跳到主要內容

臺灣博碩士論文加值系統

(216.73.216.213) 您好!臺灣時間:2025/11/10 12:35
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:胡瓊華
研究生(外文):HU CHUNG HUA
論文名稱:應用資料探勘技術於民意調查資料的進階分析之研究
論文名稱(外文):Applying Data Mining Techniques on Advanced Analysis of Data form Public Opinion Polls
指導教授:駱至中駱至中引用關係
學位類別:碩士
校院名稱:佛光大學
系所名稱:資訊學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:95
中文關鍵詞:資料探勘關聯式法則分類分群預測民意調查
外文關鍵詞:Data miningAssociation Ruleclassificationclusteringforecastpublic opinion poll
相關次數:
  • 被引用被引用:1
  • 點閱點閱:641
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:2
民調資料的統計分析結果常替政治人物帶來重要的訊息,以便擬定有意義的策略。但受訪選民遇到敏感話題時,常會以「無意見」作為民調訪問時的反應,因而導致無法正確推估得票率。為解決此一困境,本研究首先以整合分群、分類和類神經網路等技術的方式,設計出「樹狀預測整合」和「倒傳遞預測整合」等二種預測模組,來預測未表態者的可能支持度。此外,鑑於關聯式法則已廣為引用於尋找不同資料間的關聯性,本研究亦提出一個以Apriori關聯式演算法引用於民意調查之進階資料分析,使用支持度(support)和信賴度(confidence)兩個參數,尋找其隱性知識提供制訂有效決策,再深入利用一般統計方法討論所探勘得到的關聯式規則。
經由宜蘭縣長選舉和立法委員選舉二種資料庫,實證顯示本研究設計之預測模組,採用於政治民意調查資料集,確實能將未表態的選民資料依據過去觀察值,來推算該政黨中未明顯表態選民的可能支持方向,進而得知該政黨的得票率,也可以幫助使用者以樹狀圖瞭解民意中不同群組的受訪者特性,提供參考之決策。而Apriori關聯式演算法應用於分析政治民意調查中,的確可以找出各變數之間的獨特相關性,及探勘出分類技術所察覺不到的特殊選民特性及行為,如:「支持民進黨的選民多認為宜蘭適合發展之產業為觀光業」,該規則是民意調查專家累積多年經驗才隱約獲得的規則,因此,關聯式法則有助於民意調查人員制定相關行銷策略。
The statistical results of public opinion poll often bring important information to politicians to formulate meaningful campaign strategies. However, facing sensitive issues, survey subjects will usually give an answer of “undecided”, which consequently causing the inability to predict correctly the voting outcome. To overcome this difficulty, the first part of this study integrates the clustering, classification and neural network techniques, to design two data mining techniques, which are the Tree-based Predictive Model and Back Propagation Predictive Model, to predict the possible support of the undecided voters separately. It then uses the actual ballot counts to examine the accuracy of the forecast pattern. The second part of this research design is to study the application of the Apriori Association Rule in the advanced analysis of survey, using the degree of support and confidence two parameters to find out the latent knowledge providing and establishing effective decision making. The study then uses the general statistic method to test on the mined Association Rule.
The research shows that the forecast pattern designed by this research, applying in the political survey data, indeed can actually be used to estimate the possible support of the undecided voters of certain party, based on to the previous observation of undecided voters’ data. This in turn can learn about the percentage of vote received. Through the help of tree diagram, user can also understand the different characteristics of the interviewed group in the public opinion, providing reference for decision-making. The application of the Apriori Association Rule algorithm on the analysis of political public opinion poll indeed is able to discover the various unique correlations between the variables. The application is also able to excavate the unique voter characteristics and behaviors, which could not be identified through classification technique, such as “majority of the supporters of the Democratic Progressive Party would think that the industry suitable for Ilan to develop is tourism”. This rule is subtlety learned by the experts in public survey through the accumulation of years of experience. Therefore, the Association Rule algorithm is helpful to the surveyors in making related marketing strategy.
