，因而能夠使得偵測的直線、圓、橢圓、與雙曲線的參數將更精確，但受限於圖形的公式，不能同時偵測橢圓與雙曲線，所以我們提出新的圖形公式及同時式的圖形偵測系統，改進目前的系統，使其可同時偵測橢圓與雙曲線。我們也提出階層式的圖形偵測系統，可減少大量參數之計算，及可用於大量圖形之偵測上。此兩系統皆能夠改善傳統赫夫轉換(Hough transform)需要大量記憶體空間的缺點，而階層式的圖形偵測系統因其初始溫度與降溫次數較少，能比同時式的圖形偵測系統，得到更快的收斂。本計畫第一年我們將作同時式的圖形偵測系統，第二年我們將作階層式的圖形偵測系統。在實驗上，此兩系統於影像中大量圖形偵測成功後，我們將應用於偵測震測圖形中的直線的直接波與雙曲線的反射波的參數，其震測圖形包含模擬震測圖形與實際震測圖形，偵測的結果將有助於震測訊號的解釋與進一步的處理。
模擬退火參數偵測系統於物件偵測與震測圖形之應用(III)
(2009)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系(所)
類神經網路的理論及應用之研究，近年來在國際上愈來愈重要，應用範圍也相當的廣泛。我們提出利用以機率為基礎的模擬退火演算法的圖形偵測系統，偵測直線、圓、橢圓、與雙曲線的圖型參數。不同於赫夫轉換類神經網路(Hough transform neural network)會受到收斂到區域最小值的影響，此一系統利用模擬退火演算法求得的圖型參數，會使得誤差為全域的最小值(最佳化)，因而能夠使得偵測的直線、圓、橢圓、與雙曲線的參數將更精確。在實驗上，此系統於影像中圖形偵測成功後，我們將應用於震測圖形中的直線的直接波與雙曲線的反射波的參數之偵測，其震測圖形包含模擬震測圖形與實際震測圖形，偵測後的結果將有助於震測訊號的解釋。在更進一步的應用上，有別於傳統的速度分析方法，我們將用於 Common Depth Point (CDP) gather 的 data 作雙曲線的參數偵測，由偵測到的參數，求出震波的 root-mean-squared 速度，再對震測圖作 normal moveout correction (NMO) 修正，及 stacking，得出stacked 後的震測資料，以反映地層的震波的垂直來回時間的震測圖形。
模擬退火系統於震測速度選取之最佳化之研究
(2010)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系（所）
我們提出一個運用模擬退火演算法來解決反射震測訊號處理中速度選取 (velocity picking) 最佳化的問題。速度分析是基於在一個2D的速度影像 (semblance image) 裡挑選出time-velocity pairs，time-velocity pairs形成的曲線 (polyline) 表示速度與時間之間的關係函式。傳統的震測訊號速度選取是由有經驗的地球物理專家透過觀察semblance image及seismic survey來進行選取，需要花費不少時間。我們提出整個速度選取問題可以被公式化成為最佳化問題。我們使用peak-climbing clustering來識別semblance中極大peaks之所在。在peaks排列集合而成的有限解集合中，利用模擬退火演算法找到全域最佳解。從實驗中，使用模擬震測資料以模擬退火演算法找到最佳化的stacking velocity與時間的對應關係，再作normal moveout correction (NMO) 修正及stacking，得出stacked traces，可以反映真實地層的原貌 (in time)。我們的研究結果將有助於速度選取最佳化及自動化，並有助於震測訊號的解釋。
模擬退火與基因演算於震測速度選取之最佳化之研究
(2011)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系（所）
我們採用模擬退火與基因演算法來解決反射震測訊號中速度分析的問題。模擬退火與基因演算法具有搜尋全域最佳解的能力。傳統的震測速度選取是由地球物理專家透過觀察 semblance image 來進行，得出時間與速度之間的關係函式，然而此過程耗時。我們把整個速度選取問題轉化成為組合最佳化的問題，並建立能量函式，包含被選取點的semblance、數量、與interval velocity和velocity slope的限制條件，計算候選的time-velocity pairs的能量，進而利用模擬退火演算法與基因演算法找到全域最佳解，即最佳化的 stacking velocity與時間的對應關係。之後，可進一步執行動態修正及共中點疊加，以反映真實地層的原貌 (in time)。我們的研究有助於進一步的震測資料處理與解釋。
模糊K個最近鄰點法則於震測圖型識別之研究
(1994)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊科學研究所
模糊K個最近鄰點法則(Fuzzy K nearest neighbors rule)是一個利用測試圖形(Testing pattern)的K個最近鄰點所提供的對各分類(Class)所屬程度( Membership degree)訊息,而亦給予測試圖形對各分類所屬程度的方法.它的優點在於較不受K值影像,並提供了穩健的 (Robust)辨識能力.對於震測資料(Seismic data)識別工作而言,震測描繪編輯( Seismic trace editing)與首先到達信號選取(First arrival picking)常常會因雜訊干優 (Disturbance)而嚴重影像識別率.因此,我們需要一個能提供不受信號對雜訊(Signal-to-noise)改變的影響,而擁有穩健與可信賴辨識能力的程序與方法.本研究將針對模糊K個最近鄰點法則在震測資料上的穩健性識別,以及辨識率上作一深入研究.而為了提升此識別法之運算效能,我們也將發展相對應具有平行運算能力之神經網路 (Neural network) 架構與演算法.
