由於目前醫院管理已經逐漸資訊化，醫療資料庫的引用也相當普遍，且資料量的累積可說是與日遽增，相較之下傳統人工方式並不適用於處理如此大量的資料，另外在於傳統的醫學診斷過程中，大多數的醫療診斷問題也只能依靠醫師以往經驗來作出診斷結果。由於現今疾病因素的多元化，如果能配合類神經網路的預測分類技術，則可以大量提高醫療診斷的正確率。本論文將針對醫療相關資料庫進行分類問題之研究，未來可應用於診斷的問題上，並可從龐大的醫療資料庫中，運用學習向量量化網路（Learning Vector Quantization, LVQ）來建立預測分類器，且於前置作業中選擇有意義的屬性，再進一步以田口實驗設計（Taguchi Experimental Design Method, TEDM）的方式來調整學習向量量化網路核心參數，以得到較佳的分類正確率和運算效率，因此可以利用學習向量量化網路來輔助醫師診斷，來達到及早發現及早治療的目的。然而以往傳統的方式在於選擇與設計參數組合時，常需依靠有經驗的技術人員，或利用試誤法（Try and Error）的方式找出最佳參數組合，這通常需耗費大量的時間與成本，因必須反覆的進行實驗測試，可以想像於實驗階段中所耗費的時間及成本。所以本研究提出以學習向量量化網路建立分類預測器，並應用田口實驗設計的方式，找出類神經應用於醫療型資料庫之最佳參數組合。實驗結果顯示在於多種疾病分類上正確率皆逹到九成以上，並得知分類的效果優於其它分類系統。本研究所提出的最佳參數組合，能客觀的應用於多種疾病分類上，並有效逹到不同品質特性的要求，也能有效的縮減實驗中，重複測試的次數，使得在應用上更有效率。

Hospital information management has been computerized gradually, and the medical databases are now quite popular in contrast with traditional storage methods. The traditional manual method is not applicable for a large number of information processing. Moreover, medical diagnosis can only rely on past experience of physicians and there are many diversified factors of disease. In this research, the aim is to provide forecast and classification technology by using Artificial Neural Network in order to support the doctors to improve diagnosis with high accuracy. In accordance with this aim, the research method is to address data set of Medical network to classification issues by using Learning Vector Quantization （LVQ） to establish the prediction and classification parameters as well as pre-operating it to choose the meaningful attributes. Furthermore, Taguchi Experimental Design Method （TEDM） approach is also used to adjust the LVQ core parameters in order to obtain the better classification rate and efficient computing processes. This method applied for Medical database with TEDM to find out the ideal parameter portfolio. The experimental results show that, a variety of disease classification, the accurate rate is more than 90 per cent. Moreover, the ideal parameters portfolio found by using TEDM can reduce the number of repeated testing experiment as well as efficiently applied to other disease classification.

中文摘要 i
英文摘要 ii
目錄 iii
表目錄 iv
圖目錄 v
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 論文架構 2
第二章 文獻探討 4
第一節 類神經醫療診斷相關文獻 4
第二節 學習向量量化網路相關文獻 7
第三節 田口實驗計畫法相關文獻 11
第四節 醫療資料庫之相關文獻 16
第三章 相關理論探討 20
第一節 類神經網路概述 20
第二節 類神經網路基本架構 22
第三節 類神經網路分類 27
第四節 學習向量量化網路 32
第五節 田口式品質工程 47
第四章 實驗規劃與結果分析 58
第一節 實驗流程 58
第二節 實驗資料說明 59
第三節 實驗設計 66
第四節 實驗結果分析 78
第五章 結論與建議 83
參考文獻 86

[1]王彥翔，2002，”自組特徵映射與學習向量量化神經網路於河川流量之預測”，國立台灣大學生物環境系統工程學系暨研究所，碩士論文。
[2]田口玄一，2003，田口統計解析法，台北：五南書局。
[3]朱光華，2005，”應用田口方法評量存開性動脈導管在主動脈造影之最佳調整參數”，中台醫護技術學院放射科學研究所，碩士論文。
[4]李健宏，2002，”植基於WGLVQ離線式手寫數字辨識”，國立臺灣師範大學工業教育學系碩士班，碩士論文。
[5]李得盛，2002，”應用統計與類神經網路模式於監督式分類問題”，國立交通大學工業工程與管理系，博士論文。