目錄
目錄…………………………………………………………………………………..Ⅰ
圖目錄………………………………………………………………………………..Ⅲ
表目錄………………………………………………………………………………..Ⅵ
摘要…………………………………………………………………………………..Ⅷ
第一章 緒論…………………………………………………………………………..1
1.1 研究背景與動機……………………………………………………………..1
1.2 研究目的……………………………………………………………………..2
1.3 研究步驟……………………………………………………………………..4
1.4 論文架構……………………………………………………………………..6
第二章 文獻探討……………………………………………………………………..7
2.1台灣之民意調查……...……………………………………………………….7
2.2 資料探勘定義………………………………………………………………..9
2.3 資料探勘與統計學…………………………………………………………12
2.4資料探勘的技術與應用……………………………………………………...14
2.4.1 分群分析………………………………………………………………18
2.4.2 分類分析………………………………………………………………20
2.4.3 類神經網路分析………………………………………………………21
2.4.4 關聯式分析……………………………………………………………24
第三章 研究架構與方法……………………………………………………………27
3.1 研究範圍及界定……………………………………………………………27
3.2 研究架構與流程……………………………………………………………28
3.2.1 資料收集與選擇………………………………………………………30
3.2.2 資料前置處理…………………………………………………………30
3.2.3 樹狀預測整合模組……………………………………………………33
3.2.4 倒傳遞預測整合模組…………………………………………………39
3.2.5 關聯式分析模組………………………………………………………42
第四章 研究結果與討論……………………………………………………………45
4.1 個案研究一:宜蘭縣長選舉分析…………………………………………45
4.1.1 樹狀預測整合模組……………………………………………………47
4.1.2 倒傳遞預測整合模組…………………………………………………56
4.1.3 關聯式分析模組………………………………………………………61
4.1.4 關聯式規則之統計驗證………………………………………………62
4.2 個案研究二:2001年立法委員選舉分析……………………………………64
4.2.1 樹狀預測整合模組……………………………………………………66
4.2.2 倒傳遞預測整合模組…………………………………………………75
4.2.3 關聯式分析模組………………………………………………………81
4.2.4 關聯式規則之統計驗證………………………………………………82
4.3 實驗結果討論………………………………………………………………84
第五章 結論與建議…………………………………………………………………87
5.1 結論..................................................87
5.2 未來研究建議………………………………………………………………89
參考文獻……………………………………………………………………………..90
圖目錄
圖1-1 本研究步驟流程圖…………..…………………...……………………......5
圖2-1 資料探勘流程……....……......……………………….…………..………10
圖2-2 資料探勘轉化過程……….………………………..……………..………11
圖2-3 資料探勘的金字塔..…………………….…………………..….….…..…12
圖2-4 Kohonen類神經二維網路之架構………………………..…..……….…19
圖2-5 三個群組…………..………….……………………..………….…...……19
圖2-6 決策樹架構圖…..………………………………….……….…….………21
圖2-7 類神經網路架構……..……………………….…………….…….………22
圖2-8 Apriori產生候選物項集合….…….…………………..….……………....26
圖3-1 民意調查資料探勘之研究架構…..………………..……….……………29
圖3-2 資料前置作業流程圖………..…………..……………………….………32
圖3-3 問卷的問題選項轉換過程……..……..........…………………….………33
圖3-4 二層深度樹狀圖……..…….……………………………….…….………37
圖3-5 樹狀預測模組之資料探勘流程圖…..…..…..……………….……......…38
圖3-6 倒傳遞類神經網路運作流程圖……..……….…………………….….…40
