<link rel="stylesheet" href="styles.cf390c6bfbe7555f.css">

學術出版;;Publications

Permanent URI for this communityhdl:11536/1

收集所有交通大學研究人員與學生個人或團體所發表之各項學術著作，涵蓋期刊論文、教師專書、學位論文等項。;;Collections of Publications of NCTU Researchers and Students Like Journal Papers and Thesis.

Browse

Filters

1993 - 199952000 - 2009112010 - 20156

Settings

🏛️國立陽明交通大學機構典藏

Author: search.filters.author.黃國源

Search Results

Now showing 1 - 10 of 22
  • Thumbnail Image
    Item type:Item,
    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）
  • Thumbnail Image
    Item type:Item,
    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。
  • Thumbnail Image
    Item type:Item,
    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。
  • Thumbnail Image
    Item type:Item,
    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）
  • Thumbnail Image
    Item type:Item,
    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。
  • Thumbnail Image
    Item type:Item,
    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。
  • Thumbnail Image
    Item type:Item,
    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。
  • Thumbnail Image
    Item type:Item,
    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
  • Thumbnail Image
    Item type:Item,
    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
  • Thumbnail Image
    Item type:Item,
    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