本研究的目的在於利用類神經網路模擬鋁合金棒擠製及鋁銅雙金屬棒擠製等兩個製程中，模具半角、胚料初溫、衝鎚初速及其他製程參數(在鋁合金擠製中為潤滑劑，在鋁銅雙金屬擠製中為核心材直徑)與擠製負荷間的關係，並反應其相關之物理現象。
在建構類神經網路之初，我們先使用田口實驗設計法以有效率的方式決定類神經網路的較佳學習參數(隱藏層運算元數、學習速率、慣性因子、學習次數及起始權數範圍)，以降低網路的訓練誤差。研究結果顯示，本研究所建構的類神經網路可以有效的學習擠製製程模式，並可有效的預測出在不同的模具半角、胚料初溫、衝鎚初速及其他製程參數值(在鋁合金擠製中為潤滑劑，在鋁銅雙金屬擠製中為核心材直徑)所需之擠製負荷及反應其相關之物理現象。
由於無法利用田口實驗設計法以決定類神經網路的起始權數，因此我們進一步嘗試結合灰關聯理論以決定本研究所建立的鋁合金擠製和鋁銅雙金屬擠製等兩個類神經網路類神經網路的起始權數。結果顯示，本研究所提出之方法相較於絕大部份利用隨機亂數產生起始權數的方式有較快的收斂速度，即在相同的訓練次數下，本文所提出的方法有較小的訓練誤差。
由本文的研究顯示，在建構類神經網路時，先以田口實驗設計法去決定類神經網路的學習參數(隱藏層運算元數、學習速率、慣性因子、學習次數及起始權數範圍)，可加快建構類神經網路的過程，再進一步以灰關聯理論去決定類神經網路的起始權數，可使得所建構的類神經網路有較快的收斂速度。

Neurall network is used in this study to simulate the relationships between the input and output variables of the hot extrusion process. In this approach, the Taguchi method is used to determine better learning parameters of the neural network for reducing the training error.
Experiments show that the developed models have high prediction accuracy in the hot extrusion.
In this thesis, Grey related theory is also used to determine the initial weights of the neural network. It has shown that the assigned weights method we developed has faster convergence speed than conventional random method.

目 錄
中文摘要I
英文摘要II
誌謝III
目錄IV
圖表索引VII
第一章 緒論1
1.1 前言1
1.2 研究動機與目的3
1.3 文獻回顧4
1.4 論文架構6
第二章 熱間擠製加工法8
2.1 熱間擠製加工法簡介8
2.2 熱間擠製之實驗設備8
2.3 熱間擠製實驗之步驟11
2.4 鋁合金熱間擠製實驗12
2.4.1 鋁合金熱間擠製實驗參數的選擇13
2.4.2 鋁合金熱間擠製實驗資料13
2.5 鋁銅雙金屬熱間擠製實驗14
2.5.1 鋁銅雙金屬熱間擠製實驗參數的選擇15
2.5.2 鋁銅雙金屬熱間擠製實驗資料15
第三章 類神經網路理論17
3.1 類神經網路概論17
3.1.1 生物神經網路17
3.1.2 神經細胞電化學作用學說19
3.1.3 Hebbian神經細胞學習規則20
3.1.4 人工神經網路20
3.1.5 類神經網路分類21
3.1.6 類神經網路的運作過程23
3.2 倒傳遞類神經網路25
3.2.1 倒傳遞類神經網路之運作25
3.2.2 通用差距法則29
3.2.3 倒傳遞類神經網路的學習流程34
3.2.4 倒傳遞類神經網路的特性36
3.2.5 改良式倒傳遞類神經網路37
3.3 類神經網路之運用策略38
3.3.1 資料表現與正規化38
3.3.2 訓練樣本取樣策略39
3.3.3 類神經網路之發展流程40
第四章 田口式品質工程41
4.1 田口式品質工程簡介41
4.2 參數設計41
4.3 品質損失函數42
4.4 因子的分類45
4.5 信號雜音比47
4.6 直交表（Orthogonal Array）49
4.7 變異數分析52
第五章 灰關聯理論53
5.1 統計迴歸及灰關聯方法53
5.2 建立序列之可比性的要素54
5.3 灰關聯測度的四項公理56
5.4 灰關聯度57
5.4.1 灰關聯係數57
5.4.2 灰關聯度58
第六章 擠製製程之類神經網路建構與驗證60
6.1 倒傳遞類神經網路架構與參數設定60
6.2 鋁合金熱間擠製之類神經網路建構與驗證66
6.3 鋁銅雙金屬熱間擠製之類神經網路建構與驗證77
6.4 灰關聯理論用於類神經網路起始權數之決定90
6.4.1 指定權數法在鋁銅雙金屬擠製之類神經網路的應用94
6.4.2 指定權數法在鋁合金擠製之類神經網路的應用102
第七章 結論與建議109
7.1 結論109
7.2 建議110
參考文獻112