[6]周鵬程，2006，類神經網路入門：活用Matlab，台北：全華科技圖書股份有限公司。
[7]林昆達，2005，”小波理論與類神經網路在橋梁非破壞檢測之應用”，中原大學土木工程研究所，碩士論文。
[8]林姝彣，2004，”基於本體論之影像自動註解”，國立清華大學資訊系統與應用研究所，碩士論文。
[9]范揚志，2005，”應用類神經網路與基因演算法於射出成形製程參數最佳化之研究”，中華大學科技管理研究所，碩士論文。
[10]孫任東，2002，”利用類神經網路於多重輸入多重輸出之製程管制系統”，中原大學工業工程研究所，碩士論文。
[11]梁瑞閔，2002，”智慧型程序控制整合於射出成形之分析”，清華大學動力機械工程學系，博士論文。
[12]郭中豐，2005，印花織物電腦自動化分析與辨識智慧型之專家系統開發與研製（國科會專題研究成果報告編號：NSC95-2221-E-011-062），台北：中華民國行政院國家科學委員會。
[13]陳宏祥，2003，”應用於存貨額預測之統計與類神經網路的比較研究”，淡江大學管理科學研究所，碩士論文。
[14]粘遙輝，2005，”類神經網路於電力品質干擾波形之辨識”，淡江大學電機工程學系，碩士論文。
[15]傅世宇，2005，”模組半徑基底函數類神經網路應用於影像分類問題”，雲林科技大學電子與資訊工程研究所，碩士論文。
[16]童淑芬，1990，”類神經網路在心電圖分類之應用”，醫學工程，第十卷，第二期，第59-63頁。
[17]黃俊豪，2000，”大量語者不特定語句環境下語者辨識系統之特徵設計”，國立中山大學大學電機工程研究所，碩士論文。
[18]葉怡成，2001，應用類神經網路，台北：儒林圖書公司。
[19]葉怡成，2004，類神經網路模式應用與實作，台北：儒林圖書公司。
[20]潘永浤，2003，”應用田口方法於類神經網路輸入參數設計-零售商快速回應系統模式之建立為例”，義守大學工業工程與管理學系，碩士論文。
[21]蔡棋鴻，2002，”塑膠阻隔容器之混煉參數最佳化”，國立台灣科技大學高分子工程系，碩士論文。
[22]蔡碧娥，2003，”應用學習向量量化於直接負載控制曲線分類系統之研究”，中原大學電機工程研究所，碩士論文。
[23]蔡瓊輝，2003，”使用倒傳遞類神經網路學習垃圾郵件行為的類型”，樹德科技大學資訊管理研究所，碩士論文。
[24]鄭燕琴，1994，田口品質工程技衠理論與實務，台北：中華民國品質管制學會。
[25]蘇朝墩，1997，產品穩建設計，台北：中華民國品質學會。
[26]Apolloni, B., Avanzini, G., Cesa-Bianchi, N., & Ronchini, G., 1990, Diagnosis of epilepsy via back-propagation, IJCNN-90-Wash, vol. 2, pp. 571-574.
[27]Baxt, W. G., 1990, Use an artificial neural network for data analysis in clinical decision-making : the diagnosis for acute coronary occlusion, Neural Computation, vol. 2, no. 4, pp. 480-489.
[28]Chinneck, J. W., 2001, Fast heuristics for the maximum feasible subsystem problem, Informs Journal on Computing, vol. 13, no. 3, pp.210-223.
[29]Dawson, C. W., & Wilby, R. L., 2001, Hydrological modelling using artificial neural networks, Progress in Physical Geography, vol. 25, no. 1, pp. 80-108.
[30]Divina, F., & Marchiori, E., 2005, Handling continuous attributes in an evolutionary inductive learner, In IEEE Transactions on Evolutionary Computation, vol. 9, no. 1, pp. 31-43.
[31]Doherty, K. A. J., Adams, R. G., & Davey, N., 2007, Unsupervised learning with normalised data and non-Euclidean norms, Applied Soft Computing Journal, vol. 7, no. 1, pp. 203-210.
[32]Fidelis, M. V., Lopes, H. S., & Freitas, A. A., 2000, Discovering comprehensible classification rules with a geneticalgorithm, Proceedings of IEEE Congress on Evolutionary Computation, vol. 1, pp. 805-810.
[33]Grabczewski, K., & Duch, W., 2002, Heterogeneous forests of decision trees, ICANN.
[34]Guh, R. S., & Shiue, Y. R., 2008, Effective pattern recognition of control charts using a dynamically trained learning vector quantization network, Journal of the Chinese Institute of Industrial Engineers, vol. 25, pp. 73-89.
[35]Harrison, R. F., Marshall, S. J., & Kennedy, R. L., 1991, The early diagnosis of heart attacks : a neurocomputational approach, IJCNN, vol. 9, no. 1, pp. 1-5.
