(3.238.186.43) 您好!臺灣時間:2021/03/02 09:20
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:張哲嘉
研究生(外文):Jhe-Jia Chang
論文名稱:以最佳化演算法建構IC封裝資料庫分類模型
論文名稱(外文):Construct IC Packaging Database Classification Model Using Optimization Algorithm
指導教授:洪永祥洪永祥引用關係
指導教授(外文):Yung-Hsiang
學位類別:碩士
校院名稱:國立勤益科技大學
系所名稱:工業工程與管理系
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:2011
畢業學年度:99
語文別:中文
論文頁數:51
中文關鍵詞:類神經網路約略集合理論基因演算法IC封裝
外文關鍵詞:neural networkRough Set Theorygenetic algorithmIC packaging
相關次數:
  • 被引用被引用:0
  • 點閱點閱:135
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:10
  • 收藏至我的研究室書目清單書目收藏:0
現今電子產品消費市場已由過去賣方主導市場轉移到買方的市場。對於這樣的轉變,生產製造者必須要找出對策因應多樣少量的生產型態,以及日益縮短的產品生命週期。近年來,資料探勘技術的發展,以及電腦運算能力的提升,透過資料探勘,管理者可以從過去發生的事件中歸納出準則作為管理以及決策的依據。本研究蒐集五種常見IC封裝產品族(TFBGA、LGA、PBGA、FCBGA、QFP),並在原有的13個特徵屬性外,新增1個植球式(Ball Array)製程的特徵屬性,共14屬性2496筆IC封裝屬性資料進行研究。其中TFBGA族群又可細分出16項終端產品總計632筆資料;LGA族群包含17項終端產品項目資料筆數為424筆;QFP族群包含15項終端產品項目資料筆數為272筆;FCBGA族群包含7項終端產品項目資料筆數為816筆;PBGA族群包含8項終端產品項目資料筆數為352筆。由於IC封裝產品類別廣泛且複雜,蒐集到的IC封裝產品資料又存在著資料結構不平衡的問題,本研究透過兩階段進行實驗以及透過基因演算法調整類神經網路權重值,目的是找出一個最適切分類方法。第一階段著手建構IC封裝產品族分類模型,此階段將2496筆產品資料分為五個產品族的分類模型,所使用的方法分別有1.約略集合理論2.類神經網路3.類神經網路結合基因演算法。第二階段則分別對五個產品族,以類神經網路分類器探討其終端產品的分類準確率,使用方法有1.類神經網路2.類神經網路結合基因演算法。最後分析比較各方法在各階段中的分類結果,並找出最具穩健性的分類模型。在第一階段中,以約略集合分類結果最好,分類準確率為100%。第二階段中以L-M演算法分類績效最好。整體訓練準確率為78.57%、測試準確率為82.36%
The present electronic product consumer market has diverted from a seller’s market into a buyer's market. The manufacturers must develop countermeasures against such a change to respond to the production mode of multiple varieties and small quantity, as well as the increasingly shortened product life cycle. In recent years, with the development of data mining techniques and computing capacity, companies can generalize the criteria of management and decision-making from previous events through data mining. This study gathered five frequent IC packaging product families (TFBGA, LGA, PBGA, FCBGA, QFP), and added one characteristic attribute of ball array process to the original 13 characteristic attributes, used 14 attributes and 2496 IC packaging attribute data for research. The TFBGA family can be divided into 16 terminal products amounting to 632 data. The LGA family contains 17 terminal product items amounting to 424 data; the QFP family contains 15 terminal product items amounting to 272 data; the FCBGA family contains 7 terminal product items amounting to 816 data; and the PBGA family contains 8 terminal product items amounting to 352 data. Since the IC packaging product classes are diversified and complex, and the collected IC packaging product data have data structure disequilibrium. This study carried out experiments in two stages and used genetic algorithm to adjust the neural network weighting factor, aiming to find an optimal classification method. The IC packaging product family classification model was constructed at the first stage, and the classification model divided the 2496 product data into 5 product families. The methods used were: 1) Rough Set Theory; 2) neural network; 3) neural network and genetic algorithm. The classification accuracy rate of the terminal products of 5 product families was discussed using neural network classifier at the second stage, the methods used were: 1) neural network; 2) neural network and genetic algorithm. Finally, the classification results of various methods at different stages were compared, and the most robust classification model was determined. The rough set has the best classification result at the first stage, the classification accuracy rate is 100%. The L-M algorithm has the best classification performance at the second stage. The overall training accuracy rate is 78.57%, and the test accuracy rate is 82.36%.
