臺灣博碩士論文加值系統

科技如此發達，電腦設備、軟體發展的相當快速，對於資料數位化的儲存是相當容易的事。但是，如何在這龐大資料中找出有用的資訊是一大難題。近年來，資料探勘(Data mining)是一相當熱門的領域，其目的就是在龐大雜亂無章的資料中，找尋隱含、潛在有用的資訊。本文希望藉由機器學習(Machine learning)來做資料探勘，而類神經網路(Artificial neural network，ANN)即是機器學習的一種。
過去醫學診斷多只靠醫師以往的經驗，但是現今疾病判斷指標相當多元，如果能配合資料探勘的技術則可以輔助醫生以提高診斷正確率。許多研究也證實應用機器學習技術，對於疾病診斷是有相當大的幫助。本研究針對糖尿病(Diabetes)資料庫，分別以倒傳遞類神經網路、廣義迴歸類神經網路、學習向量量化網路做訓練與測試，並利用Receiver Operating Characteristic(ROC)以及正確率以做為網路績效的評估。本研究證實，倒傳遞類神經網路正確率達87.2％，優於其廣義迴歸類神經網路(GRNN)與學習向量量化網路(LVQ)，且與過去的研究做比較，皆優於過去的研究。

Traditionally, medical diagnosis mainly depends on doctors’ training and experience. Today, the fast growth of data mining technique can enhance the diagnostic accuracy. This study is to develop and compare the diagnostic performance based on the areas under Receiver Operating Characteristic curves (ROC) and accuracy building through application of three artificial neural networks: Back-Propagation Network (BPN), General Regression Neural Network (GRNN), and Learning Vector Quantization (LVQ). For each network, we apply Taguchi Method on parameter design. The area under ROC curves are 0.911, 0.881 and 0.784 for BPN, GRNN, and LVQ, respectively. The diagnosis accuracies are 87.2％, 85.5％ and 75.5％ for BPN, GRNN, and LVQ, respectively. BPN with better learning effects shows promise for assisting medical diagnosis on diabetes.

中文摘要……………………………………………………………………………… i
英文摘要……………………………………………………………………………... ii
誌謝…………………………………………………………………………………...iii
目錄………………………………………………………………………………….. iv
表目錄……………………………………………………………………………….. vi
圖目錄………………………………………………………………………………. vii
第一章 緒論
1.1 研究背景……………………………………………………………………...1
1.2 研究動機………………………………………………………………….…..2
1.3 研究目的………………………………………………………………….…..2
1.4 研究範圍與限制………………………………………………………….…..3
1.5 研究流程………………………………………………………………….…..3
1.6 論文架構………………………………………………………………….…..3
第二章 文獻探討
2.1 糖尿病…………………………………………………………...…………. ..5
2.2 糖尿病文獻……………………………………………………………….…..8
2.3 田口方法………………………………………………………………….…10
2.4 變數選取………………………………………………………………….…11
2.5 類神經網路…………………………………………………………….……12
2.5.1 倒傳遞類神經網路……………………………………………………..19
2.5.2 廣義迴歸類神經網路……………………………………………..……24
2.5.3 學習向量量化網路………………………………………………..……29
2.6 ANN文獻………………………………..………………………………….33
第三章 類神經網路
3.1 資料前處理……………………………………………………….…………35
3.2 田口方法……………………………………………………………….……36
3.2.1 直交表…………………………………………………………………..36
3.2.2 訊號雜訊比……………………………………………………………..37
3.3 績效評估………………………………………………………………….…38
3.4 倒傳遞類神經網路之建構…………………………………………….……39