[36]Haykin, S., 1999, Neural networks : a comprehensive foundation, Prentice Hall Internationa.
[37]Hsu, C. W., & Lin, C. J., 2002, A simple decomposition method for support vector machines, Machine Learning, vol. 46, pp. 291-314.
[38]Hsu, J. L., Hsu, C. Y., & Wang, H. C., 2006, Developing an automatic classifier for parkinson's disease diagnosis based on statistical analysis of SPECT data, The Journal of Taiwan Association for Medical Informatics, vol. 15, no. 1, pp. 77–82.
[39]Hu, Q., Yu, D., Xie, Z., & Li, X., 2007, EROS : Ensemble rough subspaces, Pattern Recognition, vol. 40, no. 12, pp. 3728-3739.
[40]Huang, C. C., & Tang, T. T., 2006, Optimizing multiple qualities in as-spun polypropylene yarn by neural networks and genetic algorithms, Journal of Applied Polymer Science, vol. 100, pp. 2532–2541.
[41]Joachims, T., 1998, Text categorization with support vector machines : learning with many relevant features, Proceedings of the European Conference on Machine Learning, pp. 137-142.
[42]Kohnen, T., 1986, Learning vector quantization for pattern recognition, Technical report TKK-F-A601, Helsinki University of Technology, Finland.
[43]Kohonen, T., 1988, Self-organization and associative memory, Springer-Verlag, New York, pp.155-157.
[44]Kohonen, T., 1990, Improved versions of learning vector quantization, IJCNN, vol. 1, pp. 545-550.
[45]Kohonen, T., 1990, The self-organizing map, Proc. IEEE, vol. 78, no. 9, pp. 1464-1480.
[46]Kohonen, T., 1995, Self-organization and associative memory, Berlin : Springer-Verlag.
[47]Kuo, C. F., & Wu, Y. S., 2006, Application of a Taguchi-based neural network prediction design of the film coating process for polymer blends, International Journal of Advanced Manufacturing Technology, vol. 27, pp. 455-461.
[48]Liang, J. M., & Wang, P. J., 2002, Multi-objective optimization scheme for quality control in injection molding, Journal of Injection Molding Technology, vol. 6, no. 4, pp. 331-342.
[49]Liang, J. M., & Wang, P. J., 2002, Self-learning control for injection molding based on neural networks optimization, Journal of Injection Molding Technology, vol. 6, no. 1, pp. 58-71.
[50]Lin, C. H., Huang, E. W., & Jiang, W. W., 2007, Pill Image retrieval using neural networks, The Journal of Taiwan Association for Medical Informatics, vol. 16, no. 2, pp. 29-42.
[51]Mazon, A. J., Zamora, I., Sagastabeitia, K. J., & Valverde, V., 2006, Strategies for fault classification in transmission lines using learning vector quantization neural networks, EUROPEAN TRANSACTIONS ON ELECTRICAL POWER, vol.16, no. 4, pp. 365-378.
[52]Packianather, M. S., & Drake, P. R., 2004, Modelling neural network performance through response surface methodology for classifying wood veneer defects, Proceedings of the I MECH E Part B Journal of Engineering Manufacture, vol. 218, no. 4, pp. 459-466.
[53]Saito, K., & Nakano, R., 1987, Medical diagnostic expert system based on PDP model, ICNN-87, vol. I, pp. 255-262.
[54]Tarang, Y. S., Yang, W. H., & Juang, S. C., 2000, The use of fuzzy logic in the Taguchi method for the optimisation of the submerged arc welding process, International Journal of Advanced manufacturing Technology, vol. 16, pp. 688-94.
[55]Wilson, D. R., & Martinez, T. R., 1997, Improved center point selection for probabilistic neural networks, Proceedings of the International Conference on Artificial Neural Networks and Genetic Algorithms（ICANNGA）, pp. 514-517.
[56]Wu, C. H., & Chen, W. S., 2006, Injection molding and injection compression molding of three-beam grating of DVD pickup lens, Journal Sensors and Actuators A : Physical, vol. 125, no. 2, pp. 367-375.
[57]Yang, M. S., & Yang, J. H., 2002, A fuzzy-soft learning vector quantization for control chart pattern recognition, International Journal of Production Research, vol. 40, no. 12, pp. 2721-2731.
[58]Yoon, Y., Brobst, R. W., Bergstresser, P. R., & Peterson, L., 1990, A connectionist expert system for dermatology diagnosis, Expert System : Planning, pp. 22-31.
[59]Zhou, Z. H., & Jiang, Y., 2004, NeC4.5 : neural ensemble based C4.5, IEEE Transactions on Knowledge and Data Engineering, vol. 16, no. 6, pp. 770-773.