anns評價的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

應用機器學習演算法之厭氧醱酵產甲烷速率預測模型

為了解決anns評價的問題，作者曾裕堯 這樣論述：

摘要 iiiAbstract v目錄 vii圖目錄 ix表目錄 xi第一章 緒論 11-1 研究背景 11-2 研究動機與目的 31-3 研究架構 6第二章 文獻回顧 82-1 生質能與微生物厭氧醱酵 82-1-1 生質能 82-1-2 厭氧醱酵 92-1-3 與厭氧醱酵相關的環境因子 102-2 機器學習(Machine Learning) 122-2-1 原理 122-2-2 機器學習演算法(Machine Learning Algorithm) 152-2-3 回歸演算法-優缺點說明 162-2-4 預測模型概念與步驟解析 182-3 機器學習應用於再生能源與厭氧醱酵產甲烷 202-3

-1 發電預測系統 (國內) 202-3-2 機器學習應用於再生能源 (國外) 212-3-3 機器學習應用於生物能源系統 (國外) 262-3-4 預測產沼氣量與產甲烷量 (國外) 32第三章 實驗材料與方法 353-1 硬體設備、軟體開發環境與演算法參數設定 353-2 實驗流程 353-3 預測模型資料的來源與介紹 373-3-1 蔗糖產氫數據 373-3-2 蔗糖產氫數據 – 模型特徵與標籤 393-3-3 豬糞尿廢水產甲烷數據 463-3-4 豬糞尿廢水產甲烷數據 – 模型特徵與標籤 473-4 資料前處理 543-4-1 數據的補值 543-4-2 特徵的正規化 553-5 使用灰

關聯分析決定特徵關聯性排序 553-6 機器學習演算法 583-6-1 支持向量機 (Support Vector Machine) 583-6-2 決策樹 (Decision Tree) 593-6-3 隨機森林 (Random Forest) 613-6-4 極端梯度提升 (eXtreme Gradient Boosting) 623-6-5 K-近鄰 (K Nearest Neighbor) 633-7 模型評價指標 643-7-1 Mean Square Error 643-7-2 R squared 65第四章 結果與討論 674-1 產氫速率預測模型 674-1-1 模型特徵關

聯性排序 674-1-2 預測模型適用性篩選-不同特徵數與演算法 684-1-3 使用MSE與R squared評估模型準確度 744-1-4 預測產氫速率 784-1-5 國外文獻探討 794-2 產甲烷速率預測模型 814-2-1 模型特徵關聯性排序 814-2-2 預測模型適用性篩選-不同特徵數與演算法 824-2-3 使用MSE與R squared評估模型準確度 884-2-4 預測產甲烷速率 924-3 模型應用 934-3-1 預測未來的產甲烷速率 934-3-2 國外文獻探討 95第五章 結論與建議 985-1 結論 985-2 建議 99中文參考文獻 101英文參考文獻 105

網路參考文獻 117附錄A 預測模型適用性篩選 120附錄B 預測模型程式碼 151

基於人工神經網路的雨水下水道溢淹預警研究

為了解決anns評價的問題，作者李淑琪 這樣論述：

近年來，由於城市化發展伴隨著不透水面積的增加，使得雨水的下滲量降低、區域內水流的匯流速度加快。同時，一些城區的雨水下水管道設施老舊，設計排水量不滿足當前需求，且存在雨汙管道混接現象。多種因素的綜合，使得許多城市每逢暴雨必淹，造成嚴重的生命財產損失。極端降水事件提高了政府和市民對城市內澇進行預測和管理的意識，如何降低城市淹水現象的發生頻率、控制雨水管理不當帶來的負面影響已成為國內外亟待解決的問題之一。本文利用機器學習與物理模型相結合的方法，從分類建模與回歸建模兩個方面開展城市淹水預警的深入研究，主要研究內容及相關成果如下：（1）面向城市徑流預測的有效降雨因數的選取：通過考慮降雨-水深的時空相關

性，提出了一種基於多輸出神經網路水深預測的有效降雨輸入維度選取方法。時空相關性分析包含兩個部分，一方面，人孔間的水深空間相關分析表明研究區域中的人孔間具有很強的互相關性，故不對人孔進行分類，而是讓模型的輸出拓撲等於研究區域的人孔個數。另一方面，降雨-水深的時間相關分析考慮了降雨-水深之間存在的時滯性，可為後續的試演算法提供降雨輸入維度的取值範圍。（2）基於二進位-反向傳播神經網路（Binary Back-Propagation Neural Network，Binary-BPNN)的人孔水深分類預測：在時空相關性分析基礎上，採用機器學習中的分類演算法，構建了一種將物理模型類比的人孔水深作為神經

網路的訓練資料來源的混合型城市即時人孔水深分類預測模型，並通過四場實測暴雨對該模型的有效性進行了測試。結果表明，提出的Binary-BPNN替代模型在城市即時洪水預測上具有較好的結果，能提供滿足實際應用需求的人孔水深分類預測。（3）基於反向傳播神經網路(Back-Propagation Neural Network，BPNN)和長短時記憶神經網路(Long Short-Term Memory Network，LSTM)的人孔水深回歸預測：在時空相關性分析基礎上，採用機器學習中的回歸演算法，構建了BPNN與LSTM分別耦合物理模型的多人孔水深回歸預測混合模型，並通過四場實測暴雨對LSTM與BPN

N的有效學習能力及準確預測能力進行了測試與對比。結果表明，提出的LSTM和BPNN水深回歸模型提取了358個人孔之間的非線性空間關係以及降雨和徑流之間的時滯關係，能夠有效調整神經元間的連接權重，提供較好的雙排水系統人孔水深預報。