跳到主要內容

臺灣博碩士論文加值系統

(3.236.110.106) 您好!臺灣時間:2021/07/24 07:13
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

: 
twitterline
研究生:張譽騰
研究生(外文):Yu-Teng Chang
論文名稱:灰關聯分析數據前處理之探討
論文名稱(外文):The Study on the Data Processing of Grey Relational Analysis
指導教授:方正中方正中引用關係
學位類別:碩士
校院名稱:南台科技大學
系所名稱:工業管理研究所
學門:商業及管理學門
學類:其他商業及管理學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:101
中文關鍵詞:灰關聯分析灰關聯生成數據前處理損失函數信號雜音比
外文關鍵詞:Grey relational analysisGrey relational generationData processingLoss functionSignal-to-noise ratio
相關次數:
  • 被引用被引用:4
  • 點閱點閱:859
  • 評分評分:
  • 下載下載:131
  • 收藏至我的研究室書目清單書目收藏:0
在灰關聯生成中,現有的數據前處理法有傳統數據前處理法、線性數據前處理法、廣義灰關聯生成模型、片段線性數據前處理法。傳統數據前處理法在望大和望目時,原始數據與生成後之序列因子並非線性關係,而望小時,原始數據最小值為0時將會使生成後之序列因子無法定義。線性數據前處理法會擴大或縮小原始序列因子與生成後之序列因子的關係。廣義灰關聯生成模型的望小公式在原始數據之最小值為0時會造成生成後之序列因子無意義。片段數據前處理法為多段的線性關係,因此計算過於繁雜。上述四種數據前處理法都未考慮在實際應用中的規格界限,為了改善此問題,本研究提出了加入規格界限之數據前處理法。此外,若已知一組原始數據皆為很好或很差時,本研究提出特殊數據前處理法來計算,使原始序列因子與生成後之序列因子的關係不會被擴大與縮小。
在實際應用中,原始序列因子與生成後之序列因子之間的關係並不一定為線性,有可能是曲線關係,因此在本研究將原始數據先經由損失函數與信號雜音比處理,再代入各數據前處理法做比較,選出適合代入損失函數與信號雜音比的數據前處理法,使灰關聯分析所能處理的範圍變得更廣。
In the grey relational generation, there are four data processing methods nowadays. They are traditional data processing, linear data processing, generalized data processing, and piecewise linear data processing methods. For the traditional data processing method, there is no linear relationship between the raw data series and the after-processing series for the larger the better or nominal the best cases. The generated series will also become undefined while the minimum raw value is zero for the smaller the better case. The linear data processing method will generate a new series which may magnify or shrink the relationship among the raw data series. The generalized data processing method will lead to the new series undefined while the minimum raw value is zero for the smaller the better case. The piecewise linear data processing method consists of multiple linear relationships. Its calculation is complicated. The four data processing methods didn’t take the specification limits into consideration which is very popular in the manufacturing industry. In order to solve the problem, the research developed a data processing method which considers about the specification limits of quality characteristics. In addition, the research also proposed a data processing method which will not magnifies or shrinks the relationship among the raw data series while the raw data series are very close to each other.
In the real application, the relationship between the raw data series and after-processing data series is not necessary linear. It can be nonlinear. Based on this, the research proposed a method which first transformed the raw data series by loss function or signal–to-noise ratio method. Then apply the transformed data to any available data processing methods. This will make it become more suitable to the real cases.
目  次
摘要 iv
Abstract v
目次 vi
表目錄 x
圖目錄 xiii
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 研究範圍與假設 3
1.4 研究架構 4
第二章 文獻探討 5
2.1 灰色理論介紹 5