1. A. F. Castle and T. Sheppard, "Hot-working Theory Applied to Extrusion of Some Aluminum Alloys ," Metals Technology, October 1976, pp.454-464 .
2. A. F. Castle and T. Sheppard, " Pressure Required to Initiate Extrusion in Some Aluminum Alloys," Metals Technology, October 1976, pp.465-475.
3. T. Sheppard and S. J. Paterson, "Direct and Indirect Extrusion of Aluminum Alloys ," Metals Technology, July 1982, pp.274-281.
4. 巫賢榮，"熱間擠製之模式與實驗分析"，國立台灣工業技術學院機械所碩士論文，民國八十三年。
5. M. G. Tutcher and T. Sheppard, "Extrusion Limits of Al-5Mg-0.8Mn Alloys (AA5456) ," Metals Technology, December 1980, pp.488-493.
6. T. Sheppard, "Temperature and Speed Effects in Hot Extrusion of Aluminum Alloys ," Metals Technology, April 1981, pp.130-141.
7. 林煥章，"鋁合金熱擠伸與熱鍛壓製程中再結晶行為與製程參數關係之研究"，國立成功大學碩士論文，民國八十三年。
8. P. Werbos, "Beyond Regression : New Tools for Prediction and Analysis in the Behavioral Sciences," PHD thesis, Harvard, Cambridge, MA, 1974.
9. D. B. Parker, "Learning Logic," Technical Report TR-47, Center for Computational Research in Economics and Management Science, MIT, Cambridge, MA, 1985.
10. D. E. Rumelhart, G. E. Hinton, R. J. Williams, "Learning internal representation by error propagation," in Parallel Distributed Processing, D. E. Rumelhart and McClelland (Eds), MIT, Press, Cambridge, MA, Vol. 1, pp.318-362, 1986.
11. 鄭正元、毛祚飛，「類神經網路於雷射銲接加工參數之預測」，中華民國銲接協會85年度、銲接論文發表會，pp.142-152，民國八十五年。
12. 王子建，"類神經網路於熱軋鋼帶層流冷卻的熱傳係數之偵測與分析"，國立台灣工業技術學院碩士論文，民國八十二年。
13. 黃祥泰，"類神經網路於端銑切削力控制之應用"，國立台灣工業技術學院碩士論文，民國八十一年。
14. D. J. BURR, "Experiments on Neural Net Recognition of Spoken and Written Text," IEEE Trans. On ASSP, Vol. ASSP-36, No.7, pp.1162~1168, 1988.
15. 溫程雄，"工具機最佳加工參數的設定"，國立中興大學碩士論文，民國八十六年。
16. 王國禎、蔡志成、曾柏昌、陳琮祺，「新的強健設計分析工具-類神經田口法」，中國機械工程學刊，第十九卷，第二期，第223-230頁，民國八十七年。
17. G. P. Drago and S. Ridella, "Statistically Controlled Activation Weight Initialization (SCAWI)", IEEE Trans. Neural Networks 3 pp627-631, 1992.
18. Y.F. Yam, Tommy W.S. Chow, C.T. Leung, "A new method in determining initial weights of feedforward neural networks for training enhancement," Neurocomputing 16, pp23-33, 1997.
19. 王樹模，"田口式實驗法應用於A6061鋁合金熱間擠製之分析"，國立台灣科技大學機械所碩士論文，民國八十七年。
20. 楊奇學，"熱擠加工中異種金屬之結合狀態分析"，國立台灣工業技術學院碩士論文，民國八十六年。
21. 葉怡成，類神經網路模式應用與實作，台北，儒林，1993.
22. 焦李成，神經網路系統理論，台北，儒林，1991.
23. D. Hammerstrom, "Neural Network at Work," IEEE Spectrum, pp.26-32, 1993.
24. R. A. Jacobs, "Increase Rates of Convergence Through Learning Rate Adaptation," Neural Network, 1:295-307, 1988.
25. A. A. Minia, and R. D. Williams, "acceleration of Back-Propagation through Learning Rate and Momentum Adaptation," International Joint Conference on Neural Networks, Vol 1, January, pp.676-679, 1990.
26. G. Taguchi, "Introduction to Quality Engineering," Asian Productivity Organization, Tokyo, 1990.
1. 湯國彥，"田口方法望大望小品質特性SN比之研究"，國立交通大學工業工程研究所碩士論文，民國八十三年。
28. 黎正中，"穩建設計之品質工程"，台北，台北圖書有限公司，民國八十二年。
29. 鄭燕琴，"田口品質工程技術理論與實務"，台北，中華民國品質管制學會，民國八十二年。
30. Deng Julong, "Control Problem of Grey System". System and Control Letters, Vol.1 No. 5, 1982.
31. 吳漢學、鄧聚龍、溫坤禮，"灰色分析入門"， 台北，高立，民國八十五年。
32. Hush, D. R., J. M. Salas, and B. Horne, "Error surfaces for multi-layer perceptrons," IEEE Transactions on Systems, Man and Cybernetics, 22, 5, (1992).
33. S. C. Huang and Y. F. Huang, "Bounds on the number of hidden neurons in multilayer perceptrons," IEEE Transactions on Neural Networks, 2, 1, 47-55 (1991).
34. Vapnik, V. N. and A. Ya. Chervonekis, "On the uniform convergence of relative frequencies of events to their probabilities," Theory of Probability and Its Applications, 16, 2, 264-280 (1971).