臺灣博碩士論文加值系統

鋼鐵業是國家經濟發展的重要命脈，占我國總體經濟建設很重要的一席，帶動相關產業的發展更創造就業機會。
本研究採用智能全域和弦搜尋演算法以及和弦搜尋演算法，分別結合類神經網路，蒐集H型鋼與鋼筋於2006年1月至2018年10月之資料，建立鋼鐵價格漲跌幅之預測模型，利用Weka 3.6 的K-means 將價格漲跌幅劃分為六個區間，利用IGHS-ANN及HS-ANN這兩種模型，預測價格漲跌幅落入的區間。
研究結果顯示，IGHS-ANN及HS-ANN相互比較之下，整體而言IGHS-ANN的準確率較高，兩種鋼品的預測表現也不同，H型鋼的預測準確率遠比鋼筋的預測準確率高，這兩種模型，預測時程較短所得到的預測結果較優勢。提拱此兩種鋼鐵價格預測模型給未來實務上需要的使用者參考使用。

Steel industry is significant to economic development. It owns high position in our economic construction and also boosts more relative job opportunity. In recent years, the international steel prices have been uncertain due to fluctuation of market demand.
This research adopts Intelligent Global Harmony Search (IGHS) and Harmony Search (HS) algorithms to create a prediction model for the steel prices, combining with neuron network technique and data from January 2006 to October 2018 of H-Beam Products and Reinforcement. This research utilized the K-means of Weka 3.6 to divide the up and down prices into six intervals and using IGHS-ANN and HS-ANN models to predict the price falling into which interval.
The result shows the IGHS-ANN owns higher accuracy by comparing with IGHS-ANN. The performance of these two steel types is also quite different. H-beam has much higher prediction accuracy than that of steel. And, the short term prediction gets better prediction result than long term prediction. In summary, the proposed model can be a good tool for predicting Taiwan steel price.

摘　要 i
ABSTRACT ii
目　錄 vi
表目錄 ix
圖目錄 xi
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 研究限制 3
1.4 研究流程與架構 3
第二章 文獻探討 5
2.1 和弦搜尋演算法 5
2.1.1 和弦搜尋演算法之流程 6
2.2 和弦搜尋演算法之演進 9
2.2.1 改良式和弦搜尋演算法 9
2.2.2 參數自我適應和弦搜尋演算法 12
2.2.3 新穎全域和弦搜尋演算法 14
2.2.4 智能全域和弦搜尋演算法 16
2.3 類神經網路 18
2.4.1 類神經網路之簡介 18
2.4.2 類神經網路之架構 19
2.4.3 類神經網路運作分析 21
2.4.4 類神經網路分類 21
2.4 鋼鐵產業分析 23
2.5.1 鋼鐵產業之定義 23
2.5.2 鋼鐵產業主要製程 23
2.5.3 鋼鐵產業發展之現況 24
第三章 研究方法 27
3.1 實驗架構 27
3.1.1 資料前處理 28
3.1.2 實驗結果分析 28
3.1.3 假設檢定 29
3.2 資料來源 29
3.2.1 鋼品的選定 30
3.3 模型建構 36
3.3.1 和弦搜尋演算法結合人工神經網路之模型 37
3.3.2 智能全域和弦搜尋演算法結合人工神經網路之模型 39
第四章 實驗結果 41
4.1 實驗設定 41
4.1.1 運算環境設定 41
4.1.2 參數設定 41
4.2 H型鋼預測結果 42
4.2.1 一個月預測結果 42
4.2.2 三個月預測結果 45
4.3 鋼筋預測結果 48
4.3.1 一個月預測結果 48
4.3.2 三個月預測結果 51
4.4 兩預測模型比較 54
第五章 結論與未來建議 56
5.1 結論 56
5.2 未來研究建議 57
參考文獻 58