圖3-7 倒傳遞預測模組之資料探勘流程圖……..……..……………….............41
圖3-8 Apriori演算法之架構圖……...….……………………………….…....…43
圖3-9 關聯式分析模組之資料探勘流程…….......……………………….….…44
圖4-1 個案一支持候選人(Q5)分群長條圖…..…………………………..……47
圖4-2 群組00之階層決策樹(個案一)….……………………………….….…48
圖4-3 群組10之階層決策樹(個案一).......…………….……………….…...…49
圖4-4 群組20之階層決策樹(個案一)…..….…………………………….…...50
圖4-5 群組30之階層決策樹(個案一)…....….……………………………..…51
圖4-6 群組02之階層決策樹(個案一)……………………………………..…52
圖4-7 群組12之階層決策樹(個案一)………………………………….….…53
圖4-8 群組22之階層決策樹(個案一)………….…...……………….………53
圖4-9 群組32之階層決策樹(個案一)……….……………………….………54
圖4-10 中等相對重要變數間的蛛狀圖(個案一).......…...……….….………59
圖4-11 各種預測模組之比較(個案一)……..…………………………………61
圖4-12 支持候選人分群長條圖(個案二)…....……………………….……..…66
圖4-13 9群和12群數之比較(個案二)………………..……………………...67
圖4-14 群組00之階層決策樹(個案二)…….………………………………...68
圖4-15 群組10之階層決策樹(個案二)……………………………………...69
圖4-16 群組22之階層決策樹(個案二)…….………..…………..…………...70
圖4-17 群組30之階層決策樹(個案二)……….………………….……..…...70
圖4-18 群組02之階層決策樹(個案二)………...……………………..……...71
圖4-19 群組12之階層決策樹(個案二)…………...………………….…..…..72
圖4-20 群組32之階層決策樹(個案二)………………..…………….….…...73
圖4-21 群組31之階層決策樹(個案二)……………………………….…......73
圖4-22 強度相對重要變數間的蛛狀圖(個案二)......….…………………..…..79
圖4-23 各種預測模組之比較(個案二).……..………………………...…..…..80
表目錄
表2-1 統計學與資料探勘的差異…....….………………………………………14
表3-1 資料類型定義……………..…………………….………………………..31
表4-1 民國94年宜蘭縣長選舉的民意調查問卷………………..……………46
表4-2 已表態資料集之Kohonen群數準確度比較(個案一)....………………48
表4-3 各群組之輸入影響變數(個案一).………………………………………49
表4-4 樹狀預測模組之各群組推估支持人數(個案一)……………....…...…55
表4-5 樹狀預測模組之推估支持人數(個案一)…………..……………….....55
表4-6 類神經網路參數設定(個案一)……….……………………...………...56
表4-7 徑向基底函數類神經網路神經元數目(個案一)..……………………56
表4-8 倒傳遞類神經網路神經元數目(個案一).……………………………..56
表4-9 徑向基底函數類神經網路預測結果(個案一).…………………………57
表4-10 倒傳遞類神經網路預測結果(個案一)……..………………...……...57
表4-11 BPNN之未表態選民各群組預測結果(個案一)...……...…………....58
表4-12 RBFN之未表態選民各群組預測結果(個案一).…………….………..58
表4-13 分群結合BPNN和RBFN之預估得票率(個案一).….......…….......58
表4-14 輸入欄位的相對重要性(個案一)…......….……….…………………...59
表4-15 年齡與表態(個案一)...……..…....……………………………………..60
表4-16 中選會2005年宜蘭縣長選舉得票率…….………….………………..60
表4-17 2005年預測宜蘭縣長選舉得票率之比較.…….……………………...60
表4-18 Apriori門檻值設定及規則產生表(個案一).....………………..61
表4-19 Apriori關聯資料探勘規則(個案一)………….………………….......62
表4-20 統計驗證關聯法則之門檻值(個案一)……..…..………………….....62
表4-21 規則一之總次數分配統計(個案一)….……………………………...63
表4-22 第四屆立法委員選舉的民意調查問卷……....………………………...64
表4-23 已表態資料集之群數準確度比較(個案二)......…………………..........67