摘 要 i
英文摘要 ii
致謝 iii
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 研究範圍與限制 2
1.4 論文架構 3
1.5 研究流程架構 3
第二章 文獻探討 5
2.1 半導體工業簡介 5
2.2 台灣半導體產業現況 5
2.3 資料探勘 8
2.3.1 資料探勘定義 8
2.3.2 資料探勘功能 9
2.3.3 粗集合理論的發展及應用 11
2.4 類神經網路理論 12
2.4.1 類神經網路 12
2.4.2 類神經網路分類 14
2.5 類神經網路訓練方式 16
2.5.1類神經網路架構與轉移函數 16
2.5.2類神經網路運算方式 17
2.6 基因算法理論 20
2.6.1 基因演算法 20
2.6.2 基因演算法特性說明 21
2.6.3最佳化演算法與神經網路整合運用實例 22
第三章 研究方法 23
3.1 實驗流程架構 23
3.2 研究案例介紹 24
3.3 資料前處理-編碼 24
3.4第一階段分類成五大產品族 27
3.5 第二階段針對五大產品族終端產品進行分類 29
第四章 實驗結果與分析 31
4.1 第一階段實驗結果與分析 31
4.2 第二階段實驗結果與分析 34
第五章 結論 48
5.1 結論 48
5.2未來建議 48
參考文獻 49
國內文獻 49
國外文獻 50


國內文獻
[1] 刁建成,2001,半導體IC產品製造與應用,全華書局,台北。
[2] 田民波,2005,半導體電子元建構裝技術,五南書局。
[3] 吳萬成,2007,以粒子族群最佳化進行倒傳遞類神經網路參數最佳化與屬性篩選之研究,華梵大學,碩士論文
[4] 李正彬,2001,一個新的神經網路學習法─蟻窩演算法,元智大學,碩士論文
[5] 杜慶麟,1996,銀行授信決策應用類神經網路之研究-抵押貸款之實證研究,清華大學,碩士論文。
[6] 周鵬程,2002,遺傳演算法原理與應用-活用Matlab,全華書局,台北。
[7] 林萍珍、柯博昌,2008,投資分析:含MATLAB應用、遺傳演算法與類神經網路模型,新陸書局,台北。
[8] 俞慧華,2001,改良式類神經網路模式於信用卡顧客關係管理之研究,台北科技大學,碩士論文。
[9] 柳馨喬,2009,應用RST與類神經網路於多類別產品封裝問題之研究,國立勤益科技大學,碩士論文。
[10] 馬智祥,2010,約略集合論於肝切除肝癌病患術後療效之預測與其決策系統之開發及設計,高雄第一科技大學,碩士論文。
[11] 張惟志,2008,運用資料探勘分類模型對腹主動脈瘤術後併發症之探討與研究,台北護理學院,碩士論文。
[12] 張斐章、張麗秋,2005,類神經網路,東華書局,台北。
[13] 莊文仲,2000,多層感知等化器-使用進化演算法,中央大學,碩士論文。
[14] 郭長佑,2007,”半導體封裝測試產業全球布局探析”,SIOP半導體產業推手,29期,頁11~16,11月。
[15] 陳政亨、胡坤德,2005,應用類神經網路於心血管疾病分類與診斷,東海大學,碩士論文。
[16] 陳佩欣,2002,結合資料探勘與約略集合理論建構以顧客問題為導向之動態常見問題集,中華大學,碩士論文。
[17] 辜炳寰,2002,類神經網路於土壤液化評估之應用,成功大學,碩士論文。
[18] 楊曉芳,2008 IEK統計http://udn.com/NEWS/STOCK/STO1/4626446.shtml
[19] 葉怡成,1997,應用類神經網路,儒林書局,台北。
[20] 詹益仁,2010,”勾勒台灣IC產業新前景”,SIOP半導體產業推手,41期,頁28~31,12月。
[21] 資策會產業情報研究所,2010,”2009年台灣半導體產業地圖描繪”
[22] 謝幸成,2008,應用約略集合理論於IC封裝分類問題之研究,國立勤益科技大學,碩士論文。
[23] 羅強華,2005,類神經網路-MATLAB應用,高立圖書,台北。
[24] 蘇木春、張孝德,2006,機器學習-類神經網路、模糊系統以及基因演算法,全華書局,台北。

國外文獻
[25] .Aleksander, 2001, ROSETTA Technical Reference Maunal.