3.5 廣義迴歸類神經網路之建構…………………………………………….…42
3.6 學習向量量化網路之建構……………………………………………….…43
3.7 三種網路績效比較……………………………………………………….…45
第四章 類神經網路與變數選取
4.1 變數選取………………………………………………………………….…48
4.1.1 倒傳遞類神經網路之變數選取……………………………………..…50
4.1.2 廣義迴歸類神經網路之變數選取…………………………………..…51
4.1.3 學習向量量化網路之變數選取………………………………………..53
4.2 結果與分析…………………………………………………………….……54
第五章 結論與建議
5.1 結論……………………………………………………………………….....58
5.2 後續研究建議…………………………………………………………..…...59
參考文獻………………………………………………………………….……….....60

1. 方耀輝，2002，以密度叢集法提升支撐向量機之分類效率，國立成功大學工業與資訊管理學系，碩士論文。
2. 王咨淵，2004，一種以關聯分類法則為基的競爭式學習神經網路法則萃取演算法，國立臺灣大學工業工程學研究所，碩士論文。
3. 王誠之，2005，Mayo Clinic on Managing Diabetes–糖尿病，天下生活出版股份有限公司。
4. 朱光華，2006，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，中臺科技大學放射科學研究所，碩士論文。
5. 呂重誼，2004，低強度回填材料於管道工程成本之多元線性迴歸分析，國立屏東科技大學土木工程系，碩士論文。
6. 李衍博，2002，分割且克服之學習與模組化感知器神經網路之研究，國立交通大學資訊工程系，博士論文。
7. 李韻舟，2003，類神經網路於顫振導數之識別與預測，私立中原大學土木工程研究所，碩士論文。
8. 林昆達，2001，小波理論與類神經網路在橋梁非破壞檢測之應用，私立中原大學土木工程研究所，碩士論文。
9. 邱穎聖，2001，通用迴歸神經網路在中長期需求模式上之建構與探討-----以電腦零組件為例，私立元智大學工業工程與管理學系，碩士論文。
10. 柯映竹，2003，變數間正負相關對簡易貝氏分類器學習正確率之影響，國立成功大學工業管理科學系，碩士論文。
11. 紀勝財，2005，應用類神經網路於質子交換膜燃料電池績效預測之研究，私立華梵大學工業工程與經營資訊學系，碩士論文。
12. 徐世輝，2005，應用統計學，華泰文化事也股份有限公司。
13. 徐維聰，2002，應用小波轉換與類神經網路進行電力系統故障種類之判別，私立中原大學電機工程研究所，碩士論文。
14. 許哲強，2002，台灣區域電力負載預測分析系統之建立與應用研究，國立成功大學資源工程學系，博士論文
15. 陳勇雄，2001，類神經網路於服務復原診斷系統之構建-以固網業為例，國立台北科技大學生產系統工程與管理研究所，碩士論文。
16. 陳建佑，2002，用小波特徵與類神經網路映射設計超光譜影像分割法，國立台灣大學電機工程學研究所，碩士論文。
17. 粘遙輝，2002，類神經網路於電力品質干擾波形之辨識，私立淡江大學電機工程學系，碩士論文。
18. 曾育培，2001，類神經網路於醫療業顧客失約預測之應用，國立台北科技大學生產系統工程與管理研究所，碩士論文。
19. 程味兒，2004，比較放射性鉈元素單光子發射電腦斷層攝影的不同判讀方法區別肺部的惡性腫瘤與良性病灶，私立中國醫藥大學醫學研究所，碩士論文。
20. 黃士恆，2004，利用Shannon's Entropy作特徵維度切割以改善貝氏分類器正確率之研究”，國立臺灣師範大學工業教育學系，碩士論文。
21. 黃俊英，1991，多變量分析，中國經濟企業研究所。
22. 黃敬淳，2005，平行式類神經網路電力負載預測系統模式化之研究，私立東海大學工業工程與經營資訊學系碩士論文。
23. 葉怡成，1999，類神經網路模式應用與實作，儒林圖書有限公司。
24. 劉亭宜，2000，GRNN在晶圓製造裡良率模式之建構與分析，私立元智大學工業工程研究所，碩士論文。
25. 蔡易牟，2004 ，普適提之變數選擇，國立東華大學應用數學系，碩士論文。
26. 蔡樹濤，2006，糖尿病，新潮社文化事業有限公司。
27. 賴明謙，2005，田口實驗設計法在消音設備性能分析之應用，國立海洋大學系統工程暨造船學系，碩士論文。
28. 顏家煌，2002，針對組合材料合成與大量變數設計之資訊引導採樣方法， 國立清華大學化學工程學系，博士論文。
29. 羅家昇，2005，PBGA構裝體的數值模擬與最佳化之研究，國立成功大學機械工程學系，碩士論文。
30. 羅華強，2005，類神經網路：MATLAB的應用，高立圖書有限公司。
31. 蘇朝敦，2002，品質工程，中華民國品質學會。
32. http://www.gct.ntou.edu.tw/Lab/aiwww/neural.html
33. Ashizawa K., Ishida T., MacMahon H., Vyborny C. J., Katsuragawa S., Doi K., 1999, “Artificial neural networks in chest radiography: application to the differential diagnosis of interstitial lung disease,” Academic Radiology, Vol. 6, pp. 2-9.