表4-24 9群和12群數預估得票率之比較(個案二)...….………………..........67
表4-25 各群組之輸入影響變數(個案二)...……….……………........…………68
表4-26 樹狀預測模組各群組推估支持人數(個案二)........................74
表4-27 樹狀預測模組推估總支持人數(個案二)........……...……….....……75
表4-28 徑向基底函數類神經網路神經元數目(個案二)...….…………………76
表4-29 倒傳遞類神經網路神經元數目(個案二)....………....…………………76
表4-30 徑向基底函數類神經網路預測結果(個案二)...……………….………76
表4-31 倒傳遞類神經網路部分預測結果(個案二)...…......……...………76
表4-32 BPNN之未表態選民各群組預測結果(個案二)..…………......………77
表4-33 RBFN之未表態選民各群組預測結果(個案二)...………..…...………78
表4-34 分群結合BPNN和RBFN之預估得票率(個案二).….………...………78
表4-35 輸入欄位的相對重要性(個案二)...………..…………………...………78
表4-36 中選會2001年立委選舉得票結果……….…………………...………80
表4-37 2001年立委選舉得票預測概況與實際投票結果之比較…..…………80
表4-38 Apriori門檻值設定及規則產生表(個案二)..……..…………...………81
表4-39 Apriori關聯資料探勘規則(個案二)...……….………………...………81
表4-40 統計驗證關聯式歸則之門檻值(個案二)...…………………….....……82
表4-41 規則一之總次數分配統計(個案二)….………………………...………82
表4-42 規則二之總次數分配統計(個案二)…..…..…………………...….……83
表4-43 規則三之總次數分配統計(個案二)….………………………...………83
表4-44 2005宜蘭縣長選舉各群組分類說明..…..…...………………...………84
表4-45 2001年立委選舉各群組分類說明……...……………………...………85
表4-46 預測模組之平均絕對誤差值......…..…………………………....85
[1] 中華資料探勘協會http://www.cdms.org.tw。
[2] 王玥晴,選舉預測模型之修正與比較,成功大學統計學研究所碩士論文,2000。
[3] 何金銘,候選人勝選因素分析模型再探:高雄縣省議員選舉的個案分析,中山社會科學學報,第8卷,第4期,頁53-105,1994。
[4] 李金鳳,資料探勘面面觀,資訊與教育,第84期,頁10-19,2001。
[5] 李智霖,利用不同分類模式探討財務危機預警模式之建立,私立銘傳大學資訊管理學系碩士論文,2005。
[6] 李錦河、溫敏杰,從行銷學『產品屬性』角度建構『選民需求指標』之選舉預測模式─以1997年台南市市長選舉為例,選舉研究,第1卷,第2期,頁1~33,1998。
[7] 阮士峰,資料探勘在股市序列型樣的應用,國立東華大學資訊工程所碩士論文,2004。
[8] 宏德國際軟體諮詢顧問股份有限公司http://www.sinter.com.tw/spss/。
[9] 周慶華,整合基因演算法及類神經網路於現貨開盤指數之預測-以新加坡交易所摩根台股指數期貨為例,輔仁大學金融研究所碩士論文,2000。
[10] 林正榮,資料探勘---信用卡風險控管,私立淡江大學資訊工程學系碩士論文,2002。
[11] 林明宏,陳建勝,壽險保單早期失效之預測,風險管理學報,第五卷,第三期,頁341-361,2003。
[12] 林維垣、李建輝,遺傳演化類神經網路在預測台股指數期貨的運用,東吳大學碩士論文,2002。
[13] 武維邦、楊慧伶,財務狀況分析應用-倒傳遞類神經網路,2006台灣商管與資訊研討會,國立台北大學商學院,2006。
[14] 邱雅鈴,選舉預測模型之研究-以2004年總統大選為例,私立銘傳大學應用統計資訊學系碩士論文,2005。
[15] 金力鵬、駱少康,資料探勘之應用/行動電信業市場區隔與預測,發表於實踐大學2002電子商務與數位生活研討會,私立實踐大學/台灣電子商務學會,2002。
[16] 洪士程、林心宇,複合型分類樹於彈性製造系統產品分類之應用,Proceedings of 2005 CACS Automatic Control Conference,Tainan, Taiwan, Nov 18-19, 2005。
[17] 張四明,民意調查的科學基礎、政治功能與限制:以我國政府首長施政滿意度調查為例,行政暨政策學報,第二期,頁1-39,2000。
[18] 張紘炬,七十二年台北市區域立法委員選舉民意調查,中國統計學報,第22卷,第12期,1984。
[19] 盛杏湲,選民的投票決定與選舉預測,選舉研究,第5卷,第1期,頁37-76,1998。
[20] 許哲瑋,資料挖掘與統計方法應用於資料庫行銷之實證研究─以美妝保養品業為例,國立台北大學企業管理系碩士論文,2003。
