跳到主要內容

臺灣博碩士論文加值系統

(44.210.149.205) 您好!臺灣時間:2024/04/16 20:06
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:翁碧蓮
研究生(外文):Pi-lian Weng
論文名稱:應用灰關聯分析與類神經網路訓練於IC封裝產量之預測
論文名稱(外文):The Application of Grey Relational Analysis and Neural Network Learning On IC Packaging Quantity Forecasting
指導教授:巫沛倉巫沛倉引用關係
指導教授(外文):Pei-tsang Wu
學位類別:碩士
校院名稱:義守大學
系所名稱:工業工程與管理學系碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:88
中文關鍵詞:覆晶封裝晶圓尺寸封裝預測類神經網路灰關聯分析
外文關鍵詞:CSP(Chip Scale Packaging)Flip ChipNeural NetworkGrey Relational AnalysisForecasting
相關次數:
  • 被引用被引用:2
  • 點閱點閱:441
  • 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:0
企業面臨多樣化的環境,必須擬定適當之決策加以因應,而預測對企業而言,將扮演著極重要的角色。無論是作決策或擬定計畫,在未來的實行上,或多或少都具有不確定性,也具備某種程度之風險。所以預測之主要目的在於預估一些未來的事件或情況,以提供管理者預測未來之最佳資訊,並能正確地了解所面臨的不確定情況,以減少在決策過程中的風險。
近年來人工智慧的方法逐漸受到重視,其中又以類神經網路被廣泛且有效的應用在許多預測的問題,主因為大部份之預測問題都屬非線性模式,而倒傳遞類神經網路具備建構非線性模型之能力。本篇是利用灰關聯分析在眾多因子中篩選出關聯度較高之因子,再將此類因子置入智慧型預測模式中進行訓練與預測,用於生產預測之效能評估,期望能提升預測準確度,提供相關產業進行生產預測時之參考。
Enterprises must take appropriate strategic to confront and react to such diversified circumstances. For them, the prediction will play an important role while planning. No matter making decisions or scheming out a plan, there are more or less uncertainties on upcoming implementation that also results in certain level of risks. Therefore, the main purpose of prediction is to estimate the oncoming events or situations in advance and provide the best information to management level to detect those uncertain conditions and help reduce the risks during decision-making process.
Recently, artificial intelligence methods get more and more attention in these years. Among them, neural network is applied extensively and effectively on predictive questions. That’s because most predictive questions belong to non-linear model, and neural networks is capable to construct non-linear model. This article is to utilize grey relational analysis to find out the higher related factors among numerous parameters and then input these factors into forecasting model to proceed training and prediction. After that, apply the result on production output assessment to increase the accuracy of forecast and provide the consultation to related industries for production forecasting.