34. Bathen T. F., Krane J., Engan T., Bjerve K. S., Axelson D., 2000, “Quantification of plasma lipids and apolipoproteins by use of proton NMR spectroscopy, multivariate and neural network analysis,” NMR in biomedicine, Vol. 13, pp. 271-288.
35. Berry M. J. A. and Linoff G. S., 2000, Mastering Data Mining, Jon Wiley & Sons, INC., Canada.
36. Breault J. L., 2001, "Data Mining Diabetic Databases: Are Rough Sets a Useful Addition?", Computing Science and Statistics, 33 , /I2001Proceedings/JBreault/ JBreault.pdf
37. El-Solh A. A., Hsiao C. B., Goodnough S., Serghani J., Grant B. J., 1999, “Predicting active pulmonary tuberculosis using an artificial neural network,” Chest, Vol. 116, pp. 968-973.
38. Frame A. J., Undrill P. E., Cree M. J., Olson J. A., McHardy K. C., Sharp P. F., Forrester J. V., 1998, “A comparison of computer based classification methods applied to the detection of microaneurysms in ophthalmic fluorescein angiograms,” Computers in Biology and Medicine, Vol. 28, pp. 225-238.
39. Golub R., Cantu R. Jr., Tan M., 1998, “The prediction of common bile duct stones using a neural network,” Journal of the American College of Surgeons, Vol. 187, pp. 584-590.
40. Kestler H. A., Schule M., Schwenker F., Neumann H., Mattfeldt T., 1999, “Classification of cytological smears of the cervix with neuronal methods,” Biomedizinische Technik. Biomedical engineering, Vol. 44, pp. 17-24.
41. Li J., Mu Y., Zhang L., 2001, “Study of the pulmonary heart disease computer-aided diagnosis system based on combining neural network,” Journal of biomedical engineering, Vol. 18, pp. 573-576.
42. Mattfeldt T., Gottfried H., Schmidt V., Kestler H. A., 2000, “Classification of spatial textures in benign and cancerous glandular tissues by stereology and stochastic geometry using artificial neural networks,” Journal of Microscopy, Vol. 198, pp. 143-158.
43. Narciso Cerpa, Steven Walczak, 1999, “Heuristic principles for the design of artificial neural networks,” Information and Software Technology, Vol. 41, pp. 107-117
44. Pantazopoulos D., Karakitsos P., Iokim-Liossi A.,Pouliakis A., Dimopoulos K., 1998, “Comparing neural networks in the discrimination of benign from malignant lower urinary tract lesions,” British Journal of Urology, Vol. 81, pp. 574-579.
45. Pesu L., Helisto P., Ademovic E., Pesquet J. C., Saarinen A., Sovijarvi A. R., 1998, “Classification of respiratory sounds based on wavelet packet decomposition and learning vector quantization,” Technology and Health Care, Vol. 6, pp. 65-74.
46. Roush W. B., Wideman R. F. Jr. , 2000, “Evaluation of broiler growth velocity and acceleration in relation to pulmonary hypertension syndrome,” Poultry Science, Vol. 79, pp. 280-291.
47. Roush W. B., Wideman R. F. Jr., Cahaner A., Deeb N., Cravener T. L., 2001, “Minimal number of chicken daily growth velocities for artificial neural network detection of pulmonary hypertension syndrome (PHS),” Poultry Science, Vol. 80, pp. 254-259.
48. Smith J. W., Everhart J. E., Dickson W. C., Knowler W. C., Johannes R. S., 1988, “Using the ADAP learning algorithm to forecast the onset of diabetes mellitus,” IEEE Computer Society Press, Proceedings of 12th Symposium on Computer Applications in Medical Care, pp. 261-265.