2.2 灰關聯分析 6
2.2.1 因子空間 7
2.2.2 序列之可比性 7
2.2.3 灰關聯測度的四項公理 7
2.2.4 傳統灰關聯度之推導 8
2.2.4.1 局部性灰關聯度 8
2.2.4.2 整體性灰關聯度 10
2.2.4.3 灰關聯序 11
2.3 損失函數 11
2.3.1 品質 11
2.3.2 品質特性之種類 12
2.3.3 損失函數的三個特性 12
2.4 信號雜音比 14
2.5 灰關聯生成相關文獻 15
2.5.1 傳統數據前處理法 15
2.5.2 線性數據前處理法 15
2.5.3 廣義灰關聯生成模型 16
2.5.4 片段線性數據前處理法 20
2.5.5 簡化的數據前處理 23
第三章 灰關聯分析之數據前處理之探討 25
3.1 加入規格界限之數據前處理法 26
3.1.1 加入下限之望大型 26
3.1.2 加入上限之望小型 27
3.1.3 加入上限與下限之望目型 28
3.2 特殊數據前處理法 29
3.2.1 望大型 29
3.2.2 望小型 30
3.2.3 望目型 31
3.3 實例說明 32
3.3.1 傳統數據前處理法 32
3.3.2 線性數據前處理法 33
3.3.3 廣義灰關聯生成模型 35
3.3.4 片段線性數據前處理法 36
3.3.5 加入規格界限之數據前處理法 38
3.3.6 特殊數據前處理法 39
3.4 多品質特性之灰關聯度實例說明 41
第四章 損失函數結合數據前處理法 45
4.1 損失函數應用於數據前處理法 45
4.1.1 損失函數應用於傳統數據前處理法 45
4.1.2 損失函數應用於線性數據前處理法 47
4.1.3 損失函數應用於廣義灰關聯生成模型 48
4.1.4 損失函數應用於片段線性數據前處理法 49
4.1.5 損失函數應用於加入規格界限之數據前處理法 51
4.1.6 損失函數應用於特殊數據前處理法 52
4.2 損失函數應用於重複搜集的數據代入數據前處理法 53
4.2.1 損失函數應用於重複搜集的數據代入傳統數據前處理法 54
4.2.2 損失函數應用於重複搜集的數據代入線性數據前處理法 55
4.2.3 損失函數應用於重複搜集的數據代入廣義灰關聯生成模型 56
4.2.4 損失函數應用於重複搜集的數據代入片段線性數據前處理法 57
4.2.5 損失函數應用於重複搜集的數據代入加入規格界限之數據前處理法 58
4.2.6 損失函數應用於重複搜集的數據代入特殊數據前處理法 60
4.3 損失函數代入數據前處理法之結果與分析 61
4.4 多品質特性之灰關聯分析結合損失函數實例說明 62
第五章 信號雜音比結合數據前處理法 64
5.1 信號雜音比應用於數據前處理法 64
5.1.1 信號雜音比應用於傳統數據前處理法 65
5.1.2 信號雜音比應用於線性數據前處理法 68
5.1.3 信號雜音比應用於廣義灰關聯生成模型 70
5.1.4 信號雜音比應用於片段線性數據前處理法 72
5.1.5 信號雜音比應用於加入規格界限之數據前處理法 74
5.1.6 信號雜音比應用於特殊數據前處理法 77
5.2 信號雜音比應用於重複搜集的數據代入數據前處理法 79
5.2.1 信號雜音比應用於重複搜集的數據代入傳統數據前處理法 79
5.2.2 信號雜音比應用於重複搜集的數據代入線性數據前處理法 82
5.2.3 信號雜音比應用於重複搜集的數據代入廣義灰關聯生成模型 84
5.2.4 信號雜音比應用於重複搜集的數據代入片段線性數據前處理法 86
5.2.5 信號雜音比應用於重複搜集的數據代入加入規格界限之數據前處理法 89
5.2.6 信號雜音比應用於重複搜集的數據代入特殊數據前處理法 91
5.3 信號雜音比代入數據前處理法之結果與分析 94
5.4 多品質特性之灰關聯分析結合信號雜音比實例說明 95
第六章 結論與建議 97
6.1 結論 97
6.2 建議 99
參考文獻 100
中文部分
1、 夏郭賢、吳漢雄(1998),灰關聯分析之線性數據前處理探討,灰色系統學刊,第一卷,第一期,第47-53頁。
2、 夏郭賢、張美珠(2002),再探討灰關聯分析之線性數據前處理,第七屆灰色系統研討會論文集,第19-22頁。
3、 翁慶昌、陳嘉叢、賴宏仁(1991),灰色系統基本方法及其應用,
高立圖書有限公司,台北。
4、 張季娜、羅仕勇、宋振昌、蔡彰文、陳世璉、莊泰旭、邱陣宏、高述崙譯(1979),田口式品質工程導論,中華民國品質管制學會,台北。
5、 陳明儀、夏郭賢(2001),灰關聯分析之線性數據前處理探討,中華民國自動控制研討會,第180-183頁。
6、 張偉哲、陳朝光(1990),灰色系統理論與發展應用,中華民國資訊協會
通訊,第23-29頁。
7、 張偉哲、溫坤禮、張廷政(1990),灰關聯模型方法與應用,高立
圖書有限公司,台北。
8、 張偉哲(2000),廣義灰關聯生成模型之研究,灰色系統學刊,第三卷,第一期,第53-62頁。
9、 溫坤禮(1999),灰關聯度的定量化研究,灰色系統學刊,第二卷,第二期,第117-133頁。
10、溫坤禮、黃宜豐、張偉哲、張廷政、游美利、賴家瑞(1993),灰關聯模型方法與應用,高立圖書出版社,台北。
11、鄧聚龍(1999),灰色系統理論與應用,高立圖書有限公司,台北。





英文部分
1、 Deng, D. J.(1989), “Introduction to Grey System Theory”, The Journal of Grey
System, Vol.1, pp. 1-24.
2、 Hocheng, H.(2003), “Optimization of Electrochemical Polishing of Stainless Steel by Grey Relational Analysis”, Journal of Materials Processing Technology, Vol. 140, pp. 255-259.
3、 Wang, Hao and Shuguang Chan(1997), “Grey Analysis of Newborn Weight”, The Journal of Grey System, Vol. 2, pp. 187-192.
4、 Wen, Kun Li, Ting Cheng Chang, Mei Li You, and Fan Hsiung Chen (2000), “The Fuzzy Approach of Distinguishing Coefficent in Modified Grey Relational Grade”, Grey System Theory Conference, pp. 265-270.
5、 Wu, J. H. and C. B. Chen(1999), “An Alternative Form for Grey Relation Grade”, Journal of Grey System, Vol.11, No. 1, pp. 7-12.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top