謝誌I
摘要II
AbstractIII
目錄IV
表目錄VI
圖目錄VIII
第一章 緒論1
第一節 研究背景1
第二節 研究目的與動機2
第三節 研究範圍與限制3
第四節 研究方法與流程5
第二章 文獻探討7
第一節 封裝產品之製程與應用7
第二節 預測之定義與模式14
第三節 灰關聯分析18
第四節 類神經網路21
第五節 小結26
第三章 研究方法27
第一節 研究變數27
第二節 灰關聯分析方法與研究步驟35
第三節 類神經網路方法與研究步驟38
第四章 實證分析45
第一節 績效評估指標45
第二節 灰關聯分析之應用46
第三節 倒傳遞類神經網路之預測48
第五章 結論與建議73
第一節 研究結論與貢獻73
第二節 後續研究建議74
參考文獻
中文部分75
英文部分78
表目錄
表1.1 台灣IC封裝營收前五大廠商3
表1.2 構裝產品之獲利群分類4
表2.1 IC種類8
表2.2 封裝種類(Package Types) 11
表2.3 類神經網路模式簡表24
表4.1 評估準則之分類46
表4.2 Flip Chip/CSP產品之各項因子灰關聯度彙整表47
表4.3 Flip Chip產品之倒傳遞類神經設定參數A 48
表4.4 Flip Chip產品之倒傳遞類神經設定參數B 48
表4.5 CSP產品之倒傳遞類神經設定參數49
表4.6 比較Flip Chip之不同輸入因子之測試誤差值51
表4.7 Flip Chip產品之不同訓練期間之測試誤差值53
表4.8 CSP產品之不同訓練期間之測試誤差值55
表4.9 Flip Chip產品之迭代次數之測試誤差值57
表4.10 CSP產品之迭代次數之測試誤差值59
表4.11 Flip Chip訓練範例之預測值與實際值之誤差及MAPE彙整表62
表4.12 Flip Chip測試範例之預測值與實際值之誤差及MAPE彙整表64
表4.13 Flip Chip驗證範例之預測值與實際值之誤差及MAPE彙整表66
表4.14 CSP訓練範例之預測值與實際值之誤差及MAPE彙整表68
表4.15 CSP測試範例之預測值與實際值之誤差及MAPE彙整表70
表4.16 CSP驗證範例之預測值與實際值之誤差及MAPE彙整表72
圖目錄
圖1.1 我國半導體產業結構1
圖1.2 封裝型態發展歷程4
圖1.3 研究流程圖6
圖2.1 台灣IC封測業產值7
圖2.2 2007年全球半導體市場元件類型分佈10
圖2.3 產品型態的變化10
圖2.4 Flip Chip製程流程圖13
圖2.5 CSP製程流程圖14
圖2.6 神經細胞圖22
圖3.1 半導體三構面27
圖3.2 三大影響構面28
圖3.3 灰關聯流程圖35
圖3.4 倒傳遞類神經基本架構圖40
圖3.5 倒傳遞類神經流程圖41
圖4.1 比較Flip Chip之不同輸入因子之測試誤差值50
圖4.2 Flip Chip產品之不同訓練期間之測試誤差值52
圖4.3 CSP產品之不同訓練期間之測試誤差值54
圖4.4 Flip Chip產品之迭代次數之測試誤差值56
圖4.5 CSP產品之迭代次數之測試誤差值58
圖4.6 Flip Chip訓練範例之模型預測與實際值之誤差比較圖61
圖4.7 Flip Chip訓練範例之模型預測與實際值之預測產量比較圖61
圖4.8 Flip Chip測試範例之模型預測與實際值之誤差比較圖63
圖4.9 Flip Chip測試範例之模型預測與實際值之預測產量比較圖63
圖4.10 Flip Chip驗證範例之模型預測與實際值之誤差比較圖65
圖4.11 Flip Chip驗證範例之模型預測與實際值之預測產量比較圖66
圖4.12 CSP訓練範例之模型預測與實際值之誤差比較圖67
圖4.13 CSP訓練範例之模型預測與實際值之預測產量比較圖67
圖4.14 CSP測試範例之模型預測與實際值之誤差比較圖69
圖4.15 CSP測試範例之模型預測與實際值之預測產量比較圖69
圖4.16 CSP驗證範例之模型預測與實際值之誤差比較圖71
圖4.17 CSP驗證範例之模型預測與實際值之預測產量比較圖71
一、中文部份
[1]方世杰(1988),預測的基本五步驟,市場預測的一百種方法,台北:書全出版社。
[2]王進德、蕭大全(2003),類神經網路與模糊控制理論入門,台北:全華科技圖書股份有限公司。
[3]朱思頻(2002),從訂單差異性觀點建立供應鏈管理之先進規劃排程系統,屏東科技大學工業管理研究所碩士論文。
[4]余宗先(1972),經濟預測,台北:大中國出版社。
[5]吳漢強、鄧聚龍、溫坤禮(1996),灰色分析入門,台北:高立圖書有限公司。
[6]李佩縈(2008),2008年台灣IC封測業回顧與展望,IEK產業服務-產業情報網,http://ieknet.itri.org.tw。
[7]周海龍(1995),台北都會區生活用水量之預測-類神經網路之應用,中興大學資源管理研究所碩士論文。
[8]周湘蘭(2002),類神經網路在多重產品需求預測上之應用,元智大學工業工程與管理研究所碩士論文。
[9]拓墣產業研究所-產業專題報告(2006),洞悉半導體IC製造產業暨市場脈動,台北:志文印刷事業有限公司。