[26]. Berry, M. J. A. & Linoff, G., 1997,” Data Mining Techniques:for Marking, Sales, and Cutomer Support”, New York.
[27] Berson, A., Smith,S.& Thearling, K.,Building,2000, “Data Mining Application for CRM”, New York.
[28] Curt, H, The Devil, 1995, “Techniques, Tool and Applications for Data Mining and Knoqledge Discovery-Part1”, Intelligence Software Strategies, Vol.6, No.9, p.3.
[29] Fayyad, U.M.,& Pistesky, S.G.& Smyth,P,1996, “From Data Mining to Knowledge Discovery in Databases”, American Association for Artificial Intelligence.
[30] Hamdi Aguir, Hedi BelHadjSalah, Ridha Hambli, 2010,” Parameter identification of an elasto-plastic behaviour using artificialneural networks–genetic algorithm method“ , Materials and Design, 32 , 48-53
[31] Hand, J. and Kamber, M. (2000), ”Data Mining : Concepts and Techniques”, Morgan Kaufmann Publishers.
[32] Jolliffe. I.T, 1986, Principal component analysis, New York. Sekeroglu B. 2004.”Classification of Sonar Images Using Back Propagation Neural Network”. Proceedings of the IEEE International Geoscience and Remote Sensing Symposium, 3092-3095.
[33] Grupe,2009,” Data base mining: discovering new knowledge and competitive advantage” , Information Systems Management, Vol. 12, No. 4. (1995), pp. 26-31. Key: citeulike:6228538
[34] J, Kennedy and R. Eberhart, 1995, “Particle Swarm Optimization,” Proc. IEEE International conference on Neural Networks, pp1942-1948.
[35] J. Khan, J. S. Wei, M. Ringner, L. H. Saal, M. Ladanyi, F. Westermann, F. Berthold, M. Schwab, C. R. Antonescu, C. Peterson, and P. S. Meltzer, 2001, “Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks,” Nature Medicine, 7, 673-679
[36] Karri, V, & Frost, F, 1999, “Optimum back propagation network condition with respect to computational time and output accuracy.” Proceedings of Third International Conference on Computational Intelligence and Multimedia Applications (ICCIMA’99’), 50-54,.
[37] Kohonen. T, 1995, ”Self- organizing Maps, Springer- Verlag”, Berlin.
[38] Kohonen . T, 1989,”Self- organizing Maps and Associate Memory”, Springer-Verlag. London, 3rd edition.
[39] Kusumoputro, B., & Saptawijaya, A. & Murni,A. ,2001 “Comparison of hybrid neural systems of KSOM-BP learning in artificial odor recognition system”,IEEE ICCIMA.
[40] Lin, T.Y. & Wildberger, A.M., 1995, “The Third International Workshop
Management,” Vol.6,No.4,pp.8-18.
[41] Peacock, P.R, 1998 “Data Mining in Marketing: Part1, Marketing Management,” Vol.6,No.4,pp.8-18
[42] Pawlak, Z., 1991, “Rough Sets: Theoretical Aspects of Reasoning about Data”. Kluwer Academic Publishers.
[43] West, P.M., & Brockett, P.L., & Golden, L. L., 1997, ”A comparative analysis of networks and statistical methods for predicting consumer choice”, MarketingScience,16(4),370-391


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
無相關期刊
 
系統版面圖檔 系統版面圖檔