[21] 陳一如、李弘斌,資料探勘的應用-以決策樹方法分析保送甄試學生入學四技二專報到情形,景文技術學院學報,第10卷,第1期,頁87-103,1999。
[22] 陳文華,架構資料倉儲的注意事項,資訊與電腦,224期,頁94-99,1999。
[23] 陳石麟,資料採礦於預測國人出國觀光需求之應用---以整體、香港和澳門為例,國立台灣大學資訊管理所碩士論文,2003。
[24] 陳義彥、洪永泰、盛杏湲、游清鑫、鄭夙芬、陳陸輝,民意調查,台北市:五南,2004。
[25] 湯兆緯、顏聰,以徑向基函數類神經網路預測承受純扭力鋼筋混凝土樑之扭力強度,興大工程學刊,第十六卷,第二期,頁89-104,2005。
[26] 黃美玲、陳幸宜、陳貴琳、李雅雯,類神經網路輔助醫療診斷分類模式之建構,中華民國品質學會第 42 屆年會暨第 12 屆全國品質管理研討會,國立勤益技術學院,2006。
[27] 張勝春,模糊類神經在銀行授信決策之應用,朝陽科技大學碩士論文,2002。
[28] 楊東麟、洪明傳,資料探勘在資料倉儲的應用,資訊與教育雜誌,第84期,頁20-32,2001。
[29] 莊俐瑩,資料挖掘機制在臨床路徑之應用,東海大學工業工程學系碩士論文,2001。
[30] 葉怡成,類神經網路模式應用與實作,第八版,儒林圖書有限公司,台北市,2004。
[31] 鄒明城、孫志鴻,空間資料庫之關聯樣式探勘,台灣地理資訊期刊,第三期,頁27-41,2005。
[32] 廖益興,台灣選民的投票參與行為研究,中華行政學報,第三期,頁85-202,2006。
[33] 廖雅郁,應用資料探採於我國西藥行銷之研究,國立交通大學經營管理研究所碩士論文,2002。
[34] 劉念夏,台灣地區選舉預測研究的知識脈絡:學科生產的知識典範,國政研究報告,2001。
[35] 劉佩芬,運用決策樹於營利事業所得稅結算申報書選案查核之研究,國立台灣大學會計所碩士論文,2003。
[36] 樓玉玲,以資料採擷技術分析政大通識課程,國立政治大學資訊管理研究所碩士論文,1998。
[37] 蔡旻璇,序列樣式分析應用於課程規劃系統,私立靜宜大學資訊管理學系碩士論文,2003。
[38] 謝守清,資料探勘於民意調查的應用-以財經福利政策為例,私立世新大學行政管理學系碩士論文,2003。
[39] 蕭乃沂、黃東益,資料探勘於行政知識管理的應用,世新大學行政管理學系知識管理與政府績效學術研討會,世新大學行政管理學系,2002。
[40] 賴士培,Data Mining for Campaign Strategy:Tree Analysis in Public Poll of Taiwan Presidential Election in 2000,私立世新大學民意調查中心論文集,2003。
[41] 賴世培,民意調查 (新版),台北縣:國立空中大學,2000。
[42] 賴信良,資料挖掘在教育上的應用---以國小學童『體適能測驗』為例,國立台北師範學院數理教育研究所碩士論文,2002。
[43] 駱至中、林錦昌,以民意調查資料的智慧型分析看資料探勘技術於政治研究之應用,佛光人文社會學院第二屆政治與資訊學術研討會,私立佛光人文 社會學院,2002。
[44] 顏博文,應用資料探勘技術分析學生選課特性與學業表現,中原大學資管系碩士論文,2003。
[45] 羅閩隆,以經驗法則應用在關聯法則門檻值制定之研究,私立大葉大學資訊管理學系碩士論文,2004。
[46] 羅華強,類神經網路-MATLAB 的應用,清蔚科技出版社,新竹市,2001。
[47] Agrawal, R., T. Imilienske, and A. Swami: “Mining Association Rules Between Sets of Items in Large Database,” Proceedings of the ACM-SIGMOD 1993 International Conference on Management of Data, D. C. Washington, pp.207-216, May 1993.
[48] Berry, M.J.A and Linoff, G.S.:Data Mining Techniques:for marketing,sales,and customer support,Superpoll.net,Inc Published by arrangment with Weikeg Publishing Co., Ltd., 1997.
[49] Chen, M.-S., J. Han and P. S. Yu: “Data Mining: An Overview from a Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, vol.8, no.6, pp.866-883, 1996.
[50] Crespo, F and R.Weber: “A Methodology for Dynamic Data Mining Based on Fuzzy Clustering,” Fuzzy Sets and Systems ,vol.150, pp.267-284, 2005.
