博碩士論文 etd-0824110-012718 詳細資訊


論文電子檔
  • 9574613.pdf
  • 本電子全文僅授權使用者為學術研究之目的,進行個人非營利性質之檢索、閱讀、列印。
    請遵守中華民國著作權法之相關規定,切勿任意重製、散佈、改作、轉貼、播送,以免觸法。
    電子檔上網權限 校內5年後、校外永不公開
    統計 本論文已被瀏覽 1431 次,被下載 0 次
    中文姓名 黃誌浩
    英文姓名 Chih-Hao Huang
    電子信箱 Kevin.CH.Huang@qisda.com;HC621217@ms24.hinet.net
    系所名稱(中) 工業與系統工程研究所
    系所名稱(英) Industrial Engineering
    學年度 98
    學期 2
    學位(中) 碩士
    學位(英) Master
    論文種類 碩士論文
    論文語文別 中文
    論文名稱(中) 應用機器學習於投影機噪音預估之研究
    論文名稱(英) The Development of Noise Predictive Models for Projector with Machine Learning
    頁數 53
    論文目次 目錄
    中文摘要 I
    Abstract II
    致謝 III
    表目錄 VI
    第一章 緒論 1
    1-1 背景研究動機 1
    1-2 研究目的 2
    1-3 研究範圍與內容 2
    1-4 論文架構與流程 2
    第二章 背景探討 4
    2-1 公司背景簡介 4
    2-2 投影機介紹 5
    2-3 本研究所使用投影機型號 8
    2-4 影響投影機系統噪音的主要因素 9
    2-5 應用機器學習方法中的決策樹與類神經網路技術 15
    第三章 研究方法 21
    3-1 研究架構 21
    3-2 資料來源與前處理 22
    3-3 機器學習應用軟體WEKA簡介 24
    3-4 機器學習應用軟體Qnet2000的簡介 25
    3-5 實際預測與評估指標 26
    第四章 實證結果分析 28
    4-1 研究資料處理 28
    4-2 收集資料 28
    4-3 應用WEKA軟體建立決策樹預估模式 29
    4-4 應用Qnet 2000建構逆傳遞類神經網路預估模式 34
    4-5 類神經網路學習參數設定 37
    4-6 決策樹及類神經網路的預測模式結果分析 41
    4-7 決策樹與類神經網路機器學習模式評估與比較 41
    第五章 結論與建議 44
    參考文獻 46

    圖目錄
    圖 1-1 論文架構 3
    圖 2-1 投影機之使用領域分佈 4
    圖 2-2 解析度等級表 5
    圖 2-3 DLP投影機光路徑示意圖(一) 6
    圖 2-4 DLP投影機成像原理示意圖(二) 7
    圖 2-5 B公司時尚投影機 8
    圖 2-6 Main BD示意圖 10
    圖 2-7 電源供應器(Power BD)示意圖 10
    圖 2-8 燈泡啟動器(Ballast) 10
    圖 2-9 軸流風扇示意圖 12
    圖 2-10 鼓風扇示意圖 12
    圖 2-11 風扇擺放位置示意圖 13
    圖 2-12 IC軟體控制示意圖 13
    圖 2-13 燈泡 14
    圖 2-14 菲利普燈泡的示意圖 15
    圖 2-15 燈泡單體各定點的溫度 15
    圖 2-16 倒傳遞類神經網路 18
    圖 3-1 研究架構 22
    圖 3-2 WEKA的主程式介面以及程式主畫面圖 25
    圖 3-3 Qnet 2000的主程式介面以及程式主畫面圖 26
    圖 4-1 J48 Tree得到的60筆的樹狀圖 33
    圖 4-2 倒傳類神經網路 (Example) 34
    圖 5-1 權重位置圖 45