[1] 吳鎮鴻，鋼鐵產業經營績效之研究-以本國鋼鐵業者為對象，碩士論文，國立高雄應用科技大學財富與稅務管理研究所碩士在職專班，高雄，2013。
[2] 黃浩魁，鋼鐵原料價格對電爐鋼廠獲利影響研究，碩士論文，國立高雄第一科技大學企業管理研究所，高雄，2009。
[3] 鋼鐵產業發展的歷史脈絡，網址: https://iht.nstm.gov.tw/form/index-1.asp?m=2&m1=3&m2=79&gp=21&id=21，造訪日期： 2018/12。
[4] Tavakoli, S., Valian, E., & Mohanna, S., "Feedforward neural network training using intelligent global harmony search," Evolving Systems, 3(2), pp. 125-131, 2012.
[5] 林育利，使用類神經網路結合支持向量機之分類器研究，碩士論文，國立中央大學光機電工程研究所，桃園，2008。
[6] Kim, J. H., Geem, Z. W., & Kim, E. S. , "Parameter estimation of the nonlinear muskingum model using harmony search 1," Journal of the American Water Resources Association, 37(5),, pp. 1131-1138, 2001.
[7] Mahdavi, M., Fesanghary, M., & Damangir, E. (2007)., "An improved harmony search algorithm for solving optimization problems," Applied mathematics and computation, 188(2), pp. 1567-1579, 2007.
[8] Pan, Q. K., Suganthan, P. N., Tasgetiren, M. F., & Liang, J. J, "A self-adaptive global best harmony search algorithm for continuous optimization problems," Applied Mathematics and Computation, 216(3), pp. 830-848, 2010.
[9] Zou, D., Gao, L., Wu, J., Li, S., & Li, Y., "A novel global harmony search algorithm for reliability problems," Computers & Industrial Engineering, 58(2), pp. 307-316, 2010.
[10] Valian, E., Tavakoli, S., & Mohanna, S, "An intelligent global harmony search approach to continuous optimization problems," Applied Mathematics and Computation, 232, pp. 670-684, 2014.
[11] 尹相志，2009，SQL Server 2008 Data Mining資料採礦，臺北: 悅知文化。
[12] 人工智慧與類神經網路簡介，網址: http://w3.uch.edu.tw/cwhuang/aihw/ai59011001.htm，造訪日期：2018/12。
[13] 施柏州，應用蜜蜂繁殖演化倒傳遞類神經網路於台灣地區鋼鐵價格之預測，碩士論文，國立臺北科技大學工業工程與管理學系碩士班，臺北，2012。
[14] 蔡政宏，台灣地區鋼鐵產業發展過程之分析，碩士論文，國立中山大學企業管理研究所，高雄，1995。
[15] Cortes, C., & Vapnik, V, "Support-vector networks," Machine learning, 20(3), pp. 273-297, 1995.
[16] Lin, H. T., & Lin, C. J., "A study on sigmoid kernels for SVM and the training of non-PSD kernels by SMO-type methods.," submitted to Neural Computation 3, pp. 1-32, 2003.
[17] 杜建甫，利用模擬退火法與和弦搜尋法比較中央空調之最佳負載分配，碩士論文，國立台北科技大學能源與冷凍空調工程系碩士班，臺北，2014。
[18] 吳佳琪，應用GA-SVM模型預測財務危機之研究，碩士論文，國立彰化師範大學企業管理系碩士論文，彰化，2011。
[19] 王景南，多類支向機之研究，碩士論文，元智大學資訊管理學系碩士班，桃園，2003。
[20] 陳震隆，GA-SVM在棉花價格預測之應用，碩士論文，國立彰化師範大學國際企業經營管理碩士學位班，彰化，2013。
[21] 翁怡欣，應用蜜蜂繁殖演化結合自組織映射圖網路於台灣地區鋼鐵價格漲跌幅之預測，碩士論文，國立臺北科技大學工業工程與管理學系碩士班，臺北， 2013。
[22] 周姝庭，結合改良式新穎全域和弦搜尋演算法和類神經網路於台灣鋼鐵價格漲跌幅預測之研究，碩士論文，國立臺北科技大學工業工程與管理學系碩士班，臺北，2017。
[23] 中鋼Q3內銷盤價漲1.9%　連4季調漲，網址： https://www.ettoday.net/news/20180525/1177536.htm. 造訪日期：2018/05。
[24] 法人看鋼鐵業　2018年維持漲勢，網址：
https://tw.appledaily.com/new/realtime/20180708/1387501/，造訪日期：2018/07。
[25] 黃培婷，結合蜜蜂交配演算法與支持向量機應用於專利分類，碩士論文，國立臺北科技大學工業工程與管理學系碩士班，臺北，2010。
[26] 胡芳齊，應用混合遺傳和弦演算法結合倒傳遞類神經網絡於台灣地區熱軋鋼品價格漲跌之預測，碩士論文，國立臺北科技大學工業工程與管理學系碩士班，臺北，2016。
[27] 法人看鋼鐵業　2018年維持漲勢，網址：https://tw.appledaily.com/new/realtime/20180708/1387501/，造訪日期： 2018/12。
[28] 黃承隆、陳穆臻與王界人，支援向量機於信用評等之應用，計量管理學刊，一卷二期， 第55-172頁，2004。
[29] C. J. Burges, "A tutorial on support vector machines for pattern recognition," Data mining and knowledge discovery, 2(2), pp. 121-167, 1998.
[30] V. N. Vapnik, "An overview of statistical learning theory," IEEE transactions on neural networks, 10(5), pp. 988-999.
[31] 張家禎，台灣上市鋼鐵產業生產力與效率分析-資料包絡分析法之運用，碩士論文，國立彰化師範大學企業管理學系，彰化，2018。
[32] 曾崑章，企業永續經營之策略研究-以建築鋼鐵業為例，碩士論文，國立中山大學高階經營碩士班，高雄，2017。