[51] Curt, H.: “The Devile’s in The Detail: Techniques, Tool, and Applications for Data Mining and Knowledge Discovery-Part 1,” Intelligent Software Strategies, vol. 6, no. 9, pp. 3, 1995.
[52] Facca, F. M. and P.L.Lanzi: “Mining Interesting Knpwledge from Weblogs:a Survey,”Data & Knowledge Engineering, vol.53, pp.225-241, 2005.
[53] Fayyad, U. M., P. -S. Gregory, P. Smyth and R. Uthurusamy: Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996a.
[54] Feelders, A., H. Daniels and M. Holsheimer: “Methodlogical and Practical Aspects of Data Mining,” Information and Management, vol.37, No3, pp.271-281, 2000.
[55] Han, J. and M. Kamber: “Data Mining: Concepts and Techniques,” Morgan Kaufmann Publishers, Academic Press, 2001.
[56] Haykin, S.: “Neural Networks: A Comprehensive Foundation,” New Jersey: Prentice Hall, 1999.
[57] Hui, S.C. and G. Jha: “Data Mining for Customer Service Support,” Information and Management, vol. 38, pp.1-13, 2000.
[58] Kaufman, L. and P. J. Rousseeuw: “Finding Groups in Data: an Introduction to Cluster Analysis,” John Wiley and Sons, 1990.
[59] Klessner, C.: “Data Mining for the Enterprise,” Thirty-First Annual Hawaii International Conference on System Sciences, pp.295-304, 1998.
[60] Mangiameli, P., S. K. Chen, and D. West: “A Comparison of SOM Neural Network and Hierarchical Clustering Methods,” European Journal of Operational Research, vol.93, pp.402-417,1996.
[61] Peacock, P. R.: “Data Mining in Marking: Part I. Marketing Management,” Marketing Management, vol. 6,no.4, pp.818, 1998.
[62] Shaw, M.J., C. Subramaniam, G.W. Tan, and M.E. Welge: “Knowledge Management and Data Mining for Marketing,” Decision Support System, vol.31, pp.127-137, 2001.
[63] Vessanto, J. and E. Alhoniemi: “Clustering of the Self-Organizing Map”, IEEE Transactions on Neural Networks, vol.11, no.3, pp.586-600, May 2000.
[64] Witten, I. H. and E. Frank: Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers, 2000.
[65] Wu, B., and R. Ellis: “Manufacturing Strategy Analysis and Manufacturing Information System Design: Process and Application,” International Journal Production Economics, vol.65, no.1, pp.55-72, 2000.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. [21] 陳一如、李弘斌,資料探勘的應用-以決策樹方法分析保送甄試學生入學四技二專報到情形,景文技術學院學報,第10卷,第1期,頁87-103,1999。
2. [19] 盛杏湲,選民的投票決定與選舉預測,選舉研究,第5卷,第1期,頁37-76,1998。
3. [17] 張四明,民意調查的科學基礎、政治功能與限制:以我國政府首長施政滿意度調查為例,行政暨政策學報,第二期,頁1-39,2000。
4. [11] 林明宏,陳建勝,壽險保單早期失效之預測,風險管理學報,第五卷,第三期,頁341-361,2003。
5. [6] 李錦河、溫敏杰,從行銷學『產品屬性』角度建構『選民需求指標』之選舉預測模式─以1997年台南市市長選舉為例,選舉研究,第1卷,第2期,頁1~33,1998。
6. [4] 李金鳳,資料探勘面面觀,資訊與教育,第84期,頁10-19,2001。
7. [3] 何金銘,候選人勝選因素分析模型再探:高雄縣省議員選舉的個案分析,中山社會科學學報,第8卷,第4期,頁53-105,1994。
8. [25] 湯兆緯、顏聰,以徑向基函數類神經網路預測承受純扭力鋼筋混凝土樑之扭力強度,興大工程學刊,第十六卷,第二期,頁89-104,2005。
9. [28] 楊東麟、洪明傳,資料探勘在資料倉儲的應用,資訊與教育雜誌,第84期,頁20-32,2001。
10. [32] 廖益興,台灣選民的投票參與行為研究,中華行政學報,第三期,頁85-202,2006。