[10]林育賢(2007),應用PSO類神經網路學習於軟式IC載板生產預測之研究,義守大學工業工程與管理研究所碩士論文。
[11]邱志成(2006),混合人工智慧法於生產預測之研究,高雄第一科技大學資訊管理研究所碩士論文。
[12]張殷昇(2007),晶圓級凸塊迴銲製程技術之改進研究,高雄大學電機工程研究所(先進電子構裝組)碩士論文。
[13]張偉哲、溫坤禮、張廷政合著(2000),灰關聯模型方法與應用,台北:高立圖書有限公司。
[14]張瑤峰(2001),類神經網路在銷售預測應用之探討,元智大學工業工程研究所碩士論文。
[15]許通安(2004),短期訂單預測模型之研究-PDA產業為例,中原大學資訊管理研究所碩士論文。
[16]許寶東、陳清燿、羅啟豪(2006),灰色預測理論在短期預測適用性之研究,創新、整合與應用研討會發表,pp.450∼461。
[17]郭秀敏(2005),模糊倒傳遞網路於印刷電路板生產預測之應用,元智大學工業工程與管理研究所碩士論文。
[18]彭國柱(2008),景氣寒冬下尋找下一波IDM委外代工商機,半導體智庫,http://ieknet.itri.org.tw/aboutus/faq.jsp。
[19]游智元(2005),時間序列方法於台鐵短期旅運需求預測之研究,成功大學交通管理研究所碩士論文。
[20]黃天麟(2000),積體電路生產預測之研究,輔仁大學應用統計學研究所碩士論文。
[21]葉怡成(2003),類神經網路模式應用與實作,台北:儒林圖書公司。
[22]董鍾明(2007),全球半導體版圖變遷剖析,IEK產業服務-產業情報網,http://ieknet.itri.org.tw。
[23]彰銀資料,http://libsvr.sfi.org.tw/torica97web/default.asp。
[24]趙嬙(2003),灰色預測理論應用於汽車產業預測之研究-以台灣、大陸市場為例,朝陽科技大學企業管理研究所碩士論文。
[25]鄧聚龍(1985),灰色系統基本方法,武漢:華中理工大學出版社。
[26]鄧聚龍、郭洪(1996),灰預測原理與應用,台北:全華出版社。
[27]賴士葆(1995),生產作業管理,台北:華泰書局。
[28]MIC資訊市場情報中心,http://mic.iii.org.tw/index.asp。
[29]Semicon Taiwan特刊(2005),封裝技術探索,http://www.digitimes.com.tw/ext/ext.asp? BigExtID=481。
二、英文部份
[1]Archer, B. H. (1980), “Forecasting Demand: Quantitative and Intuitive Techniques”, International Journal of Tourism Management, 1 (1), pp.5-12.
[2]Bernstein, G. L. (1984), “The Art of Using Forecasts Effectively”, Directors & Boards, 8, pp.23-26.
[3]Chan, Y. M. (1993), “Forecasting Tourism: A Sine Wave Time Series Regression approach”, Journal of Travel Research, 32, pp.58-60.
[4]Chao, H. W. (2004), “Predicting Tourism Demand Using Fuzzy Time Series and Hybrid Grey Theory”, Tourism Management, 25, pp.367-374.
[5]Chu, F. L. (1998), “Forecasting Tourism: a Combined Approach”, Tourism Management, 19(6), pp.515-520.
[6]Law, R., & Au, N. (1999), “A Neural Network Model to Forecast Japanese Demand for Travel to Hong Kong”, Tourism Management, 20, pp.89-97.
[7]Uysal, M., & John, L. C. (1985), “An Overview of Approaches Used to Forecast Tourism Demand”, Journal of Travel Research, 2, pp.7-15.
[8]Wong, K. (1997), “The Relevance of Business Cycles in Forecasting International Tourist Arrivals”, Tourism Management, 18(8), pp.81-586.
[9]Wu, P. (1995), Neural Network Source Code, NCSU, Raileigh, N. C., U.S.A..
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