    表目錄
    表 2-1 各知名廠商投影機規格比較 5
    表 2-2 各解析度下的名稱 6
    表 2-3 類神經網路四種轉換函數 19
    表 3-1 設定零組件標準資料 23
    表 3-2 設定噪音標準資料 24
    表 3-3 歸類錯誤率 27
    表 4-1 AD Tree正確率 30
    表 4-2 J48正確率 30
    表 4-3 REP Tree正確率 31
    表 4-4 各決策樹的正確率 31
    表 4-5 J48 Tree得到的60筆正確率 32
    表 4-6 J48 Tree 40筆正確率 33
    表 4-7 類神經網路15-4-1分析表 37
    表 4-8 類神經網路15-5-1分析表 38
    表 4-9 類神經網路15-6-1分析表 38
    表 4-10 類神經網路15-7-1分析表 39
    表 4-11 類神經網路15-8-1分析表 39
    表 4-12 類神經網路15-9-1分析表 40
    表 4-13 類神經網路各模式分析表 40
    表 4-14 決策樹實驗模式比較 41
    表 4-15 決策樹訓練與測試實驗模式比較 41
    表 4-16 類神經網路實驗模式比較 41
    表 4-17 各零組件與輸入編號、平均權重 42
    參考文獻 參考文獻
    [1] Ian H. Written & Eibe Frank (2006) “Data Mining Practical Machine Learning Tools and Techniques, Second edition” Elsevier.
    [2] Frawly W.J., Paitetsky-Shapiro, & Matheus G.C.J, ”Knowledge Discovery in Database: An Overview”, California, edited by G.Piatetsky-Shapiro and Frawley, W.J., AAAI/MIT Press,1991.
    [3] Grupe F.H. and Owrang M.M., “Database Mining Discovering New Knowledge and Cooperative Advantage, “Information System Management, 1995.
    [4] Hall C., “The devil’s in the details: techniques, tools, and application for database mining and knowledge discovery part II, ”Intelligent Software, v1:6, no:9, 1995.
    [5] Fayyad, U.M., Data Mining and knowledge Discovery: Making Sence Out of data, IEEE Expert [see also IEEE Intelligent System], Oct. 1996.
    [6] Han J. and Kamber M,. Data Mining:Concepts and Techniques, San Francisco, CA, USA:Morgan Kaufmann, 2000.
    [7] Kleissner C., Data mining for the enterprise, Proceedings of the Thirty-First Hawaii International Conference on, 1998/
    [8] Berry M.J.A and Linoff G., Data Mining Techniques:For Marketing,
    Sales, and Customer Support, New York:John Wiley & Sons, 1997.
    [9] Reinschmidt J., Gottschalk H,. Kim H., & Zwietering D., “Intelligent Miner of Data: Enhance Your Business Intelligence” , IBM International Technical Support Organization, USA, 1999.
    [10]王美慧,運用類神經網路於證卷業網路下單服務品質之研究,顧客滿意期 刊,民國九十四年。
    [11]吳旭智 & 賴淑貞 譯 (2001),資料採礦理論與實務,維科圖書有限公司,台北縣。
    [12]蘇木春 & 張孝德 (2003),機器學習:類神經網路、模糊系統以及基因演算法則,全華科技圖書公司,台北市。
    [13]陳子立,以模擬為基礎之先進規劃排程法-以 TFT-LCD 模組廠為例,國立清華大學工業工程學系碩士論文,民國92年。
    [14]陳致遠,非相關平行機台排程及派工之研究,國立屏東科技大學工業管理系 碩士論文,民國92年。
    [15]黃彥彰,TFT-LCD 產業多廠區訂單規劃與排程,東海大學工業工程與經營資訊研究所碩士論文,民國92年。
    [16]劉應慶,使用資料採礦技術對資料分類做最佳化之基礎研究,大同大學資訊經營研究所
    碩士論文,民國91年。
    [17]葉怡成,「類神經網路模式應用與實作」,儒林圖書公司,2003。
    [18]劉近興,「以類神經網路研究半導體封裝廠銲線機台選擇問題」,中原大學工業工程學系碩士論文,2005。
    [19]郭一聰,「應用決策樹與類神經網路於應收帳款之呆帳預警模式研究」,中原大學資訊管
    理學系碩士論文,2005。
    [20]李維平,「應用決策樹與類神經網路於應收帳款之呆帳預警模式研究」,中原大學資訊
    管理學系碩士論文,2005。
    [21]陳旗明,「應用資料探勘技術分析車輛燃料之消費行為」,國立成功大學工業與資訊管
    理研究所碩士在職專班碩士論文,2006。
    [22]葉榕真,「在資料對映中的應用機器學習得初探」,中原大學工業工程學系碩士論文,
    2008。
    [23]彭文正譯,Berry and Linoff著,民90,資料採礦:顧客關係管理暨電子行銷之應用,台
    北:維科出版社。
    關鍵字(中)
  • 決策樹
  • 類神經網路
  • 投影機
  • 關鍵字(英)
  • Neural Network
  • Decision Tree
  • Projector.
  • 摘要(中) 投影機運作時噪音的大小是很重要的品質指標。而投影機噪音形成的因素有許多,可以採用不同的方法來分析和探討,本技術報告希望由量測所得到的工程數據,來建立投影機噪音的預估模式。以便將來投影機設計時可用量測到的工程數據資料,預估噪音是否符合標準。

    本研究使用的方法是運用機器學習的決策樹與類神經網路技術來建構預估模式。將工程數據分成60筆以訓練而得適當的參數,再以40筆資料測試預估模式的準確性。本報告用WEKA軟體來建構決策樹,也利用Qnet 2000軟體來建構類神經網路,得到最佳的決策樹是J48,最佳的類神經網路是三層式,節點各為15, 8及1。最後結果發現決策樹的正確率為79%,而類神經網路正確率為82.5%。

    從結果顯示,使用類神經網路所得到的正確率是所有預估模式中最佳的,因此建議以類神經網路做為未來預估噪音的模式,對於個案公司投影機後續研發降低噪音可以提供顯著的改善。

    摘要(英) The noise level of projector operations is an important quality indicator. The operation noise may be generated by many factors and they can be analyzed and discussed with different methods. The purpose of this report is to build a practical model to estimate noise levels by using engineering data collected in experiments. Thus, engineering data can be used to forecast whether the noise level will meet the noise standard in the design phase.

    The Decision Tree and Neural Network techniques, two popular methods in the field of Machine Learning, were adopted for this study to construct predictive models. The engineering data were separated into two parts, one with 60 records to obtain appropriate parameters of the models, and the other with 40 records to test the accuracy of the models. WEKA software was adopted to construct the Decision Tree while Qnet 2000 was utilized to build the Neural Network, it was found that J48 was the best Decision Tree, and the best Neural Network is a three layer one. The node numbers in three layers were 15, 8, and 1 individually. The result indicated that the accuracy for the Decision Tree was 79%, while the accuracy level for the Neural Network was 82.5%.

    The results from both techniques were acceptable, but among all predictive models, the Neural Network technique had the highest level of accuracy. Thus, the Neural Network technique is recommended for forecasting the noise level of projectors in future designs and this kind of model will improve noise level of future products.

    指導教授
  • 項衛中 Wei-Jung Shiang
  • 繳交日期 2010-08-24


    回論文系統首頁