矩陣語言之剖析於構造圖型識別之研究
(1993)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊科學研究所
神經網路於中文文字強健性的辨認之研究
(1995)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程研究所
在這一研究計畫中,吾人提出類神經網路於中文文字之強健性之辨認.所考慮中文字分階段性作測試.第一階段為30個中文字,再逐次遞增辨認之數目,目標為500個,甚至更多.在對抗 Noise之強健性分析方面,吾人採用階段性之方法 ,亦即考慮如10%、15%、20%、25%,之雜訊加入中文字,而每一階段均作重新學習之動作,期使因重新學習而使辨識率提高.在類神經網路的模式與學習的法則方面,將考慮採用Back-Propagation的Multilayer Perceptron(MLP)、Raial Basis Function在MLP之架構及One-ClessOne-Net的架構、Node growing之技巧等,由這些方法所得的結果,再比較各方法的 Convergence問題、Learning computation time及Recognition rate.由於在提本計畫前已作了一篇與此直接有關的Paper,投到Computer Processing of Chinese and Oriental Languages期刊,已得到正面的肯定,因此希望能得到國科會之支助,做更詳盡之分析,並測試更多的中文字,使得實驗結果更客觀,以使 Paper被早日刊登出來,並能驗證用Neural networks於應用上有一進展.
神經網路於震測主分量分析之研究
(1997)
黃國源
;
HUANG KOU-YUAN
;
交通大學資訊科學研究所
蜂巢式類神經網路於震測反射層之檢取
(2003)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊科學學系
蜂巢式類神經網路於震測圖型識別之研究
(2004)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊科學學系
類神經網路的理論及應用之研究，近年來在國際上是愈來愈重要，應用範圍也相當的廣泛。類神經網路的Cellular neural network 由美國加州大學UC Berkeley 的Professor Leon O. Chua 於1988 年所提出，可解圖形辨認及最佳化的問題。Cellular neural network 是每一個node 其下一個時間的狀態值，是受到在此node 的鄰近的nodes 的輸出及輸入之影響，因此比起Hopfield model，Cellular neural network 更具解問題之一般化。我們提出利用Cellular neural network 作震測圖型識別(Seismic pattern recognition)。先作前處理，抽取縱方向(時間方向)的波子(Wavelet)的頂點(peak)設成1，其餘設成0，轉換為二值圖型。我們的方法是將Cellular neural network 的運動方程式(Equation of motion)設計成聯想記憶體(associative memory),然後再利用聯想記憶體來做辨識的工作。這一計劃的第一年除作理論上之分析與探討外，將應用到模擬的震測圖型，如具有含油氣構造的亮點圖型、尖滅構造、.等等。如進行順利則第二年將再提出計劃應用到實際上探油的real data。震測圖型識別將有助於震測資料之探油分析及解釋。
霍氏類神經網路於震測反射層之檢取
(2000)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊科學研究所
霍氏類神經網路於震測速度選取之最佳化之研究
(2014)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系（所）
類神經網路方法於井測資料反推之研究
(2012)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系（所）
井測反推是一種利用儀器來蒐集地下的資訊並藉此推測地層特性的技術，已經被廣泛地使用在油氣探測的工業上。然而，井測視導電率與地層真實導電率之間是一種非線性的映對關係，對於井測的反推來說是一項困難的工作。類神經網路的架構提供了非線性輸入與輸出間的映對關係，而且可以在反推的問題上獲得不錯的結果。我們提出三種類神經網路網路架構來解決井測反推的問題。首先，多層感知器(Multilayer Perceptron, MLP) 網路利用梯度坡降法經由訓練過程來調整權重值，以逼近輸入輸出值之間的映對關係。除此之外，為了加強網路的非線性映對能力，我們提出高階特徵值類神經網路(Higher Order Feature Neural Network, HONN)，其特性為使用次方函數來反應出輸入特徵值的高階項。另外，我們也提出修改後的兩層輻射半徑基底函數(Radial Basis Function Network, RBF) 網路與改良式三層的RBF，應用於井測資料的反推。針對我們所提出的三種網路架構用於井測的模擬資料。由初步的實驗結果顯示，MLP網路在輸入為十個特徵值，隱藏節點個數為二十七個以及輸出節點為十個的時候，可以得到與模擬資料間的最小平均絕對值誤差。HONN在輸入為十個特徵值且擴展到三階，隱藏節點為八個，以及輸出節點為十個的時候，可以得到與模擬資料間的最小平均絕對值誤差。而改良式三層的RBF在輸入為十個特徵值，第一層節點為廿七個，第二層節點為九個，以及第三層(輸出)節點為十個的時候，可以得到與模擬資料間的最小平均絕對值誤差。在實際應用的方面，我們也將所提出的三種網路架構MLP，HONN與三層的RBF應用在真實的井測資料上，以測試網路的反推結果。對井測的反推問題有不錯的結果，將表示我們所提出的方法對於井測資料的反推是可行且有效率的。
類神經網路方法於井測資料反推之研究(II)
(2015)
黃國源
;
HUANG KOU-YUAN
;
國立交通大學資訊工程學系（所）
類神經網路於圖型識別之研究
(1993)
黃國源
;
HUANG KOU-YUAN
;
交通大學資訊科學研究所
類神經網路於震測圖型的強健性之辨認
(2000)
黃國源
;
HUANG KOU-YUAN
;
交通大學資訊科學研究所